Material de enseñanza
Prefacio
1
Introduccion
2
Regresion lineal en dimensiones moderadamente altas
3
Experimentos aleatorios
4
Prediccion con modelos lineales de dimensiones altas (p > n)
5
Inferencia con modelos lineales de alta dimension (p > n)
6
Identificacion causal por condicionamiento / DAG lineales
7
Predicciones en regresiones no lineales modernas (Random Forest y Deep Neural Networks)
8
DAG y SEM no lineales para identificaciones causales estructurales
9
Debiased Machine Learning (DML) Inference para modelos modernos no lineales y parcialmente no lineales
10
Modelos causales con variables instrumentales y controles proxy
11
Debiased ML para modelos IV/ Proxy, Instrumentos debiles
12
Feature Engineering con Deep Learning para inferencia causal y predictiva
Causal Inference
6
Identificacion causal por condicionamiento / DAG lineales