Módulo 3 Inferência Causal
A maior parte dos problemas em ciências sociais é sobre causalidade. Podemos fazer perguntas como se cadastrar mais eleitores na justiça eleitoral aumenta a participação política, se a responsabilização de baixo para cima pode melhorar os resultados de saúde, ou se narrativas pessoais de imigrantes ajudam a reduzir atitudes preconceituosas em relação à imigração.
Na última década, a ciência social tornou-se muito mais séria sobre como as afirmações causais são feitas, baseando-se em uma longa história de trabalho sobre causalidade que remonta aos escritos clássicos de Fisher e Rubin. Fazemos maior uso de experimentos, e a aleatorização tornou-se o padrão ouro para abordar questões causais.
Neste módulo, apresentamos a abordagem contrafactual para a inferência causal e como afirmações com reivindicações causais podem ser interpretadas. Introduzimos o modelo de resultados potenciais e como a atribuição aleatória nos ajuda a fazer afirmações sobre o que teria acontecido na ausência da política, ação ou programa que estudamos. Discutimos as três suposições centrais para a inferência causal: atribuição aleatória de participantes ao tratamento, não interferência e excludabilidade.
3.1 Conteúdo Principal
O que queremos dizer quando falamos “causar”? E por que é importante ser claro sobre o significado das afirmações causais?
Uma introdução aos resultados potenciais como uma forma de pensar sobre estados alternativos do mundo.
A aleatorização nos ajuda a aprender sobre reivindicações causais contrafactuais de uma maneira particularmente útil.
As três principais suposições centrais para a inferência causal: atribuição aleatória de sujeitos ao tratamento, não interferência e excludabilidade.
Comparação de estudos randomizados com estudos observacionais.
A aleatorização traz alta validade interna, mas não pode assegurar validade externa.
Sua pergunta causal está intimamente ligada ao seu desenho de pesquisa.
3.2 Slides
Abaixo estão os slides com o conteúdo principal que abordamos em nossa palestra sobre causalidade. Você pode usar diretamente esses slides ou fazer sua própria cópia local e editar.
Você também pode ver os slides usados nas Jornadas de Aprendizado anteriores:
3.3 Recursos
3.3.2 Livros, Capítulos e Artigos
3.3.2.1 Clássicos
Ronald A. Fisher, The Design of Experiments (Edinburgh: Oliver; Boyd, 1935). Fisher introduz a ideia de aleatorização e teste de hipóteses como uma forma de aprender sobre inferência causal.
Donald B. Rubin, “Estimating the Causal Effects of Treatments in Randomized and Nonrandomized Studies,” J. Educ. Psych. 66 (1974): 688–701. Rubin introduz a ideia de resultados potenciais e liga conceptualizações contrafactuais de causalidade à inferência estatística.
3.3.2.2 Visões Gerais Contemporâneas
Henry E Brady, “Causation and Explanation in Social Science,” in The Oxford Handbook of Political Science, 2008, https://www.oxfordhandbooks.com/view/10.1093/oxfordhb/9780199286546.001.0001/oxfordhb-9780199286546-e-10.
Gerber and Green, Field Experiments, Capítulo 1. Este livro é um excelente recurso para muitos tópicos em design experimental.
Stephen L. Morgan and Christopher Winship, Counterfactuals and Causal Inference: Methods and Principles for Social Research (Cambridge University Press, 2007), Capítulo 1. Este livro inclui bons exemplos de como pensar em fazer afirmações causais a partir de dados observacionais.
Rachel Glennerster and Kudzai Takavarasha, Running Randomized Evaluations: A Practical Guide (Princeton: Princeton University Press, 2013). Esta é uma ótima introdução para conduzir experimentos de campo e discute muitos exemplos.