Sesgos de selección en la teoría y en la práctica

Los/las investigadores/as en el área de la salud, generan y analizan datos para hacer inferencias causales que sean explícitas tanto sobre la pregunta causal como sobre los supuestos subyacentes al análisis de los datos. Este curso enfatizará en la necesidad de tomar la causalidad en serio articulando y delineando los roles separados de los datos y los supuestos para la inferencia causal. Se abordará diferentes enfoques de análisis de datos para estimar el efecto causal del interés bajo un conjunto particular de supuestos cuando se recopilan datos sobre cada individuo en una población.

identificación y estimación de efectos causales de evento de interés a partir de  varios enfoques de análisis de datos en una población

• Estimación de efectos causales con modelos paramétricos
• Estimación de los efectos causales de tratamientos que varían en el tiempo
• identificación no paramétrica de efectos causales

• Revisión de efectos causales, sesgos y DAGs
• Colliders y paradojas, ejemplos
• Censura, Participación Diferenciada, No Representatividad
• Sesgo de selección tipo 2 y validez externa
• Sesgos de selección en estudios de casos y controles y diseños emparejados

Estudiantes de postgrado, investigadores, académicos

• Clases presenciales 
• Actividades prácticas en aula

• Este curso es evaluado
• Otra forma de evaluación: Evaluación escrita virtual