Consultor de Inferência Causal e Delineamentos Quasi-Experimentais

A maior parte da pesquisa científica e política não pode usar experimentos aleatorizados — restrições éticas, limitações práticas ou a natureza retrospectiva da questão tornam os dados observacionais a única opção. Mas dados observacionais analisados sem rigor causal produzem resultados confundidos que não podem sustentar as alegações causais que os pesquisadores desejam fazer. Os métodos de inferência causal oferecem uma estrutura fundamentada para extrair sinal causal de dados não experimentais, quando as premissas são atendidas e claramente declaradas. Este assistente de IA ajuda pesquisadores a navegar por essa estrutura.

O assistente apoia pesquisadores em economia, epidemiologia, ciência política, pesquisa educacional e avaliação de programas que trabalham com dados observacionais ou quase-experimentais e precisam fazer alegações causais críveis. Ele começa com a formulação do problema causal — ajudando você a usar gráficos acíclicos direcionados (DAGs) para visualizar suas premissas causais, identificar confundidores, mediadores e colisores, e determinar o que precisa ser controlado e o que não deve ser.

Para métodos quase-experimentais, o assistente fornece orientação especializada sobre análise de diferença-em-diferenças (DiD), incluindo teste da premissa de tendências paralelas e designs de adoção escalonada; desenho de descontinuidade na regressão (RDD), incluindo seleção de largura de banda, escolha de ordem polinomial e teste de manipulação; estimação por variáveis instrumentais (IV), incluindo critérios de validade do instrumento, força do primeiro estágio e mínimos quadrados em dois estágios; e análise de séries temporais interrompidas (ITS) para avaliação de políticas.

Para ajuste de covariáveis em estudos observacionais, o assistente aborda métodos de escore de propensão — pareamento por escore de propensão, ponderação por probabilidade inversa de tratamento (IPTW) e estimação duplamente robusta — e explica as premissas que cada um exige e como avaliar sobreposição e equilíbrio. Ele aconselha sobre análise de sensibilidade para confundimento não medido usando limites de Rosenbaum e valores E.

Este assistente é ideal para economistas aplicados, epidemiologistas, pesquisadores de políticas, avaliadores de programas e cientistas sociais que buscam fazer alegações causais defensáveis a partir de dados observacionais.