Diplomado en Inferencia Causal Aplicada (DAGs, IV, DID)

2.2 Introducción a la Inferencia Causal: Conceptos Clave y Definiciones
2.2 Diagramas Acíclicos Dirigidos (DAGs): Representación Gráfica de Relaciones Causales
2.3 Variables Instrumentales (IV): Identificación y Estimación de Efectos Causales
2.4 Diferencias en Diferencias (DID): Diseño y Análisis para Estudios Causales
2.5 Modelos y Métodos Avanzados en Inferencia Causal
2.6 Aplicaciones Prácticas de DAGs en la Investigación
2.7 Análisis de Variables Instrumentales: Selección y Validación
2.8 Implementación de DID: Estrategias y Desafíos
2.9 Estudios de Caso: Aplicación de DAGs, IV y DID
2.20 Conclusiones y Próximos Pasos en Inferencia Causal

3.3 Fundamentos de Diagramas Acíclicos (DAGs): Identificación de causas y efectos.
3.2 Variables Instrumentales (IV): Selección y validación de instrumentos.
3.3 Diferencias en Diferencias (DID): Diseño y aplicación en escenarios reales.
3.4 Análisis Avanzado de DAGs: Ajuste de variables y control de confusión.
3.5 Implementación de IV: Técnicas de estimación y análisis de resultados.
3.6 Estrategias DID: Selección de grupos de control y tratamiento.
3.7 Interpretación de Resultados: Validación de supuestos y análisis de sensibilidad.
3.8 Aplicaciones Prácticas: Estudios de caso y ejemplos de la vida real.
3.9 Herramientas y Software: Uso de software para análisis causal.
3.30 Evaluación y Mejora: Análisis crítico y estrategias para perfeccionar el análisis causal.

4.4 Introducción a los Diagramas Acíclicos Dirigidos (DAGs) y su aplicación.
4.2 Identificación de la Causalidad: Fundamentos de Variables Instrumentales (IV).
4.3 Diseño y Aplicación de la Diferencia en Diferencias (DID).
4.4 Profundización en DAGs: Construcción y Análisis de Estructuras Causales.
4.5 Técnicas Avanzadas de Variables Instrumentales: Selección y Validación.
4.6 DID: Diseño de Experimentos y Análisis de Datos.
4.7 Combinación de DAGs, IV y DID: Estrategias Integradas para el Análisis Causal.
4.8 Evaluación Crítica de Estudios Causales: Fortalezas, Debilidades y Limitaciones.
4.9 Aplicaciones Prácticas: Estudios de Caso y Ejemplos Reales.
4.40 Conclusiones y Próximos Pasos en la Inferencia Causal.

5.5 Estructuras DAG: Fundamentos y Aplicaciones Avanzadas
5.5 Variables Instrumentales: Selección, Validación y Uso Práctico
5.3 Estrategias DID: Diseño y Análisis de Diferencias en Diferencias
5.4 Modelos Causal: Implementación y Evaluación en Datos Reales
5.5 Sesgo y Confounding: Identificación y Mitigación
5.6 Poder y Tamaño de la Muestra en Estudios Causales
5.7 Análisis de Sensibilidad: Robustez de las Conclusiones Causales
5.8 Interpretación de Resultados: Comunicación Efectiva de Hallazgos
5.9 Software y Herramientas: Aplicaciones en R, Python y Stata
5.50 Casos de Estudio: Aplicación de la Inferencia Causal en Diversas Disciplinas

6.6 Fundamentos de la Inferencia Causal: Introducción a DAGs.
6.2 Identificación de Causalidad: Variables Instrumentales (IV).
6.3 Estimación Causal: Diseño de Diferencias en Diferencias (DID).
6.4 Estructura de Datos y Preparación para el Análisis Causal.
6.5 Interpretación de DAGs y sus Implicaciones Causales.
6.6 Aplicación de Variables Instrumentales: Selección y Validación.
6.7 Implementación de DID: Diseño de Experimentos Naturales.
6.8 Casos Prácticos: Análisis de Estudios Reales.
6.9 Desafíos Comunes y Soluciones en la Inferencia Causal.
6.60 Evaluación del Impacto Causal y Conclusiones.

7.7 Estructuras DAG: Construyendo el Mapa Causal.
7.2 Variables Instrumentales: Selección y Evaluación.
7.3 Diferencias en Diferencias (DID): Diseño y Aplicación.
7.4 Identificación y Estimación Causal: Casos Prácticos.
7.7 Evaluación de Supuestos en Inferencia Causal.
7.6 Robustez y Sensibilidad en los Resultados de Inferencia Causal.
7.7 Diseño de Experimentos para Causalidad.
7.8 Herramientas de Software para Análisis Causal.
7.9 Comunicación y Presentación de Hallazgos Causales.
7.70 Ética y Consideraciones en la Inferencia Causal.