Search
1000 results for “b_causal”
-
👋 My name Joseph Bulbulia (Joe). I’m a professor of psychology at Victoria University, New Zealand. Most of my teaching and research relates to inferring #causaleffects using #paneldata. Prediction = 👎. #causation = 🤙. I have 3x PhD scholarships for students interested in #causalinference, #EpiMastodon, #rstats, #r, #climate psychology, #religion, and #wellbeing. Am developing #b-causal.org to describe my lab’s work.
-
CW: New Zealanders changing attitudes to COVID-19
Some initial descriptive analysis from our national panel study:
https://go-bayes.github.io/b-causal/posts/covid-change/cv.html
#newzealand #nzavs #nz, #rstats, #quantpsych @tepunahamatatini
-
CW: New Zealanders changing attitudes to COVID-19
Some initial descriptive analysis from our national panel study:
https://go-bayes.github.io/b-causal/posts/covid-change/cv.html
#newzealand #nzavs #nz, #rstats, #quantpsych @tepunahamatatini
-
CW: New Zealanders changing attitudes to COVID-19
Some initial descriptive analysis from our national panel study:
https://go-bayes.github.io/b-causal/posts/covid-change/cv.html
#newzealand #nzavs #nz, #rstats, #quantpsych @tepunahamatatini
-
CW: New Zealanders changing attitudes to COVID-19
Some initial descriptive analysis from our national panel study:
https://go-bayes.github.io/b-causal/posts/covid-change/cv.html
#newzealand #nzavs #nz, #rstats, #quantpsych @tepunahamatatini
-
Can we trust self-report data?
John Shaver, Martin Lang & colleagues went to the trouble of benchmarking self-reported religious service attendance against measured attendance in remote Fiji.
TL; DR: there is measurement error. In the villages studied, people overstate religious service attendance.
John isn’t here yet, but you can follow Martin at @martinlangcz
Link:
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0257160#selfreport #survey #psychology #measurement #anthropology #quantmethods
-
Learn how to measure marketing impact without A/B tests using causal inference, Diff-in-Diff, synthetic control, and GeoLift. https://hackernoon.com/when-ab-tests-arent-possible-causal-inference-can-still-measure-marketing-impact #abtesting
-
Learn how to measure marketing impact without A/B tests using causal inference, Diff-in-Diff, synthetic control, and GeoLift. https://hackernoon.com/when-ab-tests-arent-possible-causal-inference-can-still-measure-marketing-impact #abtesting
-
Learn how to measure marketing impact without A/B tests using causal inference, Diff-in-Diff, synthetic control, and GeoLift. https://hackernoon.com/when-ab-tests-arent-possible-causal-inference-can-still-measure-marketing-impact #abtesting
-
Learn how to measure marketing impact without A/B tests using causal inference, Diff-in-Diff, synthetic control, and GeoLift. https://hackernoon.com/when-ab-tests-arent-possible-causal-inference-can-still-measure-marketing-impact #abtesting
-
Learn how to measure marketing impact without A/B tests using causal inference, Diff-in-Diff, synthetic control, and GeoLift. https://hackernoon.com/when-ab-tests-arent-possible-causal-inference-can-still-measure-marketing-impact #abtesting
-
🔥Our study (joint with @[email protected] and @[email protected]) on the impact of residence permits on the labor market attachment of foreign workers in #Liechtenstein has been published in the European Economic Review: https://authors.elsevier.com/a/1gTv%7E3F%7EawXq1 #EconTwitter #CausalTwitter
-
Как мы научились честно считать эффект промокодов: Causal Inference в онлайн-доставке X5 Digital
Сегодня расскажу о модели, которую мы построили для оценки реального эффекта промокодов. Главные вопросы: кому, какой, и зачем мы выдаем промокод. Спойлер: ответ нас удивил. И именно этот ответ стал главной причиной, по которой эту модель вообще стоило строить. Представьте стандартный отчёт по промокампании: «Пользователи, применившие промокод, потратили на 800 рублей больше среднего». Бизнес доволен, маркетинг рапортует об успехе. Но подождите, а сколько из них потратили бы эти деньги и без промокода? Это не риторический вопрос. Это принципиальная проблема, которая называется selection bias — систематическая ошибка отбора.
https://habr.com/ru/companies/X5Tech/articles/1005410/
#causal_inference #differenceindifference #propensity_score_matching #uplift_modeling #a_b_testing #counterfactual_learning #catboost #machine_learning #data_science #python
-
'Directed Cyclic Graphs for Simultaneous Discovery of Time-Lagged and Instantaneous Causality from Longitudinal Data Using Instrumental Variables', by Wei Jin, Yang Ni, Amanda B. Spence, Leah H. Rubin, Yanxun Xu.
-
Apolipoprotein B shortens healthspan and possibly increases risk for Alzheimer’s disease
“APOB increases risk for #Alzheimer’s disease, a condition that ends healthspan. If these relationships are causal, they suggest that interventions to improve healthspan in aging populations could include strategies targeting APOB. Ultimately, given that more than 44 million people currently suffer from Alzheimer’s disease worldwide, such interventions are needed”
#dementia
#CommunicationsBiology https://www.nature.com/articles/s42003-024-05887-2 -
Как оценить акцию без A/B-теста: от простых способов к сложным
Как правильно оценивать влияние кампаний, если А/В-тест не возможен? Рассмотрим несколько вариантов: от самых простых к не самым, но сложным.
https://habr.com/ru/articles/1014924/
#Propensity #ABтест #Оценка #causal_inference #causal_impact #квазиэксперимент #propensity_score_matching
-
Как оценить акцию без A/B-теста: от простых способов к сложным
Как правильно оценивать влияние кампаний, если А/В-тест не возможен? Рассмотрим несколько вариантов: от самых простых к не самым, но сложным.
https://habr.com/ru/articles/1014924/
#Propensity #ABтест #Оценка #causal_inference #causal_impact #квазиэксперимент #propensity_score_matching
-
Как оценить акцию без A/B-теста: от простых способов к сложным
Как правильно оценивать влияние кампаний, если А/В-тест не возможен? Рассмотрим несколько вариантов: от самых простых к не самым, но сложным.
https://habr.com/ru/articles/1014924/
#Propensity #ABтест #Оценка #causal_inference #causal_impact #квазиэксперимент #propensity_score_matching
-
The Worlds' biggest con job continues to take causalities in Business because a lot of people who run businesses seem to be marks...
"B-b-b-b-ut the salesman was so convincing!"
Losers...
https://www.businessinsider.com/pizza-hut-ai-system-dragontail-lawsuit-franchisee-2026-5
-
Как оценить акцию без A/B-теста: от простых способов к сложным
Как правильно оценивать влияние кампаний, если А/В-тест не возможен? Рассмотрим несколько вариантов: от самых простых к не самым, но сложным.
https://habr.com/ru/articles/1014924/
#Propensity #ABтест #Оценка #causal_inference #causal_impact #квазиэксперимент #propensity_score_matching
-
Как мы научились честно считать эффект промокодов: Causal Inference в онлайн-доставке X5 Digital
Сегодня расскажу о модели, которую мы построили для оценки реального эффекта промокодов. Главные вопросы: кому, какой, и зачем мы выдаем промокод. Спойлер: ответ нас удивил. И именно этот ответ стал главной причиной, по которой эту модель вообще стоило строить. Представьте стандартный отчёт по промокампании: «Пользователи, применившие промокод, потратили на 800 рублей больше среднего». Бизнес доволен, маркетинг рапортует об успехе. Но подождите, а сколько из них потратили бы эти деньги и без промокода? Это не риторический вопрос. Это принципиальная проблема, которая называется selection bias — систематическая ошибка отбора.
https://habr.com/ru/companies/X5Tech/articles/1005410/
#causal_inference #differenceindifference #propensity_score_matching #uplift_modeling #a_b_testing #counterfactual_learning #catboost #machine_learning #data_science #python
-
Как мы научились честно считать эффект промокодов: Causal Inference в онлайн-доставке X5 Digital
Сегодня расскажу о модели, которую мы построили для оценки реального эффекта промокодов. Главные вопросы: кому, какой, и зачем мы выдаем промокод. Спойлер: ответ нас удивил. И именно этот ответ стал главной причиной, по которой эту модель вообще стоило строить. Представьте стандартный отчёт по промокампании: «Пользователи, применившие промокод, потратили на 800 рублей больше среднего». Бизнес доволен, маркетинг рапортует об успехе. Но подождите, а сколько из них потратили бы эти деньги и без промокода? Это не риторический вопрос. Это принципиальная проблема, которая называется selection bias — систематическая ошибка отбора.
https://habr.com/ru/companies/X5Tech/articles/1005410/
#causal_inference #differenceindifference #propensity_score_matching #uplift_modeling #a_b_testing #counterfactual_learning #catboost #machine_learning #data_science #python
-
Как мы научились честно считать эффект промокодов: Causal Inference в онлайн-доставке X5 Digital
Сегодня расскажу о модели, которую мы построили для оценки реального эффекта промокодов. Главные вопросы: кому, какой, и зачем мы выдаем промокод. Спойлер: ответ нас удивил. И именно этот ответ стал главной причиной, по которой эту модель вообще стоило строить. Представьте стандартный отчёт по промокампании: «Пользователи, применившие промокод, потратили на 800 рублей больше среднего». Бизнес доволен, маркетинг рапортует об успехе. Но подождите, а сколько из них потратили бы эти деньги и без промокода? Это не риторический вопрос. Это принципиальная проблема, которая называется selection bias — систематическая ошибка отбора.
https://habr.com/ru/companies/X5Tech/articles/1005410/
#causal_inference #differenceindifference #propensity_score_matching #uplift_modeling #a_b_testing #counterfactual_learning #catboost #machine_learning #data_science #python
-
Проксируй это: как ускорить A/B-тесты и не попасть в ловушку метрик
В A/B-тестах хотелось бы смотреть на главную метрику, ту самую North Star, которая показывает успех продукта. Но на практике она почти всегда медленная, шумная и бесполезная для быстрых решений. Например, вы запускаете тест новой системы рекомендаций, ждёте неделю, две, а LifeTime Value не двигается. И непонятно, это потому что нет результата или ещё рано делать выводы. Чтобы не тратить месяцы на догадки, можно воспользоваться прокси-метриками — быстрыми, чувствительными показателями, которые реагируют раньше, чем бизнес-метрика «успевает моргнуть». Проблема в том, что это решение часто требует дополнительные ресурсы. Привет, Хабр! Меня зовут Артем Ерохин, и я Data Scientist в X5 Tech. Я прочитал современные исследования, пропустил их через свой опыт и собрал концентрат подходов к работе с прокси-метриками. Постараюсь передать только суть. Разберемся, зачем нужны прокси, как с ними не выстрелить себе в ногу, где заканчивается польза и начинается самообман.
https://habr.com/ru/companies/X5Tech/articles/974372/
#ab_тестирование #проксиметрики #эксперименты #причинноследственный_анализ #causal_inference #анализ_данных #product_analytics #surrogate_models #north_star_metric #корреляция
-
Проксируй это: как ускорить A/B-тесты и не попасть в ловушку метрик
В A/B-тестах хотелось бы смотреть на главную метрику, ту самую North Star, которая показывает успех продукта. Но на практике она почти всегда медленная, шумная и бесполезная для быстрых решений. Например, вы запускаете тест новой системы рекомендаций, ждёте неделю, две, а LifeTime Value не двигается. И непонятно, это потому что нет результата или ещё рано делать выводы. Чтобы не тратить месяцы на догадки, можно воспользоваться прокси-метриками — быстрыми, чувствительными показателями, которые реагируют раньше, чем бизнес-метрика «успевает моргнуть». Проблема в том, что это решение часто требует дополнительные ресурсы. Привет, Хабр! Меня зовут Артем Ерохин, и я Data Scientist в X5 Tech. Я прочитал современные исследования, пропустил их через свой опыт и собрал концентрат подходов к работе с прокси-метриками. Постараюсь передать только суть. Разберемся, зачем нужны прокси, как с ними не выстрелить себе в ногу, где заканчивается польза и начинается самообман.
https://habr.com/ru/companies/X5Tech/articles/974372/
#ab_тестирование #проксиметрики #эксперименты #причинноследственный_анализ #causal_inference #анализ_данных #product_analytics #surrogate_models #north_star_metric #корреляция
-
Проксируй это: как ускорить A/B-тесты и не попасть в ловушку метрик
В A/B-тестах хотелось бы смотреть на главную метрику, ту самую North Star, которая показывает успех продукта. Но на практике она почти всегда медленная, шумная и бесполезная для быстрых решений. Например, вы запускаете тест новой системы рекомендаций, ждёте неделю, две, а LifeTime Value не двигается. И непонятно, это потому что нет результата или ещё рано делать выводы. Чтобы не тратить месяцы на догадки, можно воспользоваться прокси-метриками — быстрыми, чувствительными показателями, которые реагируют раньше, чем бизнес-метрика «успевает моргнуть». Проблема в том, что это решение часто требует дополнительные ресурсы. Привет, Хабр! Меня зовут Артем Ерохин, и я Data Scientist в X5 Tech. Я прочитал современные исследования, пропустил их через свой опыт и собрал концентрат подходов к работе с прокси-метриками. Постараюсь передать только суть. Разберемся, зачем нужны прокси, как с ними не выстрелить себе в ногу, где заканчивается польза и начинается самообман.
https://habr.com/ru/companies/X5Tech/articles/974372/
#ab_тестирование #проксиметрики #эксперименты #причинноследственный_анализ #causal_inference #анализ_данных #product_analytics #surrogate_models #north_star_metric #корреляция
-
Проксируй это: как ускорить A/B-тесты и не попасть в ловушку метрик
В A/B-тестах хотелось бы смотреть на главную метрику, ту самую North Star, которая показывает успех продукта. Но на практике она почти всегда медленная, шумная и бесполезная для быстрых решений. Например, вы запускаете тест новой системы рекомендаций, ждёте неделю, две, а LifeTime Value не двигается. И непонятно, это потому что нет результата или ещё рано делать выводы. Чтобы не тратить месяцы на догадки, можно воспользоваться прокси-метриками — быстрыми, чувствительными показателями, которые реагируют раньше, чем бизнес-метрика «успевает моргнуть». Проблема в том, что это решение часто требует дополнительные ресурсы. Привет, Хабр! Меня зовут Артем Ерохин, и я Data Scientist в X5 Tech. Я прочитал современные исследования, пропустил их через свой опыт и собрал концентрат подходов к работе с прокси-метриками. Постараюсь передать только суть. Разберемся, зачем нужны прокси, как с ними не выстрелить себе в ногу, где заканчивается польза и начинается самообман.
https://habr.com/ru/companies/X5Tech/articles/974372/
#ab_тестирование #проксиметрики #эксперименты #причинноследственный_анализ #causal_inference #анализ_данных #product_analytics #surrogate_models #north_star_metric #корреляция
-
Albert Xue #biodata22 with "DOTEARS—Causal structure learning using interventional data".
Problem: genes regulate each other in complex networks, usually represented by DAGs. Inferring these from observational data leads to ambiguity in causality (e.g. A->B or B->A).
(Lots of math here describing predecessor "NO TEARS")
DOTEARS uses interventional data (e.g. CRISPR perturbation) to remove edges and measure changes, leading to consistent DAG estimation downstream.
-
Beyond Context Graphs: Agentic Memory, Causal Graphs, Promise Graphs and decision traces by Volodymyr Pavlyshyn is the featured bundle on Leanpub!
How to make agents adopted to enterprice grade tasks
Link: https://leanpub.com/b/beyondcontextgraphs-agenticai
#Ai #DeepLearning #DataScience #SoftwareArchitecture #Databases #DataStructures #SoftwareEngineering
-
@mindbat
The #1 reason "why #AI is unlikely to become conscious" is b/c what we generously call "AI" today, is nothing more than "deep database scrubbing". NOT "intelligence".Data Centers simply scour the internet looking for "links" between things. The more links it finds, the more likely it is to claim something is true.
But as every scientist can tell you:
"Commonality does not prove causality".
#ArticialIntelligence will never replace Natural Stupidity.