NCE/19/ Decisão de apresentação de pronúncia - Novo ciclo de estudos

(1)

NCE/19/1900125 Decisão de apresentação de pronúncia - Novo ciclo de estudos

NCE/19/1900125 Decisão de apresentação

de pronúncia - Novo ciclo de estudos

Decisão de Apresentação de Pronúncia ao Relatório da

Comissão de Avaliação Externa

1. Tendo recebido o Relatório de Avaliação/Acreditação elaborado pela Comissão de Avaliação Externa relativamente ao novo ciclo de estudos Mestrado em Ciência de Dados para Gestão

2. conferente do grau de Mestre

3. a ser lecionado na(s) Unidade(s) Orgânica(s) (faculdade, escola, instituto, etc.) Faculdade De Ciências Económicas E Empresariais (UCP)

4. a(s) Instituição(ões) de Ensino Superior Universidade Católica Portuguesa

5. decide: Apresentar pronúncia 6. Pronúncia (Português):

Recebemos recentemente o relatório preliminar da CAE relativamente ao processo NCE/19/1900125: Mestrado em Ciência de Dados para Gestão.

Agradecemos a informação recebida e os detalhados comentários e recomendações da CAE. Apresentamos de seguida a resposta aos pontos que foram levantados, começando com uma nota geral seguida de comentários a pontos específicos do relatório preliminar.

Nota geral: nas conclusões 13.1, a CAE refere que A proposta é semelhante a cursos de Business Analytics e não de Ciência de Dados para Gestão, principalmente via uma menor exposição a

aprendizagem automática, programação e otimização . Vários comentários da CAE ao longo do texto fazem recomendações no mesmo sentido.

Acolhemos esta recomendação da CAE e propomos alterar a designação do mestrado para Mestrado em Análise de Dados para Gestão (Business Analytics). Em consonância com esta alteração,

propomos implementar as seguintes alterações curriculares, em linha com as recomendações da CAE no ponto 4.11, reforçando e pondo em maior evidência a componente aplicada do programa:

Introduzimos a UC adicional: Econometria de Séries Cronológicas (3.5 ECTS).

Alteramos a designação, conteúdo e duração da UC Tomada de Decisão Baseada em Informação (7 ECTS) para a designação mais focada de Causalidade e Estudos Randomizados (3.5 ECTS).

A UC Gestão de Pessoas passa a obrigatória e incorpora os conteúdos do módulo Criação e Gestão de Equipas.

De forma a reflectir melhor os seus objetivos e conteúdos, alteramos as designações das seguintes UCs: Modelos de Decisão para Programação Matemática e Simulação; Lidar com Informação para Gestão de Base de Dados.

As UCs Visualização de Dados e Tópicos Avançados em Análise Preditiva passam a ser obrigatórias. As UCs Economia de Gestão e Mercados; Teoria da Decisão; Programação Matemática e Simulação passam a ser opcionais.

Introduzimos um novo módulo obrigatório: Career Accelerator Lab (0.5 ECTS), focado na preparação de gestão de carreiras e processos de recrutamento.

Devido a limitações de espaço, incluímos no anexo os comentários relativos ao corpo docente e a alguns pontos específicos do relatório.

(2)

NCE/19/1900125 Decisão de apresentação de pronúncia - Novo ciclo de estudos

Esperamos que, com a alteração de designação, as alterações curriculares introduzidas e os restantes comentários, a CAE esteja em condições de rever a sua recomendação.

7. Pronúncia (Português e Inglês, PDF, máx. 150kB): (impresso na página seguinte)

(3)

(4)

ANEXO

Mestrado em Ciência de Dados para Gestão (NCE/19/1900125)

Pronúncia ao Relatório Preliminar da Comissão de Avaliação Externa (CAE)

Notas relativas a corpo docente e pontos específicos do relatório:

5.7.3. Relativamente às recomendações e comentários sobre o corpo docente do mestrado,

informamos que, desde a submissão do pedido de acreditação do novo ciclo de estudos, a

Faculdade reforçou o seu corpo docente na área do novo mestrado através da contratação

do professor Joren Gijsbrechts, com efeitos a partir de 1 de setembro de 2020. O plano

estratégico da Faculdade menciona explicitamente o objetivo de reforço consistente do corpo

docente em tempo integral, dedicação plena, na área de Business Analytics e Data Science.

Este esforço de contratação tem sido implementado e será reforçado nos próximos anos.

Assim, neste momento, a Faculdade tem vários docentes em tempo integral, dedicação plena,

com formação de base próxima de Business Analytics (Miguel Godinho de Matos, Filipa Reis,

Christian Peukert, Joren Gijsbrechts) e alguns outros que têm desenvolvido nos últimos 5 a 8

anos trabalho de investigação e/ou letivo na área (Fernando Machado, Laura Wagner, Pedro

Raposo, João Borges de Assunção). Complementarmente participam também no mestrado

docentes convidados com formação de base e extensiva experiência aplicada na área de

Business Analytics.

1.9. O período de acreditação do mestrado é extenso, pelo que propusemos um número

máximo de admissões de 120. É nossa intenção iniciar o programa com cerca de 20/30 alunos,

podendo aumentar o número de admissões em função das condições de mercado e dos

recursos internos.

2.3.2. Clarificamos que os candidatos devem apresentar um certificado de licenciatura em

Gestão, Economia, Matemática, Estatística, Informática, Engenharia ou áreas afins.

6.4.3. Não está explícito no pedido do novo ciclo de estudos, mas havendo um maior número

de alunos será aumentado o número de pessoal não-docente, como tem sido prática da

Faculdade.

7.3.1. Não está mencionado no pedido, mas para além do reforço das condições físicas atuais,

está em curso o reforço da parceria, para fins académicos, com a infraestrutura cloud da

Google e/ou da Microsoft (Azure) para ter recursos computacionais que permitem dar

resposta às necessiades de UCs com maiores requisitos computacionais.

Finalmente, pensamos que as recomendações e comentários referidos nos pontos 3.4.3 são

contemplados com a alteração da designação do programa e as alterações curriculares

incorporadas.

(5)

Master of Science in Data Science for Business (NCE/19/1900125)

Pronounce on the Preliminary Report of the External Assessment Team (CAE)

Notes related to faculty and specific points of the report:

5.7.3. Regarding the recommendations and comments on the master's faculty, we inform

that, since the submission of the request for accreditation of the new cycle of studies, the

School has strengthened its teaching staff in the area of the new master through the hiring of

professor Joren Gijsbrechts, with effect as of September 1, 2020. The strategic plan of the

School explicitly mentions the objective of consistent reinforcement of the full-time faculty,

full dedication, in the area of Business Analytics and Data Science. This hiring effort has been

implemented and will be reinforced in the coming years. Currently, the School has thus

several full-time professors, full dedication, with basic training close to Business Analytics

(Miguel Godinho de Matos, Filipa Reis, Christian Peukert, Joren Gijsbrechts) and some others

that have developed, in the last 5 to 8 years, research and/or academic work in the area

(Fernando Machado, Laura Wagner, Pedro Raposo, João Borges de Assunção). In addition, the

program also has the participation of visiting professors with core academic education and

extensive applied experience in the Business Analytics area.

1.9. The program's accreditation period is long, so we have proposed a maximum number of

admissions of 120. It is our intention to start the program with around 20/30 students, with

the possibility of increasing the number of admissions depending on market conditions and

internal resources.

2.3.2. We clarify that candidates must present a degree certificate in Management,

Economics, Mathematics, Statistics, Informatics, Engineering or related areas.

6.4.3. It is not explicit in our proposal for the new cycle of studies, but with a greater number

of students, the number of non-teaching staff will be increased, as has been the practice of

the School.

7.3.1. It is not mentioned in the proposal, but in addition to strengthening the current physical

conditions, there is an ongoing consolidation of the partnership, for academic purposes, with

the cloud infrastructure of Google and / or Microsoft (Azure) to have computational resources

that allow to respond to the needs of CUs with more demanding computational requirements.

Finally, we think that the recommendations and comments referred to in points 3.4.3 are

contemplated with the change in the program’s name and the incorporated curricular

adjustments.

Anexos/Attachments:

FCD: Professor Joren Gijsbrechts

FCD: Professor João Valle e Azevedo

FUC: Causality and Experiments

(6)

Ficha Curricular de Docente

Dados Pessoais

Nome | Name Joren Gijsbrechts

Instituição de ensino superior | Higher

education institution Universidade Católica Portuguesa

Unidade orgânica | Unit Católica Lisbon School of Business and Economics

Filiação em Centro de Investigação (se aplicável) | Research Center Membership (if

applicable)

Categoria | Category

Área em que é reconhecido como especialista | Area in which you are

recognized as a specialist

Grau académico | Degree Doutor

Área científica do grau académico |

Scientific area of the degree Operations Management

Ano de obtenção do grau académico |

Year of this degree 2020 [Agosto]

Instituição conferente do grau académico

| Institution that awarded this degree KU Leuven Regime de tempo na UCP | Employment

link with UCP (%) 100%

Outros graus académicos ou títulos

Ano Year Grau ou título Degree or title Área

Area Instituição Institution Classificação Classification

2002 MSc Business Engineering University of Antwerp Cum laude

2001 Bachelor Business Engineering University of Antwerp Cum laude

Atividades científicas | Artigos em revistas internacionais, livros ou capítulos de livros, com revisão por pares (até 5 referências em formato APA)

Scientific activities | Publications in international journals with peer review, books or chapters of books, relevant to the study programmes (up to 5 references, APA style)

Lemmens N, Gijsbrechts J, Boute RN, Synchromodality in the Physical Internet – dual sourcing and real-time switching between transport modes. Eur. Transp. Res. Rev. 11: 19. 2018.

(7)

Atividades de desenvolvimento de natureza profissional de alto nível | Atividades de desenvolvimento tecnológico, prestação de serviços ou formação avançada

relevantes para os ciclos de estudos lecionados (até 5 referências)

High level professional development activities | Technological and advanced training activities and consultancy relevant to the study programmes (up to 5 references)

2019, SOAR Blujay Conference. Keynote at customer conference for ±600 practitioners. Orlando FL, US. [Industry Speaking]

2019, Re-Work Applied Deep Reinforcement Learning Conference. Presentation and panel

discussion on applying DRL in industry for ±200 practitioners from the tech industry. San Francisco CA, US. [Industry Speaking]

Outras publicações relevantes, designadamente de natureza pedagógica (até 5 referências)

Other relevant publications, in particular of pedagogical nature (up to 5 references)

Gijsbrechts J, Boute RN, Van Mieghem JA, Zhang DJ, Can Deep Reinforcement Learning Improve Inventory Management? Performance on Dual Sourcing, Lost Sales and Multi-Echelon Problems (July 29, 2019). Available at: https://ssrn.com/abstract=3302881 or

http://dx.doi.org/10.2139/ssrn.3302881. [R&R Management Science]

Gijsbrechts J, Boute RN, Disney SM, Van Mieghem JA, Local Supply Inflexibility in Dual-Source Supply Chains: Optimal policy and Cost Implications. Working paper at KU Leuven. [Submission Fall 2019]

Vanvuchelen N, Boute RN, Gijsbrechts J, Machine Learning for Collaborative Shipping. Use of Proximal Policy Optimization for the Joint Replenishment Problem. Working paper at KU Leuven. [Submission Fall 2019]

Yee H, Boute RN, Gijsbrechts J, Synchromodal Planning under Stochastic Travel Times. Working paper at KU Leuven. [Submission Fall 2019]

Experiência profissional relevante (até 5 referências) Relevant Professional Experience (5 references)

2019. Master In Supply Chain Management and Digital Innovation (Schmidt), Two-day workshop on the impact of Machine Learning on Operations Management. Catholic University Milan, Italy

2019. Supply Chain Bootcamp - Masters in General Management, Guest lectures on the impact of Machine Learning on Operations Management, Offshoring versus Onshoring and the Physical Internet. Vlerick Business School, Belgium

2018-2019. Introduction to Operations Management, Lectures on Factory Physics. KU Leuven, Belgium

2014-2016, Junior Manager, Procter and Gamble. Demand Forecasting and Coordination of monthly Sales & Operations Planning cycle for the Scandinavian market. Stockholm, Sweden.

Unidades curriculares a lecionar no ciclo de estudos proposto

Unidade curricular

Curricular unit Ciclo de estudos Program Tipo* Type*

Nº horas contacto

Total contact hours Foundations of Statistics and Econometrics

with Applications in R

MSc Business Analytics TP 36

* Horas de contacto discriminadas por tipo de aula (T - Ensino teórico; TP - Ensino teórico-prático; PL - Ensino prático e laboratorial; S - Seminário; O - Outro).

(8)

Ficha Curricular de Docente

Dados Pessoais

Nome | Name João Valle e Azevedo

Instituição de ensino superior | Higher

education institution Universidade Católica Portuguesa

Unidade orgânica | Unit Católica Lisbon School of Business and Economics

Filiação em Centro de Investigação (se aplicável) | Research Center Membership (if

applicable)

Categoria | Category

Área em que é reconhecido como especialista | Area in which you are

recognized as a specialist

Grau académico | Degree Doutor

Área científica do grau académico |

Scientific area of the degree Economics

Ano de obtenção do grau académico |

Year of this degree 2007

Instituição conferente do grau académico

| Institution that awarded this degree Stanford University Regime de tempo na UCP | Employment

link with UCP (%) 12,5%

Outros graus académicos ou títulos

Ano Year Grau ou título Degree or title Área

Area Instituição Institution 2007 PhD Economics Stanford University

2002 MSc Statistics London School of Economics and _{Political Science}

2001 Bachelor Mathematics Applied to _{Economics and Business} Lisbon School of Economics and _{Management (ISEG)}

Atividades científicas | Artigos em revistas internacionais, livros ou capítulos de livros, com revisão por pares (até 5 referências em formato APA)

Scientific activities | Publications in international journals with peer review, books or chapters of books, relevant to the study programmes (up to 5 references, APA style)

Ercolani, V., Valle e Azevedo, J. (2019). How can the government spending multiplier be small at the zero lower bound?. Macroeconomic Dynamics, 23 (8), 3457-3482.

Valle e Azevedo, J., Pereira, A. (2018). Macroeconomic forecasting using low-frequency filters. Oxford Bulletin of Economics and Statistics, 80 (1), 39-64.

Valle e Azevedo, J., e Jalles, J. T. (2017). Model-based vs. professional forecasts: implications for models with nominal rigidities. Macroeconomic Dynamics, 21 (1), 130-159.

(9)

Teles, P., Uhlig, H., & Valle e Azevedo, J. (2016). Is quantity theory still alive?. The Economic Journal, 126(591), 442-464.

Ercolani, V., & e Azevedo, J. V. (2014). The effects of public spending externalities. Journal of Economic Dynamics and Control, 46, 173-199.

Atividades de desenvolvimento de natureza profissional de alto nível | Atividades de desenvolvimento tecnológico, prestação de serviços ou formação avançada

relevantes para os ciclos de estudos lecionados (até 5 referências)

High level professional development activities | Technological and advanced training activities and consultancy relevant to the study programmes (up to 5 references)

Universidade Nova de Lisboa - Professor Associado Convidado, Nova School of Business and Economics, desde 2018

Universidade Católica Portuguesa - Professor Convidado, Faculdade de C. Económicas e Empresariais, desde 2012

Universidade Nova de Lisboa Professor Auxiliar Convidado, Nova School of Business and Economics, 2008-2017

Stanford University Professor Assistente, Department of Economics, 2005/2006

Outras publicações relevantes, designadamente de natureza pedagógica (até 5 referências)

Other relevant publications, in particular of pedagogical nature (up to 5 references)

Valle e Azevedo, João, Bonfim, Diana (2019). Deposit insurance and cross-border banks. CESifo

DICE Report, 17 (1), 14-20.

Valle e Azevedo, João, Pereira, Ana (2013). Approximating and forecasting macroeconomic signals in real-time. International Journal Of Forecasting, 29 (3 - July 2013), 479-492.

Valle e Azevedo, João (2011). A multivariate band-pass filter for economic time series. Journal of the

Royal Statistical Society. Series C: Applied Statistics, 60 (1), 1-30.

Koopman, Siem Jan, Valle e Azevedo, João (2008). Measuring synchronization and convergence of business cycles for the euro area, UK and US. Oxford Bulletin of Economics and Statistics, 70 (1), 23-51.

Valle E Azevedo, João, Koopman, Siem Jan, Rua, António (2006). Tracking the business cycle of the euro area: A multivariate model-based bandpass filter. Journal of Business and Economic Statistics, 24 (3), 278-290.

Experiência profissional relevante (até 5 referências) Relevant Professional Experience (5 references)

Banco de Portugal - Coordenador da Área de Política Monetária, Departamento de Estudos Económicos, desde 2015.

Banco de Portugal - Economista Investigador, Departamento de Estudos Económicos; Área de Política Monetária, 2013-2014; Área de Finanças Públicas e Estudos Estruturais, 2007-2013. Eurosistema - Membro do Monetary Policy Committee, desde 2019

(10)

Unidades curriculares a lecionar no ciclo de estudos proposto

Unidade curricular

Curricular unit Ciclo de estudos Program Tipo* Type*

Nº horas contacto

Total contact hours Time Series Econometrics MSc Business Analytics TP 18

Outras unidades curriculares a lecionar Curricular units taught

Unidade curricular Curricular unit Ciclo de estudos Program Tipo* Type* Nº horas contacto Total contact hours Time Series Econometrics MSc Economics TP 27

(11)

Ficha de Unidade Curricular

Unidade Curricular

Causalidade e Estudos Randomizados Curricular Unit

Causality and Randomized Experiments

Docente responsável e respetivas horas de contacto na Unidade Curricular (preencher o nome completo)*

Responsible academic staff member and contact hours in the curricular unit (fill in the full name)*

Miguel Godinho de Matos – TP 18h + PL6h

Outros docentes que lecionam a unidade curricular e respetivas horas de contacto na unidade curricular*

Other academic staff and contact hours in the curricular unit* --

Objetivos de aprendizagem (conhecimentos, aptidões e competências a desenvolver pelos estudantes)

O objetivo desta unidade curricular é ensinar os alunos a transformar dados de atividade de clientes e utilizadores em business intelligence útil, tal como a compreensão das preferências e comportamentos do utilizador, que permite o desenvolvimento de melhores políticas e táticas, bem como estratégias e planos de negócios.

A unidade centrar-se-á em aplicações e interpretações dos resultados da análise de dados. Os tópicos abordados incluem o design e análise de estudos randomizados e metodologias para extrair causalidade de dados observacionais.

Após completar esta unidade curricular, o aluno deverá:

- Ser capaz de recolher e analisar dados para apoiar a tomada de decisões em problemas do mundo real

- Ser capaz de distinguir e planear diferentes tipos de estudos randomizados - Saber planear e analisar dados gerados por estudos randomizados e contextos

(12)

Learning outcomes of the curricular unit (knowledge, skills and competences to be developed by the students)

The goal of this course is to teach students how to transform customer and user activity data into valuable business intelligence such as an understanding of user preferences and behaviors that allow for the development of better business policies, tactics and actionable strategies and plans.

The course will focus on applications and interpretations of the results of data analysis. Topics covered include the design and analysis of randomized field experiments and methodologies for extracting causality from observational data.

After taking this course you should be able to:

- Be able to collect and analyze data to support decision making in real-world problems

- Be able to distinguish and plan different types of randomized experiment

- Know how to plan and analyze data generated by randomized experiments and observational contexts

Conteúdos programáticos 1. Causalidade vs Correlação 2. Estudos Randomizados

a. O que e como testar

b. Dimensões de efeito, variância e dimensão de amostra c. Escolhas de design experimental (blocking, pairing, repeated

measurements)

d. Ameaças à validade interna e externa e. Desafios éticos

3. Medição de efeitos de tratamento heterogéneos a. Abordagens baseadas em teoria

b. Abordagens baseadas em dados com utlização de aprendizagem automática

4. Inferência causal em dados observacionais a. Propensão de resultados comparados b. Metodologias diferenças-em-diferenças Syllabus

1. Causality vs Correlation 2. Randomized Experiments

a. What and how to test

b. Effect sizes, variance and sample size

c. Experimental design choices (blocking, pairing, repeated measurements) d. Threats to internal and external validity

e. Ethical challenges

3. Measuring heterogeneous treatment effects a. Theory based approaches

b. Data driven approaches using machine learning 4. Causal inference in observational data

a. Propensity score matching

(13)

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da unidade curricular

A presente unidade curricular está estruturada sobre quatro grupos curriculares. Esses módulos abrangem os conceitos básicos de análise econométrica de causalidade (1), o design e a implementação de estudos randomizados (2) o estudo de efeitos de

tratamento heterogéneos, incluindo a utilização a modelos de aprendizagem automáticas robustos ex-post (3) e ferramentas para causalidade em dados observacionais (4). A unidade curricular terá sessões hands-on em que os alunos aprenderão na prática como usar software estatístico para analisar conjuntos de dados do mundo real no contexto de estudos randomizados. A unidade é de caráter prático e contará com a utilização da ferramenta estatística de código aberto chamada R.

R é um conjunto integrado de instalações de software para manipulação de dados, cálculo e exibição gráfica. Entre outras coisas, possui uma capcidade eficaz de

manipulação e armazenamento de dados, um conjunto de operadores para cálculos em matrizes, uma coleção grande, coerente e integrada de ferramentas intermediárias para análise de dados, instalações gráficas para análise de dados e exibição diretamente em computador ou em cópia impressa. O idioma inclui condicionais, loops, funções

recursivas definidas pelo utilizador e recursos de entrada e saída. O R é um veículo para o desenvolvimento de métodos de análise interativa de dados e é cada vez mais utilizado em gestão.

Demonstration of the syllabus coherence with the curricular unit’s objectives We plan this course around four curricular groups. These modules cover the basics of econometric analysis for causality (1), the design and implementation of randomized experiment (2) the study of heterogenous treatment effects, including the use of ex-post robust machine learning models to do so (3) and tools for causality in observational data (4).

The course will have hands-on sessions where students will learn in practice how to use statistical software to analyse real world datasets in the context of randomized

experiments. The course is hands on and will rely on the use of an open source statistical tool called R.

R is an integrated suite of software facilities for data manipulation, calculation and

graphical display. Among other things it has an effective data handling and storage facility, a suite of operators for calculations on arrays, in particular matrices, a large, coherent, integrated collection of intermediate tools for data analysis, graphical facilities for data analysis and display either directly at the computer or on hardcopy. The language includes conditionals, loops, user defined recursive functions and input and output facilities. R is very much a vehicle for newly developing methods of interactive data analysis and is increasingly used in business.

Metodologias de ensino (avaliação incluída)

A unidade curricular é baseada num estudo de caso integrativo que vincula a teoria e os métodos a um contexto de decisão em que os dados podem ser um input valioso para uma decisão de gestão significativa.

(14)

A avaliação é dividida em três componentes que incluem 10% de participação nas aulas, 40% no projeto e 50% no exame final.

Teaching methodologies (including evaluation)

The course is based on an integrative case study that links the theory and methods to a decision context where data can be a valuable input for an important business decision. The course combines theoretical lectures with hands-on sessions and a small project that together are designed to walk students along the typical phases of a decision-making context in business.

Evaluation is split in three components that include class participation 10%, a course project 40% and a final exam 50%.

Demonstração da coerência das metodologias de ensino com os objetivos de aprendizagem da unidade curricular

Nas sessões teóricas, a unidade curricular fornece uma compreensão avançada das teorias mais recentes relacionadas com a utilização de estudos randomizados para tomada de decisão. Além disso, nos laboratórios práticos, os alunos são orientados pelo uso de ferramentas práticas que serão aplicadas por conta própria em um projeto de curso que leva os alunos a usar conjuntos de dados e software do mundo real no contexto de situações relevantes de decisão de negócios.

Demonstration of the coherence between the teaching methodologies and the learning outcomes

In the theory sessions, the course provides state-of-the-art understanding of the most recent theories behind the use of randomized experiments for decision making. In addition, in the hands-on labs students are guided through the use of practical tools that they will then apply on their own in a course project that takes students to use real world datasets and software in the context of relevant business decision situations.

(15)

Bibliografia principal Main bibliography

The course will use chapters of several books as well as research articles for state of the art methods that are not yet compiled in book form.

For the design and analysis of randomized experiments we will chapters from:

- Gerber, Alan S., and Donald P. Green. Field experiments: Design, analysis, and interpretation. WW Norton, 2012.

For measuring heterogeneous treatment effects we will use:

- Athey, Susan, and Guido W. Imbens. "The state of applied econometrics:

Causality and policy evaluation." Journal of Economic Perspectives 31.2 (2017): 3-32.

- Athey, Susan, et al. "Estimating average treatment effects: Supplementary analyses and remaining challenges." American Economic Review 107.5 (2017): 278-81.

- Wager, Stefan, and Susan Athey. "Estimation and inference of heterogeneous treatment effects using random forests." Journal of the American Statistical Association 113.523 (2018): 1228-1242.

For propensity cusality in observational data we will use:

- Angrist, Joshua D., and Jörn-Steffen Pischke. Mastering'metrics: The path from cause to effect. Princeton University Press, 2014.

- Resources from Gary King’s matching project https://gking.harvard.edu/publications/term/1585

(16)

Ficha de Unidade Curricular

Fundamentos de Estatística e Econometria com Aplicações em R Curricular Unit

Foundations of Statistics and Econometrics with Applications in R

Joren Gijsbrechts – TP 36h

Esta unidade curricular oferece uma introdução aos conceitos elementares da análise estatística e, ao mesmo tempo, apresenta aos alunos o software estatístico R. A unidade está dividida em duas partes: 1) Introdução ao R e 2) Estatística e R. No final desta unidade, os alunos devem compreender conceitos estatísticos fundamentais e estar preparados para realizar análises estatísticas utilizando o R.

Depois de completar esta unidade, os alunos devem:

- Conhecer os conceitos básicos de estatística amplamente utilizados na análise econométrica;

- Distinguir diferentes tipos de formatos de dados (secção transversal, dados de painel, etc.) e como estes podem ser analisados;

- Ter experiência prática no uso de modelos econométricos para analisar conjuntos de dados reais.

Learning outcomes of the curricular unit (knowledge, skills and competences to be developed by the students)

This course provides an introduction to the elementary concepts of statistical analysis while concurrently introducing students to the statistical software R. The course is divided into two parts: 1) Getting Started with R and 2) Statistics and R. At the end of this course students should understand fundamental statistical concepts and be prepared to perform statistical analysis using R.

After taking this course, students should be able to:

- Know the basic concepts of statistics that are heavily relied upon in econometric analysis

- Distinguish different types of data formats (cross section, panel data, etc.) and how they can be analysed.

- Have hands-on experience with using econometric models to analyse real-world datasets.

(17)

Conteúdos programáticos Revisão de Estatística

a. Distribuições de probabilidades, distribuições de amostragem e o Teorema do Limite Central

b. Estimativa de ponto e intervalo c. Teste de hipóteses

Recolha de dados

a. Diferentes tipos de dados (quantitativos vs. qualitativos; dados primários vs. secundários)

b. Evitar enviesamentos na recolhe de dados (e.g., selection bias, recall bias, survivorship

bias)

c. Desenho e amostragem de questionários Análise de dados exploratória

a. Sugestão de hipóteses sobre as causas de fenómenos observados b. Avaliação de suposições nas quais se baseará a inferência estatística

c. Fundamentação da seleção de ferramentas e técnicas estatísticas apropriadas Introdução à análise de regressão

a. Modelo Ordinário de Mínimos Quadrados b. Estimativa

c. Inferência

d. Modelos Log-linear, Linear-Log and Log-log

e. Variáveis dummy, efeitos não-lineares e interações Variáveis dependentes limitadas

a. Logit and Probit

b. Modelos de dados de contagem

Informação em gestão e tomada de decisão a. Dados para informação de tomada de decisão

b. Tipos de dados em gestão (Cross section, Panel data, Time Series) Modelos de dados em painel

a. Difference-in-differences b. First differences

c. Fixed effects

Case studies and business applications Syllabus

Refresh on Statistics

a. Probability distributions, Sampling distributions and Central Limit Theorem b. Point and interval estimation

c. Hypothesis testing. Data collection

a. Different types of data (quantitative vs. qualitative; primary vs. secondary data) b. Avoiding biases in data collection (e.g., selection bias, recall bias, survivorship bias) c. Questionnaire design and sampling

(18)

a. Suggest hypotheses about the causes of observed phenomena b. Assess assumptions on which statistical inference will be based c. Support the selection of appropriate statistical tools and techniques Introduction to Regression Analysis

a. Ordinary Least Squares Model b. Estimation

c. Inference

d. Log-linear, Linear-Log and Log-log models

e. Dummy variables, non-linear effects and Interactions Limited Dependent Variables

a. Logit and Probit b. Count data models

Data in business and decision making a. Data to inform decision making

b. Types of data in business (Cross section, Panel data, Time Series) Panel data models

a. Difference-in-differences b. First differences

c. Fixed effects

Case studies and business applications

A unidade curricular foi desenvolvida para promover a compreensão dos conceitos teóricos-chave em estatística inferencial e obter experiência prática usando o software estatístico (R) para conduzir procedimentos de estatística inferencial. A estrutura da unidade deve também ajudar os alunos a compreender as diferenças entre várias técnicas estatísticas e identificar a técnica apropriada a ser usada em problemas e formatos de dados específicos.

Demonstration of the syllabus coherence with the curricular unit’s objectives The course is designed in order to promote the students’ understanding of key theoretical concepts in inferential statistics and gain practical experience using statistical software (R) to conduct inferential statistics procedures. The course structure should also help the students understand the differences among various statistical techniques and identify the appropriate technique to be used in a specific problem and data format.

A unidade curricular consistirá em aulas teórico-práticas nas quais os principais conceitos teóricos serão apresentados, acompanhados de exemplos de análise de dados do mundo real. Um foco significativo será colocado na escolha das ferramentas estatísticas

apropriadas, na implementação em R e na interpretação correta dos resultados usando exemplos de dados do mundo real.

(19)

- Midterm 25% - Endterm 25%

- Trabalho de grupo 50%

The course will consist in theoretical-practical lectures in which the key theoretical concepts will be presented accompanied with real world data-analysis examples. A significant focus will be placed on choosing the appropriate statistical tools, implementing them in R, and correctly interpreting their results using real-world data examples.

Grading:

- Midterm 25% - Endterm 25% - Group project 50%

A unidade curricular é projetada para que os alunos sejam expostos aos conceitos e ferramentas teóricas fundamentais em estatística inferencial e suas aplicações na prática. No final do curso, os alunos saber utilizar R para explorar dados numérica e

graficamente, e utilizar métodos econométricos para análise de dados. Por fim, a unidade promoverá a compreensão dos alunos sobre a utilidade da estatística e econometria, bem como a consciencialização sobre questões éticas relacionadas com a recolha, análise e reporte de dados.

(20)

The course is designed so that students are exposed both to the fundamental theoretical concepts and tools in inferential statistics and their applications in practice. At the end of the course students should be comfortable using R to explore data numerically and graphically, and using econometric methods for data analysis. Finally, the course will promote students understanding of the usefulness of statistics and econometrics as well as awareness of the ethical issues pertaining to data collection, analysis, and reporting.

- JWB: Jeffrey Wooldridge, Introductory Econometrics: A Modern Approach, 5 ed. Thomson

- Field, A; Miles, J.; Field, Z., Discovering Statistics Using R, Sage.

(21)

Ficha de Unidade Curricular

Econometria de Séries Cronológicas Curricular Unit

Time Series Econometrics

João Valle e Azevedo – TP 18h

O objetivo desta unidade curricular é oferecer aos alunos as ferramentas básicas para descrever, analisar e modelar dados de séries cronológicas. Depois de concluir esta unidade, os alunos devem ter adquirido:

- As competências básicas necessárias para realizar investigação empírica usando conjuntos de dados de séries cronológicas em áreas como macroeconomia e finanças.

- A capacidade de avaliar criticamente a qualidade dos modelos e análises económicos utilizando dados de séries cronológicas.

- Conhecimento das principais premissas, propriedades e limitações dos modelos lineares, bem como das possíveis soluções para as armadilhas mais comuns. Learning outcomes of the curricular unit (knowledge, skills and competences to be developed by the students)

The goal of this course is to provide students with the basic tools to describe, analyze and model time series data. After completing this course, students should have acquired:

- The basic skills needed to conduct empirical research using time series datasets in fields such as macroeconomics and finance.

- The ability to critically assess the quality of economic models and analyses using time series data.

- Awareness of the key assumptions, properties, and limitations of linear models as well as possible solutions for the most common pitfalls.

(22)

Conteúdos programáticos 1. Introdução

1.1. Natureza das séries cronológicas 1.2. Séries cronológicas estacionárias

1.3. Processos Auto-regressivos (AR) e com Média Móvel (MA) 1.4. Modelos com lags distribuídos

2. Modelo de Regressão Linear com séries cronológicas 2.1. Hipóteses-padrão

2.2. Propriedades de O LS

2.3. Tendência temporal e sazonalidade

2.4. Estacionariedade e não-estacionariedade: consequências 2.5. Testes de raízes unitárias

2.6. Introdução à Cointegração

3. Violação de hipóteses-padrão: correlação serial e heteroscedasticidade 3.1. Propriedades de OLS

3.2. Detectar e corrigir a correlação temporal 3.3. Inferência Robusta

4. Autoregressões vectoriais 4.1. Noções Básicas

4.2. Estimativa

4.3. Causalidade de Granger

4.4. Raízes unitárias e cointegração

5. Séries cronológicas no domínio da frequência (se o tempo permitir) 5.1. Representação espectral de séries cronológicas estacionárias 5.2. Densidade espectral

5.3. Filtros lineares, Gain e Fase do filtro 5.4. HP e filtros de banda-passagem

5.5. Caracterização bivariada: Coerência e Fase Syllabus

1. Introduction

1.1.Nature of time series 1.2.Stationary Time Series

1.3.Auto-Regressive (AR) and Moving Average (MA) Processes 1.4.Distributed lag Models

2. Linear Regression Model with Time series 2.1.Standard Assumptions

2.2.Properties of OLS

2.3.Time trends and seasonality

2.4.Stationarity and Non-stationarity: consequences 2.5.Unit Roots tests

2.6. Introduction to Cointegration

3. Violation of Standard Assumptions: Serial Correlation and Heteroskedasticity 3.1.Properties of OLS

3.2.Detecting and correcting serial correlation 3.3.Robust inference

(23)

4. Vector Autoregressions 4.1.Basic Notions

4.2.Estimation

4.3.Granger Causality

4.4.Unit Roots and Cointegration

5. Time Series in the Frequency Domain (time allowing) 5.1.Spectral Representation of Stationary Time Series 5.2.Spectral Density

5.3. Linear Filters, Gain and Phase 5.4.HP filter and Band-Pass filters

5.5.Bivariate characterization: Coherence and Phase

Esta unidade curricular analisa as especificidades do modelo de regressão linear com dados de séries cronológicas e apresenta modelos estatísticos univariados com o objetivo de descrever e prever séries cronológicas. A unidade aborda séries de elevada

persistência e relações de longo prazo entre essas séries, introduzindo também análises espectrais. Os alunos serão expostos aos conceitos teóricos fundamentais e também às aplicações práticas desses conceitos usando dados do mundo real. Esses conteúdos e abordagens constituem uma base essencial para atingir o objetivo da unidade de

preparar os alunos para compreender, analisar e modelar dados de séries cronológicas. Demonstration of the syllabus coherence with the curricular unit’s objectives This course analyzes the specificities of the linear regression model with time series data and introduces univariate statistical models aimed at describing and forecasting time series. It deals with highly persistent series and long-run relations between such series and also introduces spectral analysis. Students will be exposed to both the fundamental theoretical concepts and also to practical applications of those concepts using real world data. These contents and approach constitute an essential foundation for achieving the course’s goal of preparing students to understand, analyze, and model time series data.

A unidade curricular combina palestras teóricas com exercícios práticos utilizando dados do mundo real. A avaliação da unidade incluirá uma componente individual (exame final no valor de 70% da nota final) e um projeto de grupo (30% da nota final).

The course combines theoretical lectures with practical exercises using real world data. The course’s evaluation will include both an individual component (a final exam worth 70% of the final grade) and a group project (30% of the final grade).

As metodologias de ensino da unidade curricular são projetadas para garantir em primeiro lugar que os alunos adquirem uma base teórica sólida na análise de dados de séries

(24)

fora da sala de aula) e colaborando com outros para produzir um relatório sobre a análise de conjuntos de dados do mundo real, num projeto de grupo.

The course teaching methodologies are designed to ensure that, firstly, students completing this course will acquire a solid theoretical foundation on the analysis of time series data. Secondly, the course aims to provide students with some practical experience analyzing time series data individually (in and out of the classroom) and by collaborating with others to produce a report on the analysis of real world dataset in a group project.

- Hamilton, J., Time Series Analysis, Princeton University Press Cochrane, J. (2005) - Time Series for Macroeconomics and Finance,

http://faculty.chicagobooth.edu/john.cochrane/research/Papers/time_series_book.p df