Aula 02: Causalidade e Experimentos
Módulo 0 — Motivação
Materiais da aula
Slides
Apresentação usada em sala.
Material de apoio
Experimento A/B e o estudo de John Snow.
Objetivos
- Explicar por que muitas perguntas em ciência de dados são perguntas de causa e efeito.
- Formular uma pergunta causal com resultados potenciais e contrafactual.
- Diferenciar associação, correlação e causalidade.
- Apresentar os elementos de um experimento: tratamento, controle, randomização e replicação.
- Discutir por que estudos observacionais exigem cuidado com variáveis de confusão.
- Usar um experimento A/B como pipeline completo de estudo causal simples.
- Discutir o ensaio da vacina de Salk como exemplo histórico de randomização, placebo, controles observados e ética.
- Usar John Snow como estudo de caso sobre evidência causal em dados observacionais.
Conceitos centrais
- causa e efeito;
- tratamento;
- grupo de controle;
- ensaio randomizado controlado;
- estudo observacional;
- variável de confusão;
- experimento natural;
- hierarquia de evidência.
- resultados potenciais e contrafactual;
- validade interna e externa.
Narrativa da aula
A aula, integrante do Módulo 0 — Motivação, começa com perguntas que parecem simples: um lembrete aumenta entregas? Uma mudança em um sistema melhorou desempenho? Uma política pública aumentou a frequência escolar? Todas tentam comparar o que aconteceu com o que teria acontecido em outro cenário.
Depois disso, a aula apresenta resultados potenciais, o contrafactual, Fisher e a lógica do desenho experimental. O ensaio da vacina de Salk mostra como randomização e placebo constroem uma comparação mais convincente — e por que ética, validade e execução continuam importantes. Um experimento A/B fictício, mas realista, sobre lembretes no Moodle serve como pipeline completo: formular pergunta, gerar ou receber dados, verificar randomização, visualizar grupos, comparar resultados e comunicar limitações.
Na segunda metade, a aula discute o limite dos experimentos: muitas vezes não podemos randomizar pessoas, cidades ou políticas. Entram então os estudos observacionais, o problema do confundimento e o caso de John Snow.
Material de apoio principal
O exemplo computacional principal é Pipeline de experimento A/B. Ele deve ser usado em aula para mostrar a diferença entre “olhar médias” e conduzir uma análise causal mínima com verificações.
Estudo de caso complementar
O estudo de John Snow sobre cólera em Londres complementa o exemplo A/B. Ele permite discutir:
- uma pergunta causal clara;
- uma hipótese dominante errada, a teoria miasmática;
- uma variável de confusão plausível, como pobreza e condições urbanas;
- um quase experimento produzido pela distribuição de fontes de água;
- uma tabela simples que resume uma diferença enorme de mortalidade.
Veja o exemplo documentado em John Snow e cólera em Londres.
Conexão com exercícios
Uma boa atividade curta é apresentar três perguntas e pedir que estudantes classifiquem cada uma como descritiva, preditiva ou causal. Depois, para cada pergunta causal, pedir que indiquem tratamento, resultado, unidade observacional, possíveis confundidores e um desenho de estudo plausível.
Bibliografia da aula
Bibliografia principal
- Adhikari, DeNero e Wagner, Computational and Inferential Thinking, Seção 12.2 — Causality: tratamento, controle, randomização e inferência causal em experimentos.
- Lau, Gonzalez e Nolan, Learning Data Science, Capítulo 2 — Data Scope: população-alvo, amostra, viés de seleção e limites de generalização.
Bibliografia complementar
- Judea Pearl e Dana Mackenzie, The Book of Why: contrafactuais, diagramas causais e a diferença entre associação e intervenção.
- Miguel Hernán e James Robins, Causal Inference: What If: resultados potenciais, confundimento, identificação e validade de estudos causais.