Решения при неполной информации

Неполная информация встречается везде: в продуктовых метриках, клинических наблюдениях, управленческих эксперимиментах и исследованиях. Вопрос не в том, есть ли данные, а в том, что именно они позволяют утверждать: «что с чем связано», «что будет, если вмешаться» или «что было бы при другом решении». Ошибки здесь обычно стоят дороже арифметики — они возникают из-за путаницы причинности, стимулов и обратимости решений.

Программа разбирает три ступени причинного мышления по лестнице Перла: ассоциация, вмешательство и контрфактуал. Вы научитесь находить конфаундеров и понимать, почему один и тот же набор данных может давать разные выводы при разбиении на группы (парадокс Симпсона), а также распознавать коллайдеры и ошибку отбора, когда контроль «по общему следствию» создаёт ложные связи. Далее вы освоите причинные графы (DAG) как рабочий инструмент: формулировать гипотезу, определять, что можно контролировать, а что контролировать нельзя, и выбирать дизайн под задачу.

Отдельный блок посвящён тому, как отличать «сработало» от «сработало у меня»: рандомизированные испытания, естественные эксперименты, разрывный дизайн и difference-in-differences, включая случаи, когда рандомизация невозможна. Затем рассматриваются решения при известных вероятностях: ожидаемая полезность, доминирование и систематические нарушения аксиом фон Неймана—Моргенштерна, различение риска, неопределённости и неоднозначности по Найту, парадокс Эллсберга, ценность информации и опционная ценность, критерий Келли и асимметрия цены ошибок.

Когда в игре есть другие люди, вы разберёте координационные игры, дилемму заключённого и фокальные точки, а также принципал—агент и неблагоприятный отбор: интересы расходятся даже без злого умысла. Отдельно обсуждаются законы Гудхарта и Кэмпбелла, непреднамеренные последствия и «забор Честертона». В части моделей — почему «все модели неверны», как работать с компромиссами смещения и дисперсии, проверять вне выборки и собирать простую системную модель с запасами, потоками и задержками. Наконец, вы научитесь выстраивать доверие: эпистемическая зависимость, разделение когнитивного труда, критерий делегирования, информационные каскады и условия, при которых «мудрость толпы» ломается.

Курс подойдёт руководителям, аналитикам, продакт-менеджерам, основателям, исследователям и врачам, которые принимают решения с последствиями и сталкиваются с наблюдениями, метриками и ограничениями дизайна. Также он полезен тем, кто регулярно слышит «корреляция не означает причинность» и хочет получить практический язык, чтобы заранее объяснять, что именно можно утверждать и как проверять.

К концу вы будете различать ассоциацию, вмешательство и контрфактуал; строить и читать причинные графы; выбирать дизайн под причинный вопрос; интерпретировать результаты с учётом конфаундинга, коллайдеров и отбора. Вы сможете формулировать решения через ожидаемую полезность, ценность информации и критерии скорости/обратимости, а также оценивать риски метрик и стимулов. Дополнительно вы освоите подход к калибровке прогнозов, проверке качества и делегированию доверия, включая работу с языковыми моделями как с источником текста, который нужно верифицировать.