SPDX-FileCopyrightText: 2022 Julia Rohrer, Karsten Lübke
SPDX-FileContributor: 2024 Johannes Keyser
Entwicklung eines MOOC für den [KI-Campus](https://ki-campus.org/) zum Einstieg in die Kausale Inferenz in Kooperation mit [Julia Rohrer](https://juliarohrer.com/)(Projektleitung), Universität Leipzig.
SPDX-License-Identifier: CC-BY-SA-4.0
-->
Details siehe z.B. [FOM forscht Wissenschaftsblog](https://www.fom-blog.de/2021/07/einstiegskurs-kausale-inferenz-wird-gemeinsam-von-der-universitaet-leipzig-und-der-fom-hochschule-mit-einer-foerderung-durch-das-bmbf-entwickelt/).
# Einführungskurs Kausale Inferenz
Link zum Kurs auf den KI-Campus: [https://ki-campus.org/courses/wwweki](https://ki-campus.org/courses/wwweki)
## Beschreibung
**Videos**:
Dieses Projekt enthält Materialien für den [KI-Campus-Kurs _Was, wie, warum? - Einführungskurs Kausale Inferenz_](https://ki-campus.org/courses/wwweki) von [Dr. Julia Rohrer](https://juliarohrer.com/)(Universität Leipzig) und [Prof. Dr. Karsten Lübke](https://ki-campus.org/node/793)(FOM Hochschule):
Hier fehlen auch die begleitenden Interviews mit angesehen Expert:innen aus unterschiedlichen Fachgebieten, die ihre kausalen Fragestellungen und Lösungsansätze vorstellen. Diese finden Sie unter [https://wwweki.gitlab.io/interviews/](https://wwweki.gitlab.io/interviews/).
Die enthaltenen Materialien sollen es Lehrkräften erleichtern, das Kursmaterial für den eigenen Unterricht anzupassen.
**Literatur**:
Wenn Sie das Material studieren wollen, besuchen Sie am besten den originalen Kurs auf [ki-campus.org/courses/wwweki](https://ki-campus.org/courses/wwweki).
- Rohrer, J. M. (2018). Thinking clearly about correlations and causation: Graphical causal models for observational data. *Advances in Methods and Practices in Psychological Science*, 1(1), 27-42. [https://doi.org/10.1177%2F2515245917745629](https://doi.org/10.1177%2F2515245917745629)
Dieses Projekt ist eine Kopie (ein _Fork_) von <https://github.com/luebby/WWWEKI>, mit folgenden (geplanten) Modifikationen:
- Lübke, K., Gehrke, M., Horst, J., & Szepannek, G. (2020). Why we should teach causal inference: Examples in linear regression with simulated data. *Journal of Statistics Education*, 28(2), 133-139. [https://doi.org/10.1080/10691898.2020.1752859](https://doi.org/10.1080/10691898.2020.1752859)
- (Einige) HTML-Texte werden in Markdown umgewandelt.
- (Einige) Diagramme werden in SVG umgewandelt.
- Die R-Markdown-Dateien (die Grundlage der ShinyApps) werden (auch) in IPython-Notebooks umgewandelt.
- Beispieldatensätze werden als lokale CSV-Dateien bereitgestellt.
Eine genauere Aufschlüsselung der Änderungen finden Sie in Datei [CHANGELOG.md](CHANGELOG.md).
### Was dies nicht ist
Die Lernerfahrung des Kurses auf KI-Campus soll gewährleistet bleiben:
Insbesondere enthält dieses Projekt keine der benoteten Testfragen oder -antworten, da diese im Originalkurs nur unter Zeitdruck zugänglich sind und das Kurszertifikat von ihnen abhängt.
## Installation
Mit [Anaconda](https://anaconda.org/) können Sie alles in einer neuen virtuellen Umgebung mit einem Befehl installieren:
Um das Material auf GitHub oder GitLab usw. zu betrachten wird nur ein Webbrowser benötigt.
Um die IPython-Notebooks (d.h. die Dateien mit der Endung `.ipynb`) auszuführen oder zu ändern, müssen Sie Jupyter (oder einen geeigneten Editor) installieren.
- FIXME: Testen/Erklärung von Ansatz mit Jupytext!
Sie müssen den `R`-Kernel für Jupyter installieren, um die R-Codezellen ausführen zu können.
Der Kurs stützt sich auf die R-Pakete `tidyverse` und `mosaic`, `learnr`, `ggthemes`, die ihrerseits zusätzliche Abhängigkeiten mit sich bringen.
Optional: Um die Materialien in PDF-Handouts, Folien oder ein anderes Format zu konvertieren, können Sie [Quarto](https://quarto.org/) installieren (das [Pandoc](https://pandoc.org/) enthält, einen leistungsstarken Konverter, den Sie auch ohne Quarto verwenden können).
Optional: Um Ihre Änderungen zu verfolgen und zu diesem Projekt beizutragen, benötigen Sie Git.
## Modulübersicht
## Modulübersicht
1.[An der Weggabelung: Einen Weg gehen - und einen nicht](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_01/)(Potential Outcome und Counterfactual)
1. An der Weggabelung: Einen Weg gehen - und einen nicht (Potential Outcome und Counterfactual)
2.[Ein Pfeil zeigt die Richtung](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_02/)(Strukturelle kausale Modelle und Kausale Diagramme)
8. Magie durch Zufall (Zufällige Stichprobe und zufällige Zuordnung im Rahmen eines Experiments und die Auswirkungen auf die Datenanwendungen (Beschreibung, Vorhersage, Kausale Inferenz) )
7.[Warum Raumteilung keine gute Investition ist](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_07/)(Wiederholung Grundelemente Kausaler Diagramme, Unterschied (do(x) vs. X=x am Beispiel)
8.[Magie durch Zufall](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_08/)(Zufällige Stichprobe und zufällige Zuordnung im Rahmen eines Experiments und die Auswirkungen auf die Datenanwendungen (Beschreibung, Vorhersage, Kausale Inferenz) )
- Die deutsche Kursvariante auf KI-Campus: <https://ki-campus.org/courses/wwweki>
- Die englische Kursvariante auf KI-Campus: <https://ki-campus.org/courses/whwici>
- Details siehe z.B. [FOM forscht Wissenschaftsblog](https://www.fom-blog.de/2021/07/einstiegskurs-kausale-inferenz-wird-gemeinsam-von-der-universitaet-leipzig-und-der-fom-hochschule-mit-einer-foerderung-durch-das-bmbf-entwickelt/).
10.[Graphen zeichnen und lesen](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_10/)(Beispiel Gender-Pay-Gap)
**Videos**:
- Die begleitenden Interviews mit angesehenen Expert:innen aus unterschiedlichen Fachgebieten, die ihre kausalen Fragestellungen und Lösungsansätze vorstellen, finden Sie unter <https://wwweki.gitlab.io/interviews/>.
**Literatur**:
- Rohrer, J. M. (2018). Thinking clearly about correlations and causation: Graphical causal models for observational data. *Advances in Methods and Practices in Psychological Science*, 1(1), 27-42. [https://doi.org/10.1177%2F2515245917745629](https://doi.org/10.1177%2F2515245917745629)
- Lübke, K., Gehrke, M., Horst, J., & Szepannek, G. (2020). Why we should teach causal inference: Examples in linear regression with simulated data. *Journal of Statistics Education*, 28(2), 133-139. [https://doi.org/10.1080/10691898.2020.1752859](https://doi.org/10.1080/10691898.2020.1752859)
11.[Schadet Rauchen bei Heranwachsenden?](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_11/)(Anwendungsbeispiel Kausale Inferenz in der Medizin.)
12.[Praktisches Daten hinterfragen](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_12/)(DAGs in der Anwendung, Ausblick)
## FIXME: Beitragen
Bitte melden Sie Fehler, Unklarheiten und Verbesserungsvorschläge beim originalen Projekt unter <https://github.com/luebby/WWWEKI/issues>.
Bitte melden Sie Fehler, Unklarheiten und Verbesserungsvorschläge [hier](https://github.com/luebby/WWWEKI/issues).