Todas las modalidades del programa (streaming, online y presencial) tienen el mismo valor. Además, recomendamos preguntar las condiciones de cada una al momento de matricularse.
El concepto de políticas basadas en evidencia adquiere cada vez más relevancia en distintos sectores dedicados al análisis y diseño de políticas públicas, por lo resulta necesario contar con profesionales preparados para estos efectos.
Los alumnos de este diplomado aprenderán a evaluar qué tipo de datos son apropiados para determinadas necesidades, conocerán alcances y limitaciones de trabajos cuantitativos para la toma de decisiones en políticas públicas, comprenderán aspectos básicos para el análisis de datos complejos y no estructurados mediante herramientas estadísticas y computacionales, conocerán técnicas de visualización y comunicación de datos, e identificarán modelos para la evaluación de impacto de políticas públicas.
Tendrán las herramientas necesarias para saber cómo elaborar y encargar estudios a terceros que utilicen datos como su principal fuente de análisis, interpretar y leer estudios cuantitativos que utilicen datos complejos, y proponer análisis adecuados a distintos problemas en políticas públicas.
Dirigido a:
Profesionales que se desempeñen o busquen desempeñarse en instituciones públicas, ya sea instituciones del Estado, organizaciones no gubernamentales, academia, centros de investigación, entre otros. Deberán tener conocimiento de conceptos de estadística básica equivalentes a un curso introductorio de análisis de datos.
Objetivos de aprendizaje:
- Formular preguntas de investigación e hipótesis que se puedan responder con análisis cuantitativo e identificar ventajas y desventajas de distintos métodos empíricos para tales efectos.
- Comprender aspectos básicos de la preparación, curación, análisis y visualización de datos estructurados y no estructurados.
- Presentar y sintetizar respuestas a problemas de políticas públicas, utilizando distintas metodologías de análisis de datos.
Al final del curso podrás:
− Identificar tipos de datos para distintas preguntas de investigación.
− Identificar ventajas y desventajas de distintos métodos empíricos.
− Aplicar métodos de ciencia de datos utilizando análisis estadístico.
Contenidos:
− Introducción a la programación para la política pública.
− Manipulación de datos.
− Web scrapping y APIs.
− Análisis de redes sociales.
− Análisis de datos geográficos.
− Análisis automatizado de texto.
Al final del curso podrás:
- Manipular datos usando R.
- Identificar problemas de calidad de los datos disponibles.
- Aplicar técnicas de limpieza de los datos.
- Integrar diferentes fuentes de datos en una base de datos SQL.
- Integrar varias fuentes de los datos en una base de datos SQL para garantizar calidad y consistencia de los datos.
Contenidos:
- Ciclo de vida del dato para la investigación científica.
- Introducción a R para el manejo de datos.
- Dimensiones de calidad de datos: validez, exactitud, consistencia y completitud.
- Depuración de datos en R.
- Herramientas para depuración de los datos: regresión lineal y técnicas de muestreo.
- Almacenamiento de datos masivos y big data.
- Bases de datos relacionales.
- Lenguaje de consulta SQL.
- Modelo Entidad-Relación.
- Integración de los datos y depuración de datos relacionales.
Al final del curso podrás:
- Comprender cuándo, cómo, y por qué las técnicas sofisticadas de análisis de datos pueden ser relevantes para tomar decisiones basadas en datos.
- Analizar datos para agruparlos según características comunes, descubrir patrones o anomalías en ellos, o detectar asociaciones.
- Aplicar métodos de clasificación y regresión basada en técnicas de machine learning para resolver problemas complejos sin necesidad de explicitar las instrucciones.
- Implementar formas eficaces de visualizar y comunicar los datos para la toma de decisiones.
Contenidos:
- Introducción: ejemplos y métodos de análisis y visualización de datos.
- Elementos de Teoría de Aprendizaje: selección de modelos, complejidad, generalización, descomposición del error y clasificación.
- Machine learning: redes neuronales, support vector machines.
- Minería de datos: clustering, patrones más frecuentes, reglas de asociación.
- Visualización de datos: conceptos y tecnologías fundamentales.
Al final del curso podrás:
− Aplicar el concepto de escenario contrafactual para la evaluación de políticas públicas.
− Evaluar la calidad de la evidencia empírica presentada en distintos medios sobre el impacto de las principales políticas públicas en Chile.
− Identificar distintos métodos para preguntas de evaluación de impacto.
− Elaborar un diseño de evaluación de impacto de una política pública, utilizando al menos dos de los métodos revisados en clase.
− Presentar públicamente resultados de un ejemplo real de evaluación de impacto y presentar argumentos a favor y en contra de la calidad de la evaluación.
Contenidos:
− Regresión bivariada.
− Regresión múltiple: sesgo por variable omitida.
− DAGS y variables instrumentales.
− Variables instrumentales.
− Experimentos aleatorios y regresión discontinua.
− Matching y aprendizaje de máquina e inferencia causal.
− Aprendizaje de máquina e inferencia causal.
Al final del curso podrás:
- Identificar una pregunta específica de investigación aplicada en políticas públicas.
- Formular hipótesis en el marco de una pregunta específica.
- Analizar bases de datos para una pregunta específica.
Contenidos:
Aplicaciones de:
− Manipulación de datos.
− Web scrapping y APIs.
− Análisis de redes sociales.
− Análisis de datos geográficos.
− Análisis automatizado de texto.
Al final del curso podrás:
− Aplicar los métodos del curso a una pregunta específica.
− Presentar resultados en formatos de presentación oral/visual.
Contenidos:
Aplicaciones en:
− Visualización de datos.
− Regresión lineal.
− Regularización.
− Predicción fuera de muestra.
− Inferencia causal.
Nota: El orden de los cursos dependerá de la programación que realice la Subdirección Académica.
¿Te gusta esta publicación?
Comparte esta publicación