IL VIDEO. La Lecture del Nobel Imbens alla Luiss: La causalità in econometria

Roma, 24 set. (askanews) - Il lavoro sull'inferenza causale per identificare le relazioni fra i dati osservativi e risolvere problemi di lunga data in econometria. Queste le basi degli studi del professore e premio Nobel 2021 per le Scienze Economiche, Guido W. Imbens, che è stato ospite della Luiss per una Public lecture dal titolo: Causality in Econometrics. My Evolution as an Econometrician. Un ritorno nell'Università intitolata a Guido Carli, quello del docente di Stanford, dopo che nel 2019 aveva tenuto un corso di una settimana al dottorato di Scienze Politiche sui temi della causalità e degli studi osservazionali ispirando studenti e ricercatori. Lo scambio intellettuale, ha spiegato Livia De Giovanni, Prorettore per la Didattica e la Qualità della Luiss, gioca un ruolo fondamentale nel progresso della conoscenza e la Luiss mira a favorire tale dialogo riunendo studiosi di spicco provenienti da tutto il mondo. Sono infatti tre i premi Nobel che hanno tenuto delle lecture negli ultimi cinque mesi."Il suo ritorno conferma l'importanza di ospitare dei premi Nobel che sono fonte di ispirazione per studenti docenti e per la società. Quindi siamo molto contenti e siamo molto grati al professor Imbens per essere tornato da premio Nobel nella nostra Università".Nel corso dei suoi studi Imbens, ha messo a punto metodi innovativi, partendo dal binomio "chance" e "choice", che hanno riplasmato il modo in cui gli economisti affrontano le problematiche del mondo reale e gli sono valsi l'insigne riconoscimento. "Il mio lavoro, negli ultimi anni, è stato cercare di "districare" i concetti di correlazione e causalità. Spesso ciò che ci interessa sono gli "effetti causali": che cosa accadrebbe se cambiassimo l'istruzione di una persona o se la aiutassimo a trovare un lavoro? Guardare semplicemente alle correlazioni può essere fuorviante e non dirci ciò che vogliamo. In economia e nelle scienze sociali, però, spesso non possiamo fare esperimenti randomizzati come quelli che si fanno in ambito medico, dove è molto più facile distinguere tra correlazione e causalità, quindi occorre fare un lavoro maggiore per cercare di districare questi due concetti".