A abordagem clássica em inferência estatística é predominante em cursos de métodos quantitativos em ciências sociais. A abordagem Bayesiana é frequentemente ignorada ou mesmo mencionada.

O curso oferece a estudantes de pós-graduação em ciências sociais uma iniciação breve e inteligível à inferência estatística Bayesiana com enfâse em aplicações para ciência política, sociologia e economia.

O curso é direcionado para qualquer estudante de pós-graduação interessada na aplicação de modelos estatísticos e em qualquer etapa dos programas de mestrado ou doutorado. Há alguns requisitos desejáveis para participação e diferentes possibilidades de aprofundamento nos conteúdos do curso, mas não há nenhuma exigência relativa ao conhecimento prévio em estatística, computação ou métodos quantitativos.

Diferentemente dos cursos convencionais de inferência estatística, básicos ou avançados, nosso objetivo não será adquirir um repertório de soluções pré-manufaturadas, como teste de hipóteses ou regressão linear, para aplicar a problemas de pesquisa empírica de características diversas. No meio do caminho do aprendizado convencional costuma-se perder o vínculo entre teoria de probabilidade e as técnicas de inferência. O mal uso de estatística nas ciências sociais está diretamente relacionado à aplicação não refletida de tais soluções e à perda do vínculo entre os dois "ramos" da estatística.

Nosso objetivo será compreender os fundamentos da construção de modelos estatísticos em ciências sociais sob a ótica Bayesiana. Boa parte do nosso trabalho no curso será reconectar, de maneira inteligível, probabilidade e inferência. A aquisição de ferramental teórico e técnico necessário para refazer essa conexão é o que permite, no futuro, construir aplicações inovadoras de estatística para as ciências sociais, simples ou complexos.

Resolver problemas de inferência complexos, porém, não era factível pela abordagem Bayesiana até o final do século XX. O ressurgimento tardio da inferência Bayesiana foi impulsionado pelo aparecimento de algoritmos de simulação -- conhecidos como Monte Carlo via Cadeias de Markov (MCMC) -- cuja aplicação foi vialibizada pelo crescimento da capacidade computacional disponível para pesquisa. Para tirar proveito da análise Bayesiana, é preciso, pois, aprender a implementar os métodos MCMC. Assim, o objetivo na etapa final do curso será aprender um pouco sobre computação estatística e ler sobre aplicações em modelos complexos.

Finalmente, o aprendizado da abordagem Bayesiana terá dois efeitos colaterais bastante desejáveis que convém notar: (1) a realização uma breve reflexão epistemológica sobre a construção e aplicação de modelos estatísticos em ciências sociais, (2) aquisição do hábito, repertório e confiança para ler textos intermediários e avançados de estatística.