Академічні економетри часто зацікавлені у визначенні причинності. Схоже, що всі статистичні та науково-дослідні роботи приватного сектору, про які я чую, шукають лише прогнозні моделі.

Чи є в приватному секторі (або урядових робочих місцях) робочі місця, які досліджують причинність?

Я економіст у галузі технологій, який працює над причинним висновком із спостережними або хибними експериментальними даними. Більшість великих технологічних фірм матимуть таких людей, як я, які займаються прикладними дослідженнями цін, маркетингу та дизайну продукції. У деяких компаніях також є групи з публічної політики.

Також є багато людей, які працюють над веб-експериментами. Це значно більша група.

Нарешті, існують також окремі види консалтингу з економіки, особливо антимонопольний, де це головна увага.

[Перші п’ять емоційних відповідей цензуровані.]

Це одне з найдивніших питань на сайті, відверто кажучи. І показує, скільки існує розриву між тим, що кажуть ваші професори, та реальним життям - тобто життям поза вежею слонової кістки. Добре, що ви визираєте з цього… але вам (маючи на увазі докторантів економічних наук), безумовно, потрібно робити це частіше.

Так, є поза межами навчальних закладів, де люди (здивування, здивування) використовують причинно-наслідкові методи. І (здивування, здивування) публікують документи. Мої відповіді стосуються США, але я впевнений, що ви можете знайти подібні організації в інших країнах.

• Приклад 1 (тільки тому, що я знайомий з цим внутрішньо на своїй роботі). Я працюю в дочірньому бізнесі у великій організації, що займається контрактом, Abt Associates . У ньому працюють близько 2300 людей у ​​50 країнах, і більшість з них працює над проведенням або підтримкою оціночних досліджень та впровадженням втручань. Один з шести найкращих технічних людей ( званий старшими стипендіатами ), Джейкоб Клерман, є редактором журналу Evaluation Review, що наглядає за редакційною радою, близько 5/6 якої мають академічну приналежність. Отже, це приклад приватного сектору для вас. (Перевірте рекламні позиції компанії, щоб дізнатися, які саме навички може шукати така компанія. Я не зовсім впевнений, що всі рекламують в JOE, як це дорого; я можу легко назвати ще одну десятку в США, яка була б рада найняти майстерного економетра.)
• Приклад 2 (я знаю лише про це, оскільки я знаю людей, які розпочали цей проект з інших місць): Що працює Кліринговий діму федеральному міністерстві освіти США - веб-сайт, присвячений метааналізу опублікованого аналізу освітніх програм. WWC працює через мережу рецензентів, яким даються конкретні вказівки щодо того, що вважається дослідженням, яке має достатню суворість для підтримки причинних тверджень, а що ні. Виявляється, більшість опублікованих досліджень є абсолютним лаєм. Як у, фігня. Контрольної групи немає. Немає перевірки залишку за демографічними коефіцієнтами / базовою еквівалентністю. Лише приблизно 3-5% досліджень (опублікованих у літературі для рецензування, на користь) "відповідають стандартам без застережень" - це означає, що вони мали деяку подобу рандомізації, контрольованого виснаження та перехресного зараження зброї експерименту, і зробили аналіз більш-менш прийнятним способом вниз. (За теоремою Байєса, коли ви чуєте, як хтось каже: "Але я бачив, як було опубліковано, що жувальна гумка збільшує математичні досягнення", ви можете відповісти "BS", і ви будете праві 90 +% часу.) У будь-якому випадку, це федеральний проект департаменту, тож це для вас приклад, коли урядова установа перевіряє правильне використання інструментів висновку про причину. (Скиньте своє ім'я в капелюх як рецензент на навчання, це буде чудовим освітнім досвідом для вас. Якби я навчав оцінювання програми, я зробив би це вимогою для своїх студентів.) (Для біостатистів, які працюють з FDA, де ви Ви повинні надати свій код аналізу, перш ніж збирати будь-які дані, стандарти WWC як і раніше дуже слабкі.) Буде правильно 90 +% часу.) У будь-якому випадку, це проект федерального департаменту, тож це для вас приклад, коли урядова установа перевіряє правильне використання засобів причинного висновку. (Скиньте своє ім'я в капелюх як рецензент на навчання, це буде чудовим освітнім досвідом для вас. Якби я навчав оцінювання програми, я зробив би це вимогою для своїх студентів.) (Для біостатистів, які працюють з FDA, де ви Ви повинні надати свій код аналізу, перш ніж збирати будь-які дані, стандарти WWC як і раніше дуже слабкі.) Буде правильно 90 +% часу.) У будь-якому випадку, це проект федерального департаменту, тож це для вас приклад, коли урядова установа перевіряє правильне використання засобів причинного висновку. (Скиньте своє ім'я в капелюх як рецензент на навчання, це буде чудовим освітнім досвідом для вас. Якби я навчав оцінювання програми, я зробив би це вимогою для своїх студентів.) (Для біостатистів, які працюють з FDA, де ви Ви повинні надати свій код аналізу, перш ніж збирати будь-які дані, стандарти WWC як і раніше дуже слабкі.)

У фармацевтичній статистиці та ряді суміжних галузей причинно-наслідковий зв’язок між втручанням та результатом для здоров'я є ключовим питанням, що цікавить при вирішенні питання про те, чи слід застосовувати втручання. Існує широкий спектр підполів, таких як рандомізовані випробування (клінічні або доклінічні), не рандомізовані випробування або одноразові випробування, лабораторні навантаження, мета-аналізи, нагляд за безпекою лікарських засобів на основі спонтанного повідомлення про побічні події, епідеміологія (у т.ч. такі ідеї, як рандемізація Манделія) та дослідження ефективності (наприклад, використання даних спостережень, таких як бази даних страхових претензій). Зрозуміло, у розроблених рандомізованих експериментах (таких як рандомізовані клінічні випробування) присвоєння причинності дещо простіше, ніж у деяких інших застосуваннях.

Я дослідник служби «Місце для мами», найбільшої в країні служби проживання в області проживання. Ми розробили опитування, спрямоване на те, щоб зрозуміти, як переїзд до спільноти з надання допомоги впливає на якість життя. Причинно-наслідковий висновок є центральним у цьому дослідженні, а методи каузального аналізу (наприклад, узгодження, моделювання процесів відбору, оцінка середніх ефектів від лікування) є важливими.

У більшості ситуацій з приватним сектором ви не будете піклуватися про причинності

На практиці, незважаючи на типове використання мови, люди набагато частіше цікавляться добре зрозумілим впливом , а не (добре зрозумілою) причинності.

З академічної точки зору, дуже цікаво знати:

Якщо я зроблю A, через це результат буде B

Але з практичної точки зору майже у всіх ситуаціях люди хочуть знати:

Якщо я зроблю A, результатом буде B

Впевнені, що вас може зацікавити вплив А, але чи справді це причина, чи є прихована причина, яка просто трапляється для створення цього співвідношення, як правило, не так цікаво.

Примітка щодо обмежень

Ви можете подумати: гаразд, але якщо ми не знаємо, що А викликає В, тоді над цим припущенням дуже ризикувати.

Це правда певним чином, але знову ж таки на практиці ви просто будете хвилюватися: чи спрацює це, чи є винятки?

Щоб проілюструвати це, ви можете зазначити, що така ситуація:

Якщо я зроблю A, у ситуації X, через A результат буде B, а через X результат відхилиться на дельту

Не набагато корисніше, ніж ця ситуація (якщо припустити, що ви можете однаково кількісно оцінити наслідки):

Якщо я зроблю A, у ситуації X результат буде B, а результат відхилиться на дельту

Простий приклад: Кореляція з причиною

• A: Поповнення моторного масла
• B: Зниження несправності гальм
• C: Технічний огляд автомобіля

Логіка: C завжди викликає A і B

Результатне відношення: Якщо A піднімається вгору, B йде вгору, але причинно-наслідкового зв’язку між A і B. немає.

Моя думка: Ви можете моделювати вплив A на B. A не спричиняє B, але модель все одно буде правильною, і якщо у вас є інформація про A, ви будете мати інформацію про B.

Людина, зацікавлена ​​у збої гальму з інформацією про A, буде просто піклуватися про те, чи знає відношення A до B, і дбатиме лише про те, чи правильне відношення, незалежно від того, є це відношення причинним чи ні.