Các nhà kinh tế lượng học thuật thường quan tâm đến việc xác định quan hệ nhân quả. Có vẻ như tất cả các công việc khoa học dữ liệu / thống kê khu vực tư nhân mà tôi nghe nói chỉ đang tìm kiếm các mô hình dự đoán.

Có bất kỳ công việc nào trong khu vực tư nhân (hoặc công việc của chính phủ) nghiên cứu quan hệ nhân quả không?

Tôi là một nhà kinh tế trong công nghệ làm việc dựa trên suy luận nguyên nhân với dữ liệu thực nghiệm quan sát hoặc thiếu sót. Hầu hết các công ty công nghệ lớn sẽ có những người như tôi xung quanh thực hiện nghiên cứu ứng dụng về giá cả, tiếp thị và thiết kế sản phẩm. Ngoài ra còn có các nhóm chính sách công trong một số công ty.

Cũng có rất nhiều người làm việc trên thử nghiệm web. Đây là một nhóm lớn hơn nhiều.

Cuối cùng, cũng có các loại tư vấn kinh tế đặc biệt, đặc biệt là chống tin cậy, trong đó đây là trọng tâm chính.

[Năm câu trả lời cảm xúc đầu tiên bị kiểm duyệt.]

Đó là một trong những câu hỏi kỳ lạ nhất trên trang web, thẳng thắn. Và cho thấy có bao nhiêu sự mất kết nối giữa những gì giáo sư của bạn nói và cuộc sống thực - đó là cuộc sống bên ngoài tòa tháp ngà. Thật tốt khi bạn đang nhìn trộm nó ... nhưng bạn (có nghĩa là, sinh viên tiến sĩ kinh tế) chắc chắn cần phải làm điều này thường xuyên hơn.

Vâng, có những công việc bên ngoài học viện nơi mọi người (ngạc nhiên, ngạc nhiên) sử dụng các phương pháp suy luận nguyên nhân. Và (ngạc nhiên, ngạc nhiên) xuất bản giấy tờ. Câu trả lời của tôi là cụ thể của Hoa Kỳ, nhưng tôi chắc chắn bạn có thể tìm thấy các tổ chức tương tự ở các quốc gia khác.

• Ví dụ 1 (chỉ vì tôi quen thuộc với nó trong công việc). Tôi làm việc trong một công ty con của một tổ chức nghiên cứu hợp đồng lớn, Abt Associates . Nó sử dụng khoảng 2.300 người tại 50 quốc gia và hầu hết trong số họ làm việc để tiến hành hoặc hỗ trợ nghiên cứu đánh giá và thực hiện các can thiệp. Một trong 6 người kỹ thuật hàng đầu (được gọi là Nghiên cứu sinh cao cấp ), Jacob Klerman, là biên tập viên của Đánh giá Đánh giá, giám sát một ban biên tập trong đó có khoảng 5/6 người có liên kết học thuật. Vì vậy, đó là một ví dụ khu vực tư nhân cho bạn. (Kiểm tra quảng cáo vị trí công ty để xem cụ thể loại công ty nào có thể đang tìm kiếm - Tôi không hoàn toàn chắc chắn mọi người quảng cáo tại JOE là đắt đỏ; tôi có thể dễ dàng đặt tên cho một tá người khác ở Mỹ sẽ hạnh phúc thuê một nhà kinh tế lượng thủ công.)
• Ví dụ 2 (Tôi có nhưng quen thuộc với điều đó vì tôi biết những người bắt đầu dự án này từ các địa điểm khác): What Works Clearinghousetại Bộ Giáo dục Liên bang Hoa Kỳ là một trang web dành cho phân tích tổng hợp các phân tích được công bố của các chương trình giáo dục. WWC hoạt động thông qua một mạng lưới các nhà đánh giá, những người được hướng dẫn cụ thể về những gì được coi là một nghiên cứu có đủ sự nghiêm ngặt để hỗ trợ các tuyên bố nguyên nhân, và những gì không. Nó chỉ ra rằng hầu hết các nghiên cứu được công bố là hoàn toàn tào lao. Như trong, nhảm nhí. Không có nhóm kiểm soát. Không kiểm tra số dư trên các số liệu nhân khẩu học / tương đương đường cơ sở. Chỉ có khoảng 3-5% các nghiên cứu (được công bố trong các tài liệu đánh giá ngang hàng, vì lợi ích) "đáp ứng các tiêu chuẩn mà không cần bảo lưu" - có nghĩa là, họ có một số mối quan hệ ngẫu nhiên, tiêu hao có kiểm soát và lây nhiễm chéo của các nhánh thử nghiệm, và đã phân tích theo cách ít nhiều được chấp nhận xuống dòng. (Theo định lý Bayes, khi bạn nghe ai đó nói: "Nhưng tôi đã thấy nó xuất bản rằng nhai kẹo cao su làm tăng thành tích toán học", bạn có thể trả lời "BS" và bạn sẽ đúng 90% thời gian.) Dù sao đi nữa, đây là một liên bang dự án bộ phận, vì vậy đó là một ví dụ cho bạn khi cơ quan chính phủ xem xét việc sử dụng đúng các công cụ suy luận nguyên nhân. (Ném tên bạn vào mũ như một nhà phê bình nghiên cứu, đây sẽ là một trải nghiệm giáo dục tuyệt vời cho bạn. Nếu tôi đang giảng dạy đánh giá chương trình, tôi sẽ đưa ra yêu cầu này cho các sinh viên của mình.) (Đối với các nhà sinh học làm việc với FDA, nơi bạn phải gửi mã phân tích của bạn trước khi bạn thu thập bất kỳ dữ liệu nào, các tiêu chuẩn WWC vẫn rất lỏng lẻo.) d phải đúng 90% thời gian.) Dù sao đi nữa, đây là một dự án của bộ liên bang, vì vậy đó là một ví dụ cho bạn khi cơ quan chính phủ xem xét việc sử dụng đúng các công cụ suy luận nguyên nhân. (Ném tên bạn vào mũ như một nhà phê bình nghiên cứu, đây sẽ là một trải nghiệm giáo dục tuyệt vời cho bạn. Nếu tôi đang giảng dạy đánh giá chương trình, tôi sẽ đưa ra yêu cầu này cho các sinh viên của mình.) (Đối với các nhà sinh học làm việc với FDA, nơi bạn phải gửi mã phân tích của bạn trước khi bạn thu thập bất kỳ dữ liệu nào, các tiêu chuẩn WWC vẫn rất lỏng lẻo.) d phải đúng 90% thời gian.) Dù sao đi nữa, đây là một dự án của bộ liên bang, vì vậy đó là một ví dụ cho bạn khi cơ quan chính phủ xem xét việc sử dụng đúng các công cụ suy luận nguyên nhân. (Ném tên bạn vào mũ như một nhà phê bình nghiên cứu, đây sẽ là một trải nghiệm giáo dục tuyệt vời cho bạn. Nếu tôi đang giảng dạy đánh giá chương trình, tôi sẽ đưa ra yêu cầu này cho các sinh viên của mình.) (Đối với các nhà sinh học làm việc với FDA, nơi bạn phải gửi mã phân tích của bạn trước khi bạn thu thập bất kỳ dữ liệu nào, các tiêu chuẩn WWC vẫn rất lỏng lẻo.)

Trong thống kê dược phẩm và một số lĩnh vực liên quan, mối liên hệ nhân quả giữa can thiệp và kết quả sức khỏe là câu hỏi quan tâm chính khi quyết định có nên sử dụng can thiệp hay không. Có một loạt các lĩnh vực phụ như thử nghiệm ngẫu nhiên (lâm sàng hoặc tiền lâm sàng), thử nghiệm không ngẫu nhiên hoặc đơn lẻ, thử nghiệm trong phòng thí nghiệm, phân tích tổng hợp, giám sát an toàn thuốc dựa trên báo cáo tự phát về các tác dụng phụ, dịch tễ học (bao gồm cả các ý tưởng như ngẫu nhiên Mandelian) và nghiên cứu hiệu quả (ví dụ: sử dụng dữ liệu quan sát như cơ sở dữ liệu yêu cầu bảo hiểm). Tất nhiên trong các thí nghiệm ngẫu nhiên được thiết kế (như thử nghiệm lâm sàng ngẫu nhiên) quy kết nhân quả có phần dễ dàng hơn so với một số ứng dụng khác.

Tôi là một nhà nghiên cứu tại A Place for Mom, dịch vụ giới thiệu sống cao cấp lớn nhất của quốc gia. Chúng tôi đã thiết kế một cuộc khảo sát nhằm tìm hiểu cách di chuyển vào một cộng đồng sống được hỗ trợ ảnh hưởng đến chất lượng cuộc sống. Suy luận nguyên nhân là trọng tâm của nghiên cứu này, và các phương pháp phân tích nguyên nhân (ví dụ, kết hợp, mô hình hóa các quy trình lựa chọn, ước tính hiệu quả điều trị trung bình) là rất cần thiết.

Trong hầu hết các tình huống khu vực tư nhân, bạn sẽ không quan tâm đến quan hệ nhân quả

Trong thực tế, mặc dù sử dụng ngôn ngữ điển hình, mọi người thường quan tâm nhiều hơn đến tác động được hiểu rõ hơn là quan hệ nhân quả (được hiểu rõ).

Từ quan điểm học thuật, rất thú vị để biết:

Nếu tôi làm A, vì điều đó kết quả sẽ là B

Nhưng từ quan điểm thực tế, trong gần như tất cả các tình huống sau đây là những gì mọi người thực sự muốn biết:

Nếu tôi làm A, kết quả sẽ là B

Chắc chắn bạn có thể quan tâm đến tác động của A, nhưng liệu đó có phải là nguyên nhân thực sự hay liệu có một nguyên nhân tiềm ẩn nào xảy ra để tạo ra mối tương quan này thường không thú vị.

Lưu ý về những hạn chế

Bạn có thể nghĩ: ok, nhưng nếu chúng ta không biết rằng A gây ra B, thì sẽ rất rủi ro khi làm việc với giả định đó.

Điều này đúng theo một cách nào đó, nhưng một lần nữa trong thực tế, bạn sẽ chỉ lo lắng về việc: Nó sẽ hoạt động hay có ngoại lệ?

Để minh họa điều này, bạn có thể lưu ý rằng tình huống này:

Nếu tôi làm A, trong tình huống X, vì A kết quả sẽ là B và vì X kết quả sẽ đi chệch theo delta

Không hữu ích hơn nhiều so với tình huống này (giả sử bạn có thể định lượng các tác động như nhau):

Nếu tôi làm A, trong tình huống X, kết quả sẽ là B và kết quả sẽ lệch theo delta

Ví dụ đơn giản: Tương quan gây ra

• A: Bổ sung dầu động cơ
• B: Giảm lực phanh
• C: Kiểm tra xe

Logic: C luôn gây ra A và B

Kết quả quan hệ: Nếu A đi lên, B đi lên nhưng không có mối quan hệ nhân quả giữa A và B.

Quan điểm của tôi: Bạn có thể mô hình hóa tác động của A đến B. A không gây ra B, nhưng mô hình vẫn sẽ đúng và nếu bạn có thông tin về A, bạn sẽ có thông tin về B.

Người quan tâm đến phương pháp phanh có thông tin về A sẽ chỉ quan tâm đến việc biết mối quan hệ của A với B, và chỉ quan tâm xem mối quan hệ này có đúng hay không, bất kể mối quan hệ này có phải là nguyên nhân hay không.