Академические эконометрики часто заинтересованы в определении причинности. Похоже, что все работы в частном секторе, связанные со статистикой / наукой о данных, о которых я слышал, - это поиск только прогнозных моделей.

Есть ли какие-либо рабочие места в частном секторе (или правительственные рабочие места), которые исследуют причинно-следственную связь?

Я экономист в области технологий, который работает над причинно-следственными связями с наблюдательными или ошибочными экспериментальными данными. В большинстве крупных технологических компаний, таких как я, люди будут заниматься прикладными исследованиями в области ценообразования, маркетинга и дизайна продукции. В некоторых компаниях также есть группы по государственной политике.

Есть также много людей, которые работают над веб-экспериментированием. Это гораздо большая группа.

Наконец, существуют также конкретные виды экономических консультаций, особенно антимонопольные, где это основное внимание.

[Первые пять эмоциональных ответов подвергнуты цензуре.]

Честно говоря, это один из самых странных вопросов на сайте. И показывает, насколько велика разница между тем, что говорят ваши профессора, и реальной жизнью, то есть жизнью вне башни из слоновой кости. Хорошо, что вы выглядываете из этого ... но вам (то есть, аспирантам по экономике) определенно нужно делать это чаще.

Да, есть занятия вне академических кругов, где люди (удивление, удивление) используют методы причинного следствия. И (сюрприз, сюрприз) публиковать статьи. Мои ответы касаются только США, но я уверен, что вы можете найти подобные организации в других странах.

• Пример 1 (только потому, что я знаком с ним на работе). Я работаю в филиале крупной контрактной исследовательской организации Abt Associates . В нем работают около 2300 человек в 50 странах, и большинство из них работают над проведением или поддержкой оценочных исследований и осуществлением мероприятий. Один из 6 лучших технических специалистов (называемых старшими научными сотрудниками ), Джейкоб Клерман, является редактором Evaluation Review, курируя совет редакторов, из которых около 5/6 имеют академическую принадлежность. Так что это пример частного сектора для вас. (Посмотрите объявления о позициях компании, чтобы увидеть, какие именно навыки может искать подобная компания - я не совсем уверен, что все рекламируют в JOE, поскольку это дорого; я могу легко назвать еще дюжину в США, которые были бы рады нанять умелого эконометрика.)
• Пример 2 (у меня есть только мимолетное знакомство с этим, потому что я знаю людей, которые начали этот проект из других мест): Что работает Центр обмена информациейВ федеральном департаменте образования США есть веб-сайт, посвященный метаанализу опубликованных аналитических образовательных программ. WWC работает через сеть рецензентов, которым дают конкретные инструкции относительно того, что считается исследованием, которое имеет достаточную строгость для поддержки причинных требований, а что нет. Оказывается, большая часть этого опубликованного исследования - абсолютная чушь. Как в дерьме. Нет контрольной группы. Нет проверки баланса по демографическим ковариатам / базовой эквивалентности. Только около 3-5% исследований (опубликованных в рецензируемой литературе, ради бога) «соответствуют стандартам без оговорок», то есть они имели некоторое подобие рандомизации, контролируемого истощения и перекрестного заражения экспериментальных групп, и сделал анализ более или менее приемлемым способом по линии. (По теореме Байеса, когда вы слышите, как кто-то говорит: «Но я видел, как было опубликовано, что жевательная резинка увеличивает математические достижения», вы можете ответить «BS», и вы будете правы в 90% случаев.) Во всяком случае, это федеральный проект департамента, так что это пример для вас, когда государственное агентство проверяет правильное использование инструментов причинно-следственной связи. (Добавьте свое имя в качестве рецензента, это будет для вас отличным образовательным опытом. Если бы я преподавал оценку программ, я бы сделал это обязательным требованием для моих учеников.) (Для биостатистов, работающих с FDA, где вы перед тем, как собирать какие-либо данные, необходимо предоставить свой код анализа, стандарты WWC все еще очень слабые.) Я был бы прав в 90 +% случаев.) В любом случае, это проект федерального департамента, так что это пример для вас, когда правительственное агентство проверяет правильное использование инструментов причинно-следственной связи. (Добавьте свое имя в качестве рецензента, это будет для вас отличным образовательным опытом. Если бы я преподавал оценку программ, я бы сделал это обязательным требованием для моих учеников.) (Для биостатистов, работающих с FDA, где вы перед тем, как собирать какие-либо данные, необходимо предоставить свой код анализа, стандарты WWC все еще очень слабые.) Я был бы прав в 90 +% случаев.) В любом случае, это проект федерального департамента, так что это пример для вас, когда правительственное агентство проверяет правильное использование инструментов причинно-следственной связи. (Добавьте свое имя в качестве рецензента, это будет для вас отличным образовательным опытом. Если бы я преподавал оценку программ, я бы сделал это обязательным требованием для моих учеников.) (Для биостатистов, работающих с FDA, где вы перед тем, как собирать какие-либо данные, необходимо предоставить свой код анализа, стандарты WWC все еще очень слабые.)

В фармацевтической статистике и ряде смежных областей причинно-следственная связь между вмешательством и исходом для здоровья является ключевым вопросом, представляющим интерес при принятии решения о том, следует ли использовать вмешательство. Существует широкий спектр подполей, таких как рандомизированные исследования (клинические или доклинические), нерандомизированные исследования или исследования на одной руке, лабораторные эксперименты, мета-анализы, наблюдение за безопасностью лекарственных средств на основе спонтанных сообщений о побочных явлениях, эпидемиология (включая такие идеи, как рандомизация по Манделию) и исследование эффективности (например, с использованием данных наблюдений, таких как базы данных страховых требований). Конечно, в разработанных рандомизированных экспериментах (таких как рандомизированные клинические испытания) приписывание причинности несколько проще, чем в некоторых других приложениях.

Я - исследователь в A Place for Mom, крупнейшей в стране стажировочной справочной службе. Мы разработали опрос, направленный на понимание того, как переход в сообщество, где проживают люди с ограниченными возможностями, влияет на качество жизни. Причинный вывод является центральным в этом исследовании, и методы причинного анализа (например, сопоставление, моделирование процессов выбора, оценка средних эффектов лечения) имеют важное значение.

В большинстве случаев частного сектора вы не будете заботиться о причинности

На практике, несмотря на типичное использование языка, люди гораздо чаще интересуются хорошо понимаемым воздействием , а не (хорошо понимаемой) причинностью.

С академической точки зрения очень интересно знать:

Если я сделаю A, из-за этого результат будет B

Но с практической точки зрения, почти во всех ситуациях люди действительно хотят знать следующее:

Если я сделаю A, результат будет B

Конечно, вы можете быть заинтересованы в воздействии А, но является ли оно истинной причиной или есть скрытая причина, которая просто создает эту корреляцию, обычно не так интересно.

Примечание об ограничениях

Вы можете подумать: хорошо, но если мы не знаем, что A вызывает B, тогда очень рискованно работать над этим предположением.

В некотором смысле это действительно так, но на практике вы снова будете беспокоиться о том, сработает ли это или есть исключения?

Чтобы проиллюстрировать это, вы можете заметить, что эта ситуация:

Если я сделаю A, в ситуации X из-за A результат будет B, а из-за X результат будет отклоняться на дельту

Не намного полезнее, чем эта ситуация (при условии, что вы можете количественно оценить воздействие):

Если я сделаю A, в ситуации X результат будет B, а результат будет отклоняться на дельту

Простой пример: корреляция, чтобы вызвать

• A: пополнить моторное масло
• B: Снижение тормозного сбоя
• C: проверка автомобиля

Логика: C всегда вызывает A и B

Результирующее соотношение: если A повышается, B повышается, но нет причинно-следственной связи между A и B.

Моя точка зрения: вы можете смоделировать воздействие A на B. A не вызывает B, но модель все равно будет правильной, и если у вас есть информация об A, у вас будет информация о B.

Человек, заинтересованный в нарушении тормозов с информацией об A, будет просто заботиться о том, чтобы знать отношение A к B, и заботиться только о том, является ли отношение правильным, независимо от того, является ли это отношение причинным или нет.