2.4.3 Approximating eksperimenti
Možemo približni eksperimente da ne možemo. Dva pristupa koji posebno imati koristi od digitalnog doba poklapaju i prirodnih eksperimenata.
Mnogo važnih naučnih i politika pitanja su uzročni. Razmotrimo, na primjer, sljedeće pitanje: kakav je efekat programa obuke posao na plate? Jedan od načina da se odgovori na ovo pitanje bi bilo sa randomizovanih eksperiment gdje su radnici nasumično dodijeljen ili obuku ili ne obuku. Zatim, istraživači mogli procijeniti učinak treninga za te učesnike jednostavnim poređenjem zarade ljudi koji su dobili obuku za one koji nisu dobili ga.
Jednostavan poređenje je važeća zbog nečega što se događa prije nego što je podatak čak prikupljeni: na randomizacije. Bez randomizacije, problem je mnogo teže. Istraživač mogao uporediti zarade ljudi koji su se dobrovoljno prijavili za obuku za one koji nisu potpisali-up. To poređenje vjerovatno pokazuju da su ljudi koji su prošli obuku zaradili više, ali koliko je to zbog treninga i koliko je to zato što ljudi koji se prijavite za obuku su drugačiji od onih koji ne potpišu-up za obuku? Drugim riječima, da li je fer da se uporedi plate od ove dvije grupe ljudi?
Ova zabrinutost fer usporedbe vodi neki istraživači vjeruju da je nemoguće da se procjene uzročna bez pokretanja eksperimenta. Ova tvrdnja ide predaleko. Iako je istina da eksperimenti daju najjači dokaz za kauzalni efekte, postoje i druge strategije koje mogu pružiti vrijedne procjene uzročna. Umjesto misleći da procjene uzročne su ili lako (u slučaju eksperimenata) ili nemoguće (u slučaju pasivno posmatra podataka), bolje je razmišljati o strategijama za izradu uzročna procjene leži duž kontinuuma od najjačih do najslabije (Slika 2.4). Na najjači kraju kontinuuma su randomizirane kontrolirane eksperimente. Ali, to su često teško učiniti u društvenim istraživanjima jer su mnogi tretmani zahtijevaju nerealne količine saradnje od strane vlada ili kompanija; jednostavno postoje mnogi eksperimenti koji ne možemo. Ja ću posvetiti sve Poglavlje 4 kako prednosti i slabosti randomiziranih eksperimenata, a ja ću reći da u nekim slučajevima, postoje snažni etički razlozi da vole opservacione eksperimentalnim metodama.
Slika 2.4: Continuum istraživanja strategija za procijenjene efekte uzročna.
Kretanje duž kontinuuma, postoje situacije u kojima istraživači nisu eksplicitno randomiziranih. To je, istraživači pokušavaju da nauče eksperiment nalik znanje bez zapravo radi eksperiment; Naravno, ovo će biti nezgodno, ali velike količine podataka znatno poboljšava našu sposobnost da kauzalni procjene u ovakvim situacijama.
Ponekad postoje postavke u kojima slučajnost u svijetu se događa da se stvori nešto kao eksperiment za istraživače. Ovi dizajni se nazivaju prirodnim eksperimentima, i oni će se smatrati detaljno u poglavlju 2.4.3.1. Dva karakteristike velikih izvora-svoje podatke uvijek na prirodu i njihove veličine znatno povećava našu sposobnost da uče od prirodnih eksperimenata kada do njih dođe.
Udaljavaju od randomiziranih kontrolisanih eksperimenata, ponekad ne postoji ni jedan događaj u prirodi koje možemo koristiti za približno prirodni eksperiment. U ove postavke, možemo pažljivo izgraditi poređenja u ne-eksperimentalni podaci u pokušaju da se približi eksperiment. Ovi dizajni se nazivaju podudaranje, i oni će se smatrati detaljno u poglavlju 2.4.3.2. Kao i prirodnih eksperimenata, usklađivanje je dizajn koji također koristi od velikih izvora podataka. Konkretno, masivne veličine, kako u pogledu broja slučajeva i vrsta informacija po predmetu-uvelike olakšava uklapanje. Ključna razlika između prirodnih eksperimenata i usklađivanje je da u prirodnim eksperimentima istraživač zna proces kroz koji tretman je dobio i smatra da je slučajan.
Koncept sajma poređenja da motivirani želje da rade eksperimente i leži u osnovi dva alternativna pristupa: prirodne eksperimente i usklađivanje. Ovi pristupi će vam omogućiti da procijeniti efekte kauzalne od pasivno posmatrati podataka otkrivanjem fer usporedbe sjedi unutar podataka koje već imate.
