2.4.3 Unter Annäherung an Experimente
Wir können Experimente nähern , die wir nicht tun können. Zwei Ansätze , die vor allem aus dem digitalen Zeitalter profitieren passen und natürliche Experimente.
Viele wichtige wissenschaftliche und politische Fragen sind kausal. Betrachten wir zum Beispiel die folgende Frage: Was ist der Effekt eines Job Trainingsprogramm auf die Löhne? Eine Möglichkeit, diese Frage zu beantworten, würde mit einer randomisierten kontrollierten Experiment, in denen Arbeiter wurden randomisiert, um entweder Ausbildung erhalten oder nicht geschult werden. Dann könnten die Forscher für diese Teilnehmer die Wirkung der Ausbildung schätzen, indem einfach die Löhne der Menschen zu vergleichen, die die Ausbildung für diejenigen erhalten, die es nicht erhalten haben.
Der einfache Vergleich ist wegen etwas gültig, dass die Daten geschieht, bevor auch gesammelt wurde: der Randomisierung. Ohne Randomisierung ist das Problem viel schwieriger. Ein Forscher könnten die Löhne von Menschen vergleichen, die für die Ausbildung zu denen freiwillig unterschrieben, die nicht-up unterzeichnen. Dieser Vergleich würde wahrscheinlich zeigen, dass Menschen, die eine Ausbildung erhalten mehr verdient, aber wie viel davon ist, weil der Ausbildung und wie viel davon ist, weil die Menschen, die für die Ausbildung melden Sie sich von denen unterscheiden, die für die Ausbildung Sign-up nicht? Mit anderen Worten, ist es angemessen, die Löhne dieser beiden Gruppen von Menschen zu vergleichen?
Diese Sorge um faire Vergleiche führt einige Forscher glauben , dass es unmöglich ist , kausale Schätzungen zu machen , ohne ein Experiment ausgeführt wird . Dieser Anspruch geht zu weit. Zwar trifft es zu, dass Versuche, den stärksten Beweis für kausale Effekte bieten, gibt es andere Strategien, die wertvolle kausalen Schätzungen zur Verfügung stellen kann. Statt dass kausale Schätzungen entweder leicht (im Falle von Versuchen) oder unmöglich (im Falle von passiv beobachteten Daten) zu denken sind, ist es besser, die Strategien zu denken, für sich in einem Kontinuum liegenden kausalen Schätzungen von der stärksten zur schwächsten (Abbildung 2.4). Am stärksten Ende des Kontinuums gesteuert Experimenten randomisiert. Aber diese sind oft schwer in der Sozialforschung zu tun, weil viele Behandlungen erfordern unrealistische Mengen der Zusammenarbeit von Regierungen oder Unternehmen; ganz einfach gibt es viele Experimente, die wir nicht tun können. Ich werde alle Kapitel 4 sowohl die Stärken und Schwächen von randomisierten kontrollierten Experimenten widmen, und ich werde, dass in einigen Fällen argumentieren, gibt es starke ethische Gründe zu experimentellen Methoden Beobachtungs zu bevorzugen.
Abbildung 2.4: Continuum von Forschungsstrategien für geschätzte kausaler Effekte.
Bewegt man sich entlang des Kontinuums, gibt es Situationen, in denen Forscher haben nicht explizit randomisiert. Das heißt, versuchen die Forscher experimentieren ähnliche Wissen, ohne das wirklich ein Experiment zu lernen; Natürlich ist dies schwierig zu sein wird, aber große Datenmengen erheblich verbessert unsere Fähigkeit, kausale Schätzungen in diesen Situationen zu machen.
Manchmal gibt es Situationen, in denen die Zufälligkeit in der Welt so etwas wie ein Experiment für Forscher zu schaffen, geschieht. Diese Entwürfe sind natürliche Experimente genannt, und sie werden im Detail in Abschnitt 2.4.3.1 berücksichtigt werden. Zwei Merkmale von großen Datenquellen-ihr stets auf die Natur und ihre größen stark verbessert unsere Fähigkeit, die aus natürlichen Experimente zu lernen, wenn sie auftreten.
Bewegen wir uns weiter weg von randomisierten kontrollierten Experimenten, manchmal gibt es nicht einmal ein Ereignis in der Natur, dass wir ein natürliches Experiment zur Annäherung verwenden können. In diesen Einstellungen können wir sorgfältig Vergleiche konstruieren in nicht-experimentellen Daten in einem Versuch, ein Experiment zu nähern. Diese Entwürfe sind Matching genannt, und sie werden im Detail in Abschnitt 2.4.3.2 betrachtet werden. Wie natürliche Experimente ist, Anpassungs ein Design, das auch von großen Datenquellen zugute kommt. Insbesondere erleichtert die massive größen sowohl hinsichtlich der Anzahl der Fälle und die Art der Informationen pro Fall-stark-Matching. Der wesentliche Unterschied zwischen natürlichen Experimente und Anpassung ist, dass die Forscher in natürliche Experimente kennt den Prozess, durch den die Behandlung zugewiesen wurde, und glaubt, dass es zufällig zu sein.
Das Konzept des fairen Vergleiche , die die Wünsche motiviert Experimente zu tun , liegt auch die beiden alternativen Ansätze: natürliche Experimente und Matching. Diese Ansätze ermöglichen es Ihnen, kausale Effekte von passiv beobachteten Daten zu schätzen, durch die Entdeckung faire Vergleiche innerhalb der Daten sitzen, die Sie bereits haben.
