2.4.3 percobaan mendekati

Kita dapat mendekati eksperimen yang tidak dapat kita lakukan. Dua pendekatan yang terutama manfaat dari era digital yang cocok dan eksperimen alami.

Banyak pertanyaan ilmiah dan kebijakan penting adalah kausal. Mari kita pertimbangkan, misalnya, pertanyaan berikut: apa efek dari program pelatihan kerja pada upah? Salah satu cara untuk menjawab pertanyaan ini akan dengan percobaan terkontrol secara acak di mana pekerja secara acak baik menerima pelatihan atau tidak menerima pelatihan. Kemudian, peneliti bisa memperkirakan efek dari pelatihan untuk peserta ini hanya membandingkan upah orang-orang yang menerima pelatihan bagi mereka yang tidak menerima itu.

Perbandingan sederhana adalah valid karena sesuatu yang terjadi sebelum data bahkan dikumpulkan: pengacakan. Tanpa pengacakan, masalahnya adalah jauh lebih sulit. Seorang peneliti bisa membandingkan upah orang-orang yang secara sukarela mendaftar untuk pelatihan bagi mereka yang tidak menandatangani-up. perbandingan yang mungkin akan menunjukkan bahwa orang-orang yang menerima pelatihan mendapatkan lebih, tapi berapa banyak dari hal ini adalah karena pelatihan dan berapa banyak dari hal ini adalah karena orang-orang yang mendaftar untuk pelatihan yang berbeda dari mereka yang tidak mendaftar untuk pelatihan? Dengan kata lain, apakah adil untuk membandingkan upah dua kelompok orang?

Kekhawatiran ini tentang perbandingan yang adil menyebabkan beberapa peneliti percaya bahwa tidak mungkin untuk membuat perkiraan kausal tanpa menjalankan eksperimen. Klaim ini pergi terlalu jauh. Meskipun benar bahwa eksperimen memberikan bukti kuat untuk efek kausal, ada strategi lain yang dapat memberikan perkiraan kausal berharga. Daripada berpikir bahwa perkiraan kausal yang baik mudah (dalam kasus percobaan) atau tidak mungkin (dalam kasus pasif mengamati data), lebih baik untuk memikirkan strategi untuk membuat perkiraan kausal berbaring sepanjang kontinum dari terkuat ke terlemah (Gambar 2.4). Pada akhir terkuat dari kontinum yang acak percobaan terkontrol. Tapi, ini sering sulit untuk dilakukan dalam penelitian sosial karena banyak perawatan membutuhkan jumlah realistis kerjasama dari pemerintah atau perusahaan; cukup hanya ada banyak percobaan yang tidak dapat kita lakukan. Aku akan mencurahkan semua dari Bab 4 untuk kedua kekuatan dan kelemahan dari percobaan terkontrol secara acak, dan saya akan berpendapat bahwa dalam beberapa kasus, ada alasan etis yang kuat untuk memilih observasional dengan metode eksperimental.

Gambar 2.4: Continuum strategi penelitian untuk memperkirakan efek kausal.

Bergerak di sepanjang kontinum, ada situasi di mana para peneliti belum secara eksplisit acak. Artinya, peneliti mencoba untuk mempelajari pengetahuan percobaan-seperti tanpa benar-benar melakukan percobaan; secara alami, ini akan menjadi rumit, namun data besar sangat meningkatkan kemampuan kita untuk membuat estimasi kausal dalam situasi ini.

Kadang-kadang ada pengaturan di mana keacakan di dunia terjadi untuk menciptakan sesuatu seperti percobaan bagi para peneliti. Desain ini disebut percobaan alami, dan mereka akan dipertimbangkan secara rinci dalam Bagian 2.4.3.1. Dua fitur dari sumber-data mereka besar selalu-pada alam dan mereka ukuran-sangat meningkatkan kemampuan kita untuk belajar dari percobaan alami ketika mereka terjadi.

Bergerak lebih jauh dari percobaan terkontrol secara acak, kadang-kadang bahkan tidak ada acara di alam yang dapat kita gunakan untuk mendekati eksperimen alami. Dalam pengaturan ini, kita hati-hati dapat membangun perbandingan dalam data non-eksperimental dalam upaya untuk mendekati eksperimen. Desain ini disebut pencocokan, dan mereka akan dipertimbangkan secara rinci dalam Bagian 2.4.3.2. Seperti percobaan alami, cocok adalah desain yang juga manfaat dari sumber data yang besar. Secara khusus, ukuran-baik besar dari segi jumlah kasus dan jenis informasi per kasus-sangat memudahkan pencocokan. Perbedaan utama antara eksperimen alami dan cocok adalah bahwa dalam percobaan alam peneliti tahu proses melalui mana pengobatan ditugaskan dan percaya untuk menjadi acak.

Konsep perbandingan yang adil yang memotivasi keinginan untuk melakukan eksperimen juga mendasari dua pendekatan alternatif: eksperimen alami dan cocok. pendekatan ini akan memungkinkan Anda untuk memperkirakan efek kausal dari data pasif mengamati dengan menemukan perbandingan yang adil duduk di dalam data yang sudah Anda miliki.