2.4.3 samræmingu tilraunir

Við getum samræma tilraunir sem við getum ekki gert. Tvær aðferðir sem sérstaklega njóta góðs af stafrænni öld eru passa og náttúruleg tilraunir.

Mörg mikilvæg vísindaleg og stefnu spurningar eru orsakatengsl. Við skulum íhuga, til dæmis, eftirfarandi spurningu: hvað er áhrif af starfi þjálfun á laun? Ein leið til að svara þessari spurningu væri með slembiraðaðri tilraun þar sem starfsmenn voru af handahófi úthlutað til annaðhvort fá þjálfun eða ekki fá þjálfun. Þá vísindamenn gætu meta áhrif þjálfunar þessara þátttakenda því einfaldlega að bera saman laun fólks sem fengu þjálfun til þeirra sem ekki fá það.

The einfaldur samanburður er gild vegna einhvers sem gerist áður en gögnum var jafnvel safnað: við slembiröðun. Án slembiröðun, en vandinn er miklu snúnara. A rannsóknir gætu borið saman laun fólks sem sjálfviljugir sótti um þjálfun fyrir þá sem ekki skrifa-upp. Að samanburður myndi líklega sýna að fólk sem fékk þjálfun unnið meira, en hversu mikið af þessu er vegna þess þjálfun og hversu mikið af þessu er vegna þess að fólk sem skráir sig á þjálfun eru frábrugðin þeim sem ekki skrifa-upp ekki fyrir þjálfun? Með öðrum orðum, er það sanngjarnt að bera saman laun þessara tveggja hópa fólks?

Þetta áhyggjur sanngjörnum samanburði leiðir sumir vísindamenn að trúa því að það er ómögulegt að gera orsakatengsl mat án þess að keyra tilraun. Þessi krafa gengur of langt. Á meðan það er satt að tilraunir veita sterkasta vísbendingar um orsakatengsl áhrif, það eru aðrar aðferðir sem hægt er að veita verðmætar áætlun orsakatengsl. Í stað þess að hugsa að orsakatengsl áætlanir eru ýmist auðvelt (í tilviki tilraunir) eða ómögulegt (í tilfelli af passively fram gögn), það er betra að hugsa um aðferðir til að gera orsakatengsl mat liggja meðfram samfellu úr sterkasta til veikja (Mynd 2,4). Á sterkasta lok samfellu eru slembiröðuðum tilraunir. En þetta eru oft erfitt að gera í félagslegri rannsóknir vegna þess að margir meðferðir þurfa óraunhæfar magn af samstarfi við ríkisstjórnir eða fyrirtækjum; einfaldlega það eru margir tilraunir sem við getum ekki gert. Ég mun verja öllum 4. kafla að bæði styrkleika og veikleika slembuðum rannsóknum, og ég halda því fram að í sumum tilvikum, það eru sterkar siðferðilegum ástæðum að kjósa áhorfs- til tilrauna aðferðum.

Mynd 2.4: Continuum rannsókna aðferðir til áætlaðri orsakatengsl áhrif.

Færa meðfram samfellu, það eru aðstæður þar sem vísindamenn hafa ekki beinlínis slembiraðað. Það er, vísindamenn eru að reyna að læra tilraunir eins þekkingu án þess í raun að gera tilraun; Auðvitað, þetta er að fara að vera erfiður, en stór gögn stórlega bætir getu okkar til að gera orsakatengsl mat á þessum aðstæðum.

Stundum eru stillingar sem randomness í heiminum gerist að búa til eitthvað eins og tilraun til að vísindamenn. Þessi hönnun er kölluð náttúruleg tilraunir, og þeir munu teljast ítarlega í kafla 2.4.3.1. Tvær aðgerðir stór gögn heimildum-þeirra alltaf-á eðli og stærð þeirra, stórlega eykur getu okkar til að læra af náttúrulegum tilraunum þegar þeir koma fram.

Flytja lengra í burtu frá slembuðum tilraunum, stundum er það ekki einu sinni atburður í náttúrunni sem við getum notað til að samræma náttúrulega tilraun. Í þessum stillingum, getum við vandlega reisa samanburð innan ekki tilrauna gögn í tilraun til að samræma tilraun. Þessi hönnun er kölluð samsvörun, og þeir munu teljast ítarlega í kafla 2.4.3.2. Eins náttúrulegum tilraunum, samsvörun er hönnun sem einnig nýtur stórum gögnum heimildum. Einkum gegnheill stærð, bæði hvað varðar fjölda mála og tegund upplýsinga í hverju tilviki, mjög auðveldar samsvörun. Lykillinn munurinn náttúrulegum tilraunum og samsvörun er að í náttúrulegu tilraunum rannsakandinn þekkir ferlið þar sem meðferð var úthlutað og telur það vera af handahófi.

Hugmyndin um sanngjörn samanburð sem áhugasamir langanir til að gera tilraunir liggur einnig tvær aðrar aðferðir: náttúruleg tilraunir og samsvörun. Þessar aðferðir munu gera þér kleift að meta orsakatengsl áhrif frá passively sáust gögnum með því að uppgötva sanngjörn samanburð sitja innan við gögn sem þú hefur nú þegar.