2.4.3 Approximating Experimenter

Mir kënnen Experimente annoncéieren, déi mir net hunn oder net kënnen. Zwee Approchen, déi speziell vu grousser Datenquelle profitéieren, sinn natierlech Experimenter a passend.

Verschidden wichtëg wëssenschaftlech a politesch Froe si Kausal. Zum Beispill, wat ass den Effet vun engem Job-Trainingsprogramm op Léin? En Fuerscher deen probéiert dës Fro ze beäntweren, kann de Gewënn vun de Leit hunn, déi sech fir d'Formatiounsignal fir déi déi net gemaach hunn, vergläichen. Mä wéi vill vun engem Ënnerscheed zu de Léin tëschent dëse Gruppen ass wéinst der Ausbildung a wéivill ass et duerch preexistesch Differenzen tëscht de Leit, déi sech mellen an déi déi net? Dëst ass eng schwiereg Fro, an et ass een deen net automatesch mat méi Daten gëtt. An anere Wierder, d'Besuergnisser iwwert méiglech eventuell Differenzen erreechen egal wéi vill Aarbechter an Ären Daten sinn.

A ville Situatiounen ass de stärkste Wee fir de kausalen Effekt vun enger Behandlung, wéi Ausbildung ze trainéieren, e randomiséierter kontrolléiert Experiment ze féieren, wou e Fuerscher iwwerliewt d'Behandlung an e puer Leit an anerer net. Ech wäert all Kapitel 4 op Experimenter opsetzen, also wäert ech mech op zwou Strategien konzentréieren, déi mat net experimentellen Donnéeën benotzt kënne ginn. Déi éischt Strategie hänkt dovun of datt et eppes geschitt op der Welt déi zoufälleg (oder bal statistesch ass) d'Behandlung fir e puer Leit an anerer net. Déi zweet Strategie hänkt vun statistesche Justificatioun vun net experimentelle Donnéeën an engem Versuch fir Viruerdeeler differenzéiert ze hunn tëschent deenen, déi gemaach hunn an d'Behandlung net kréien.

E Skeptiker kéint behaapten, datt dës Strategien vermeide kënne ginn, well si staark Viraussetzungen erfannen, d'Argumenter, déi schwéier beurteelen an datt se an der Praxis oft verletzt ginn. Obwuel ech sympathesch dës Ufuerderung sinn, ech denken et ass eppes ze wäit. Et ass sécher datt et schwéier ass, kausale Schätzungen aus net experimentellen Daten zeverlässeg ze maachen, awer ech denken net datt dat heescht, datt mir ni probéieren. Besonnesch net-experimentell Approche kann hëllefräich sinn, wann eng logistesch Beschränkung datt Dir e Experiment leeft oder wann etlech Limitë limitéiert bedeit datt Dir net e Experiment leeën wëllt. Fierder kann net experimentell Approchen nëtzlech sinn, wann Dir d'Virdeeler vun Daten, déi et schonn existéieren, auszeschaffen fir e randomiséierter kontrolléiert Experiment ze entwéckelen.

Virun der Ufuerderung ass et och ze vermëttelen datt Kausalschätzungen eng vun de komplexe Sujeten an der sozialer Fuerschung sinn, an een, deen zu enger intensiver emotionaler Debatt féieren kann. A wat ass folgend, wäert ech eng optimistesch Beschreiwung vun all Approche ubidden, fir d'Intuktioun iwwert dat ze maachen, duerno wäert ech e puer vun den Erausfuerderunge beschreiwen, déi bei der Verwaltung dës Approche entstoen. Weider Detailer iwwer all Approche sinn an de Materiale am Ende vum Kapitel. Wann Dir eng vun dëse Approche an Ärer eegener Fuerschung benotzt, recommandéiere mir eng vun de vill exzellent Bicher iwwer Kausal Inference (Imbens and Rubin 2015; Pearl 2009; Morgan and Winship 2014) .

Eng Approche fir Kausalschätzungen aus net-experimentellen Donnéeën ze maachen, ass e Sich no nozekucken, wat e puer Leit an enger Rei vu Leit an enger anerer Behandlung behandelt huet. Dës Situatiounen nennen natierlechen Experimenten . Ee vun de schéinste Beispiller vun engem natierleche Experiment stitt vun der Recherche vum Joshua Angrist (1990) déi den Effekt vun de militäresche Servicer op d'Gewiicht erméiglecht. Während dem Krich vun Vietnam, hunn d'USA d'Gréisst vun hiren Arméi duerch en Draft erhéicht. Fir fir ze entscheeden, wéi eng Bierger sech an Déngscht erfëllt géifen, huet d'US Regierung eng Lotterie gehal. All Gebuertsdatum gouf op engem Pabeiergeschriwwen geschriwen, a wéi d'Figur 2,7 dës Papiere wäerte gewiesselt sinn an d'Zäit fir d'Bestellung ze bestëmmen, an där jonk Männer opgeruff ginn sinn (jonk Frae waren net ënnerleien de Projet). Baséierend op d'Resultater sinn Männer, déi am 14. September gebuer waren, éischt genannt, Männer, déi am 24. Abrëll gebuer ginn, goufen zweeter genannt, a sou weider. Virun allem, an der Lotterie, hu Männer, déi op 195 verschiddene Deeg gebuer goufen entwéckelt, während Männer op 171 Deeg gebuer waren net.

Figure 2.7: Congressman Alexander Pirnie (R-NY) Zeechnung vun der éischter Kapsel fir de selektiven Serviceplang am 1. Dezember 1969. Joshua Angrist (1990) kombinéiert de Projet Lotterie mat Gewënndaten aus der Verwaltung vun der Sozialversécherung fir de Effet vum militäreschen Déngscht ze schätzen op de Gewënn. Dëst ass e Beispill vun der Recherche mat engem natierleche Experiment. Source: US Selective Service System (1969) / Wikimedia Commons .

Obwuel et net direkt zoufälleg ass, huet e Projet Lotterie eng kritesch Ähnlechkeet fir e randomiséierter kontrolléiert Experiment: Et gi béid Situatiounen an der Zilsetzung vun enger Behandlung. Fir den Effekt vun dëser randomiséierter Behandlung ze studéieren, huet d'Angrist d'Virdeeler vun engem groussen Daten-System benotzt: d'US Social Security Administration, déi Informatiounen iwwer praktesch all amerikaneschs Erzéier vun der Beschäftegung sammelt. Duerch d'Kombinatioun vun der Informatioun iwer déi gewielt a wat an der Lotterie mat der Gewënn-Daten ausgewäert gouf, déi an de Regierungsparteie gesammelt goufen, huet de Angrist ofgeschloss, datt d'Gewënn vun den Veteranen ongeféier 15% manner wéi d'Gewënn vun vergläichen Non-Veteranen waren.

Wéi dëst Beispill illustréiert, heiansdo gesellschaftlech, politesch a natierlech Kräfte verlaangt Behandlungen op eng Manéier, déi vun de Fuerscher benotzt ginn, a heiansdo sinn d'Effekter vun dësen Behandlungen an ëmmer grouss grouss Datenquellen ageholl. Dës Fuerschuedstrategie ka mat der folgender Diskussioun zesumme sinn: \[\text{random (or as if random) variation} + \text{always-on data} = \text{natural experiment}\]

Fir dës Strategie um digitale Alter ze illustréieren, lued Iech e Studium vun Alexandre Mas an Enrico Moretti (2009) , deen de Effet vun der Produktivitéit vum Aarbechtskollegen mat produktiven Kollegen schätzt. Virun déi Resultater ze gesinn, ass et ze vermëttelen datt et do konfliktlech Erwaardunge kënnt datt Dir hutt. Engersäits kann Dir gewuer ginn datt d'Aarbechtskollekt mat produktivem Kollegen eng Aarbecht ze féieren fir hir Produktivitéit ze erhéijen, wéinst Peerendruck. Oder, op der anerer Säit, kënnt Dir erwaarden datt mat héicher Aarbechtskäschten e Worker kann verréngeren, well d'Aarbecht vun hiren Kollegen iergendeppes gemaach gëtt. Déi klorescht Manéier fir Peer Effekter op Produktivitéit ze studéieren wier e randomiséierter kontrolléiert Experiment, wou d'Aarbechter onofhängeg ze veränneren mat Arbechter mat verschiddene Produktivitéitskäschte ginn an dann déi resultéierende Produktivitéit fir jiddereen gemooss gëtt. D'Fuerscher awer kontrolléieren net de Schedule vun den Aarbechter an engem realen Geschäft, sou datt d'Mas an d'Moretti op engem natierleche Experiment mat Kassetten an engem Supermarché géife vertrauen.

An dësem speziellen Supermarché, well d'Art a Weis wéi de Scheduling gemaach huet a wéi d'Verschëld iwwerlappt ass, huet all Kassateur verschidde Cooperateuren a verschiddene Joeren am Dag. En plus, an dësem speziellen Supermarché, war d'Zuelung vu Kassetten net bezuelt fir d'Produktivitéit vun hiren Eifer oder wéi de Geschäft scho beschäftegt. An anere Wierder, obwuel d'Schauspillerung vu Kassetten net vun enger Lotterie festgeluecht gouf, war et wéi d'Aarbechter déi heiansdo random getraff goufen mat héigen (oder nidderegen) Produktivitéitspuer ze schaffen. Glécklecherweis huet dësen Supermarché och en digitale Zeechen-Checkout-System benotzt deen d'Elementer nogekuckt huet, déi all Kassier all Dag scannen. Vun dësem Kasse Log-Donnée konnten de Mas a Moretti e präzises, individuell a ëmmer op Mooss vu Produktivitéit kreéieren. D'Zuel vun Elementen gescannt pro Sekonn. D'Kombinatioun vun deenen zwee Saache - déi natierlech Variant bei der Peerproduktivitéit an de ëmmer Mooss vu Produktivitéit - Mas a Moretti schätzt datt wann e Kassierer Associés hunn, déi 10% méi produktiv sinn wéi duerchschnëttlech ass, hir Produktivitéit um 1.5% . Ausserdeem hunn se d'Gréisst an d'Reicht vu hiren Daten benotzt fir zwee wichtege Froen z'erfollegen: d' Heterogenitéit vun dësem Effekt (fir wéi eng Aart vun Arbechter ass den Effekt méi grouss) an d' Mechanismen hannert dem Effekt (Firwat leeft de Peerproduktiv mat méi Produktivitéit?). Mir këmmeren dës zwee wichtege Froen - Heterogenitéit vun Behandlungsofwier a Mechanismen - am Kapitel 4, wann mir Experimenter méi detailléiert diskutéieren.

D'Generaldirektioun vun dësen zwou Etuden huet d'Tabelle 2.3 aner Studien, déi déi selwecht Struktur hunn, zesummegefaasst: Mat enger ëmmer op der Informatiounsquelle, fir den Effekt vun e puer Zufallsvariatiounen ze mellen. An der Praxis benotzen d'Fuerscher zwee verschidde Strategien fir d'Sich natiirlech Experimenten ze fannen, déi e fruchtbar sinn. Verschidde Fuerscher begleeden mat enger ëmmer op der Datenquell a gesäis fir zoufällegst Evenementer an der Welt; Aner begleeden eng zoufällegst Veranstaltung an der Welt a si kucke fir Datenquellen, déi hir Auswierkungen hunn.

An der Diskussioun esou wäit wéi natierlech Experimenter, hunn ech e wichtegt Punkt gelauschtert: et kënnt aus wat fir eng Natur huet dat wat Dir wëllt, heiansdo relativ schwéier sinn. Loosst eis zeréck an d'Entwarnung vum Vietnam virstellen. An dësem Fall war Angrist un der Schätzung vum Effet vum militäreschen Déngscht op de Gewënn. Leider war de militäreschen Déngscht net zoufälleg zugewierkt; éischter gouf et entworf, dat onbedéngt zougewisen gouf. Allerdéngs gouf net jiddfereen dee geschafft huet (et gouf e puer Ausnahmen), an net jiddfereen dee gedeeft gouf entworf (d'Leit konnten fräiwëlleg ze déngen). Wéinst dem Entworf gouf iergendwann zougetraut, kann e Fuerscher den Effekt vun all de Männer am Entworf schätzen. Awer Angrist wollt d'Effet net ausginn. Hie wollte d'Effekt vum Militärdéngscht ze wëssen. Fir dës Schätzung ze maachen, ginn awer weider Erklärungen a Komplikatioune verlaangt. Fir d'éischt mussen d'Fuerscher ugeholl datt déi eenzeg Manéier datt d'Ofschafung ausgeschafft gëtt duerch Militärdienst, eng Hoffnung déi d' Exklusiounsbeschränkung genannt gëtt . Dës Virstellung kéint falsch sinn, wann zB Männer, déi geschafft hunn, laang an der Schoul bleiwen, fir ze vermeiden oder ze schaffen wann d'Patronen manner Chancen hire Männer këmmeren, déi entworf goufen. Am Allgemengen ass d'Exclusiounsbeschränkung eng kritesch Iwwerhuelung, an et ass normalerweis schwéier ze kontrolléieren. Och wann d'Exclusioun Restrikéierung richteg ass, ass et ëmmer nach net méiglech, den Effekt vum Service op all Mann ze schätzen. Et gëtt uvertraut, datt d'Fuerscher nëmmen de Effekt op enger spezifescher Ënnersetzung vu Männer bezeechent ginn, déi komplexéiert sinn (Männer, déi als Draft gedréckt hunn, awer net wann net geschafft gi sinn) (Angrist, Imbens, and Rubin 1996) . De Komplizéierte sinn awer net déi ursprénglech Populatioun interesséiert. Remarkéiert datt dës Problemer och am relativ saubere Fall vun der Lotto gëllen. Eng weider Rei vu Komplikatiounen entstinn wann d'Behandlung net vun enger physescher Lotterie ass. Zum Beispill, am Studium vu Kasséiere vun Mas a Moretti, ginn zousätzlech Froen iwwer d'Annahme datt d'Iwwerweisung vu Kollegen am Wesentlechen zoufälleg ass. Wann dës Iwwerleeung staark staark verstoppt ass, kann se hir Schätzungen uginn. Zum Schluss kënnt d'natierlech Experimenter eng kraftvoll Strategie fir Kausalschätzungen aus net experimentellen Donnéeën ze maachen, a grouss Datenquellen erhéijen eis Fähigkeet fir natierlech Experimenter ze profitéieren wann se geschéien. Allerdéngs brauch et eng grouss Suergfalt z'erreechen - heiansdo staark Iwwerhuelung - fir aus der Natur ze kommen, déi d'Schätzung déi Dir wëllt.

Déi zweet Strategie déi ech Iech soen iwwer d'Kausalschätzung vun net-experimentellen Donnéeën hänkt vun statistesche Justificatioun vun net experimentelle Donnéeën an engem Versuch fir Viruerdeeler differenzéiert ze hunn tëschent deenen, déi gemaach hunn an d'Behandlung net kréien. Et gi vill esou Anpassungsmethoden, mee ech konzentréieren op ee matgerecht passend . Am Matching kuckt de Fuerscher no net experimentell Donnéeën fir Pairen vu Leit z'erreechen déi ähnlech sinn ausser datt een d'Behandlung krut an een huet nach net. Am Prozess vum Matching sinn d'Fuerscher och tatsächlech pruning ; Dat heescht, Verfallfäegkeeten, wou et keng evident Match ass. Dofir wier dës Methode méi genee Matching-a-Pruning genannt, awer ech wäert mat dem traditionnelle Begrëff setzen: passend.

Ee Beispill vun der Muecht mat de Matchingstrategien mat massiv net experimentelle Datenquellen ass vun der Recherche iwwer Konsumentegespréich vu Liran Einav a Kollegen (2015) . Si waren interesséiert op Auktioune déi op eBay bezuelen, an hir Aarbecht beschreiwen, wäert ech op den Effekt vun Auktioun Startpräis op Auktioun Resultater konzentréieren, wéi zum Beispill de Verkafspreis oder d'Wahrscheinlechkeet vun engem Verkaaf.

Déi naivste Wee fir de Effekter vum Startpräis vum Vantagepräis ze schätzen, wier den einfachsten Präis vum Auktioune mat verschiddene Startpräisser ze berechnen. Dës Approche wier besser wann Dir de Vente Preissprong uginn hutt. Awer wann Är Fro den Effekt vum Startgeld betrëfft, da gëtt dës Approoss net funktionnéiert well et net op fairen Vergläicher baséiert; D'Auktionen mat manner Startpréisen kënnen ganz verschidden sinn wéi déi mat méi héije Startpräiser (zB si si fir verschidden Zorte vu Wueren oder verschidden Zorten vu Verkeefer).

Wann Dir scho scho bewosst datt d'Problemer, déi sech bei der Kausalschätzung vun net experimentellen Donnéeën entstoe kënnen, iwwerpréiwen, kënnt Dir d'naïveg Approche iwwerpréiwen a sech als ee Field Experiment virstellen, wou Dir e speziellt Element solle soen, e Golfclub mat engem fixen Set vun Auktioun Parameteren - soten, gratis Verschécken an Auktioune fir zwou Wochen opmaachen - awer mat zufälleg gefallene Startpreisser. Am Verglach mat de resultéierende Maart Resultater wäerte dëst Feldexperimente eng ganz kloer Messung vum Effet vum Startpräis um Vente préparéieren. Mä dës Messung gët nëmmen fir ee bestëmmte Produkt a Set vu Auktioun Parameteren. D'Resultater kënnen verschidden sinn, zum Beispill, fir verschidden Zorte vu Produkter. Ouni enger staarker Theorie ass et schwéier aus dësem eenzegen Experiment ze extrapoléieren op déi ganz Rei vun méiglech Versucher, déi kéint lafen. Weideren Feld-Experimenten sinn genuch genug, datt et onstierbar wier fir all Variatioun ze lafen, déi Dir versprieche wëllt.

Am Géigesaz zu den naïveen an experimentellen Approchen huet Einav a Kollegen eng drëtt Approche geholl: matdeelen. Den Haaptproblem vun der Strategie ass fir Saachen ze entdecken, déi ähnlech mat Feldversécherungen entdecken déi scho geschitt hunn op eBay. Zum Beispill, Zuel 2.8 weist e puer vun den 31 Eintrëtt fir exakt den selweschten Golfclub - e Taylormade Burner 09 Driver - gëtt exakt dee selweschten Verkaf "Budgetgolfer" verkaaft. Allerdings sinn déi 31 Equipagen e puer verschidden Charakteristiken, wéi verschidde Präis, Enddatum an Verschécken Gebidder. An anere Wierder, et ass wéi wann "Budgetgolfer" Experimenter fir d'Fuerscher ginn.

Dës Equipementer vum Taylormade Burner 09 Treiber, deen duerch "Budgetgolfer" verkaaft gëtt, sinn e Beispill vun engem mat engem Match mat engem Eegeschafte vu Verkeefer, wou genau dee selwechte Saachen gëtt vum exakt gleichen Verkeefer verkaaft, awer all Kéier mat liicht verschiddene Besoinen. Binnen massiven Protokol vu eBay ginn et wahrscheinlech Honnertdausende vu Partie Matcher mat Millioune vu Inserate. Dofir, amplaz d'Vergläicht vum Verloscht fir all Auktioune mat engem gegebene Startpräis, Einav a Kollegen am Verglach mat matgereegene Sätze. Fir d'Resultater vum Verglach bannent Honnertdausende vu Matcher ze kombinéieren, huet Einav a Kollegen den Startpräis an den Endkriibste bezuelt wéi den Referenzwert vun all Element (z. B. hirem duerchschnëttleche Vente). Zum Beispill, wann den Taylormade Burner 09 Driver e Referenzwäert vun 100 $ huet (baséiert op säi Verkaf), da gëtt e Startpräis vu $ 10 ausgedréckt wéi 0,1 an e Schlusspräis vun $ 120 als 1.2.

Figure 2.8: Een Beispill vun engem matgerege Set. Dëst ass den exakten selwechten Golfclub (en Taylormade Burner 09 Driver) deen vun der exakt selwecht Persoun ("budgetgolfer") verkaaft gëtt, awer e puer vun dësen Verkafsstänn hunn ënnert verschiddene Konditiounen (z. B. verschidden Startdeeler) gemaach. Mat enger Erlaabnes vu Einav et al. (2015) , Figur 1b.

Ech mengen, datt Eenav a Kollegen interesséiert waren ëm den Effekt vum Startpräis op Auktioune Resultater. Als éischt hunn se linear Regressioun benotzt fir datt méi héije Startpréparatioune d'Wahrscheinlechkeet vun engem Verkaf uginn, an datt méi héije Startpreise den endgülteg Präiserhéije erhéicht ginn (bedingend op engem Verkeefer). Sechs Schätzungen, déi eng linear Relatioun beschreiwen a sinn iwwer all Produkter gemittelt ginn, sinn net alles interessant. Duerno hunn Einav a Kollegen déi massiv Gréisst vun hiren Daten benotzt fir eng vill méi subtile Schätz ze kreéieren. Zum Beispill, duerch de Schätzung vum Effekt getrennt fir eng Rei vu verschiddene Startpräis ze gesinn, hu se fest fonnt datt d'Relatioun tëscht Start a Verkafspreis netlinear ass (2,9). Zum Beispill fir den Startpräis tëscht 0,05 an 0,85 de Startpräis ganz wéineg Afloss op den Präissverkaaf, eng Feststellung, déi komplett duerch seng éischt Analyse vermësst gouf. Weider, anstatt averstane sinn iwwer all Elementer, Einav a Kollegen schätzt d'Auswierkunge vum Startpräis fir 23 verschiddene Kategorien Elementer (zB Haustierbedarf, Elektronik a Sport Erënnerungen) (Ziffer 2.10). Dës Schätzungen weisen datt datt méi eegestänneg Saachen - wéi zum Beispill Memorabilie-Startpräis e klengen Effekt op d'Wahrscheinlechkeet vun engem Verkaf an enger méi grousser Auswierkunge vum leschte Präis ass. Weider, fir méi Commodifizéiert Elementer - wéi DVDs - de Startpräis huet praktesch keen Afloss op den definitiven Präis. An anere Wierder, en Duerchschnëtt, deen d'Resultater vun 23 verschiddene Kategorië vun Elementer kombinéiert, versteet wichtegen Ënnerscheeder tëscht dëse Saachen.

2.9: Bezéiung tëscht Auktioune Startpräis a Wahrscheinlechkeet vun engem Verkaaf (a) an Verkaafspreis (b). Et ass ongeféier eng linear Relatioun tëscht Start a Wahrscheinlechkeet vum Verkeefer, awer en netlinear Relatioun tëscht Start a Verkafspreis; fir Startpräisser tëscht 0,05 an 0,85, de Startpräis huet ganz wéineg Afloss op de Präis. A béide Fäll sinn d'Bezéiungen meeschtens onofhängeg vu Punktwäert. Eng Adaptatioun vum Einav et al. (2015) , Figuren 4a a 4b.

Figure 2.10: Schätzungen aus all Kategorie vun Saachen; De solid Punkt ass d'Schätzung fir all Kategorien zesummen zesummen (Einav et al. 2015) . Dës Schätzungen weisen datt datt méi egeart Punkten - wéi d'Memorabilie - de Startpräis méi klengen Effekt op d'Wahrscheinlechkeet vun engem Verkaf ( \(x\) -axis) a méi e groussen Effekt op de Verkaafskurs ( \(y\) -Assis). Eng Adaptatioun vum Einav et al. (2015) , 8.

Och wann Dir net besonnesch op Auktionen interesséiert sidd, musst Dir d'Art a Weis wéi 2.9 an 2.10 matdeelen bäi engem reiche Verständnis vun eBay wéi einfache Schätzungen déi eng linear Bezéiung beschreiwen a verbonne vill verschidde Kategorien Elementer. Weider, obwuel et wëssenschaftlech méiglech wier fir dës méi subtile Schätzungen mat Feldversécherungen ze generéieren, d'Käschte si géifen Experimenter am Wesentlechen onméiglech maachen.

Esou wéi an natierleche Experimenten sinn et e puer Weeër, datt de Matching zu schlechten Schätzungen kann erreechen. Ech mengen déi gréissten Suergfalt mat de passende Schätzung ass datt si vu Saachen déi net am Matching benotzt kënne ginn. Zum Beispill, an hir Haaptresultater, Einav a Kollegen hunn exakt mat vier Charakteristike Matcher: Verkeefer Identifikatiounsnummer, Element Kategorie, Elementtitel a Ënnertitel. Wann déi Saachen verschidde Weeër hunn déi net matdeegend benotzt goufen, da kéint dat en ongerechten Verglach maachen. Zum Beispill, wann "Budgetgolfer" Präisser fir den Taylormade Burner 09 Driver am Wanter (wann d'Golfclubs manner beléift sinn), da kéint et erscheinen datt de méi niddere Startpräis fir d'Reduktioun vum Präis gëtt, wann et tatsächlech e Artefakt vun saisonal Variatioun vun der Nofro. Eng Approche fir dës Besuergnaaschung ze probéieren ass vill aner ënnerschiddlech Matchën. Zum Beispill, Eenav a Kollegen widderhuelen hir Analyse, andeems d'Zäitfenster benotzt fir matzemaachen (Matcher Setzt Elementer am Verkeefer innerhalb engem Joer, innerhalb engem Mount, a gläichzäiteg). Glécklech si hunn ähnlech Resultater fir all Zäitfenst fonnt. E weideren Interesse mat de passende entstoe vun der Interpretatioun. E Schätzungen aus dem Matching gëllen nëmmen fir mat ugepasst Daten; Si bezuelen net op déi Fälle déi net matenee passéiert sinn. Zum Beispill, andeems se hir Fuerschung op Elemente limitéiert hunn, déi e puer Equipen haten, hunn Einav a Kollegen op professionell an hallef-professionnellen Verkeefer fokusséiert. Also, wann d'Interpretatioun vun dëse Vergläicher musse mer eis drun erënneren datt se nëmmen op dës Ënnergrate vun eBay bezuelen.

Matching ass eng mächteg Strategie fir gerecht Vergläicher fir net experimentell Daten ze fannen. Zu villen Sozialwëssenschaftler fillt sech déi zweet-bescht fir Experimenter ze fillen, mee dat ass e Glawen, deen iwwerpréift gëtt, liicht. Mat massive Donnéeën ass et besser wéi eng kleng Unzuel vun Feldversuchen wann (1) Heterogenitéit an Effekter wichteg ass an (2) déi wichteg Variabelen, déi fir den Matching gebraucht ginn, ginn gemooss. Table 2.4 proposéiert e puer aner Beispiller wéi d'Matching mat grousser Datenquelle benotzt gëtt.

Schliissend ass d'Schätzung vun de kausalen Effekter aus net-experimentellen Daten schwéier, mee Approchen wéi natiirlech Experimenter an statisteschen Upassungen (z. B. passend) ka benotzt ginn. An verschiddene Situatiounen kënnen dës Approchen schlecht falsch goe sinn, awer wann sëch sëch suergfälteg entwéckelt, kann dës Approche als nëtzlech Ergänzung zu der experimentell Approche sinn, déi ech am Kapitel 4 beschreift. Dës zwou Approche schéngen besonnesch wahrscheinlech vum Wuesstum vu ëmmer- , grouss Datensystemer.