2.4.3 tuvinot eksperimenti
Mēs varam tuvināt eksperimentus, ka mēs nevaram darīt. Divas pieejas, jo īpaši labumu no digitālajā laikmetā ir atbilstošas un dabas eksperimentus.
Daudzi svarīgi zinātnes un politikas jautājumi ir cēloniskā. Apskatīsim, piemēram, šādu jautājumu: kāda ir ietekme darba apmācības programmu par algām? Viens veids, kā atbildēt uz šo jautājumu būtu ar Randomizētā kontrolētā eksperimentā, kur darbinieki tika nejaušināti nu saņemt apmācību vai saņemt apmācību. Tad pētnieki varētu novērtēt ietekmi apmācības šiem dalībniekiem, vienkārši salīdzinot algas cilvēkiem, kas saņēmuši apmācību tiem, kas nesaņēma to.
Vienkāršs salīdzinājums ir spēkā, jo kaut kas notiek pirms dati bija pat apkopoti: no randomizācijas. Bez randomizācijas, problēma ir daudz sarežģītāk. Pētnieks varētu salīdzināt algas cilvēkiem, kuri brīvprātīgi pieteikušies mācībām tiem, kas neparakstīja-up. Ka salīdzinājums būtu iespējams parādīt, ka cilvēki, kuri saņēmuši apmācību nopelnījis vairāk, bet cik daudz no tā ir tāpēc, ka mācības un cik daudz no tā ir tāpēc, ka cilvēki, kas pierakstīšanās apmācībai atšķiras no tiem, kas nav pierakstīšanās uz apmācību? Citiem vārdiem sakot, tas ir godīgi salīdzināt algas šīm divām cilvēku grupām?
Šīs bažas par godīgu salīdzinājumu noved daži pētnieki uzskata, ka tas nav iespējams veikt cēloņsakarības tāmes bez darba eksperimentu. Šis apgalvojums ir pārāk tālu. Lai gan tā ir taisnība, ka eksperimenti sniedz spēcīgāko pierādījumus cēloņsakarību iedarbību, ir arī citas stratēģijas, kas var sniegt vērtīgu cēloņsakarību aplēses. Tā vietā, lai domātu, ka cēloniskā aprēķini ir vai nu viegli (gadījumā eksperimentiem) vai neiespējama (gadījumā pasīvi novēro dati), tas ir labāk domāt par stratēģiju, lai padarītu cēloņsakarības aplēses guļ pa nepārtrauktu no spēcīgākajiem uz vājākajiem (attēlā 2.4). Pēc spēcīgāko beigās kontinuuma ir randomizēti kontrolēti eksperimentus. Bet, tie bieži vien ir grūti darīt sociālo pētījumu jo daudzi ārstēšanu prasa nereālas summas sadarbību no valdības vai uzņēmumiem; gluži vienkārši ir daudzi eksperimenti, ka mēs nevaram darīt. Es veltīšu visu 4. nodaļā gan stiprās un vājās puses randomizētos kontrolētos eksperimentiem, un es ņemšu apgalvo, ka dažos gadījumos ir stingri ētiskie pamatojuma dot priekšroku novērojuma uz eksperimentālām metodēm.
2.4 attēls: Continuum pētniecības stratēģiju aplēsto cēloņsakarību efektiem.
Pārvietojas gar nepārtrauktu, ir situācijas, kad pētniekiem nav skaidri nejaušības principa. Tas ir, pētnieki cenšas mācīties eksperiments līdzīgu zināšanas, bet faktiski veic eksperimentu; protams, tas būs grūts, bet lielie dati ievērojami uzlabo mūsu spēju veikt cēloņsakarības aplēses šajās situācijās.
Dažreiz ir iestatījumi, kad nejaušības pasaulē notiek, lai radītu kaut ko līdzīgu eksperimentu pētniekiem. Šie modeļi sauc dabas eksperimentus, un tie tiks izskatīti detalizēti 2.4.3.1 iedaļā. Divas iezīmes lielo datu avotiem-to vienmēr-uz dabu un to lielumu, ievērojami uzlabo mūsu spēju mācīties no dabas eksperimentiem, kad tie rodas.
Moving tālāk no randomizētos kontrolētos eksperimentos, dažreiz nav pat notikums dabā, ka mēs varam izmantot, lai tuvinātu dabas eksperimentu. Šajās vietās, mēs varam rūpīgi būvēt salīdzinājumus laikā nav eksperimentālajiem datiem, mēģinot tuvināt eksperimentu. Šie modeļi sauc saskaņošanu, un tie tiks izskatīti detalizēti 2.4.3.2 iedaļā. Tāpat dabas eksperimentiem, saskaņošana ir dizains, kas arī gūst labumu no lielām datu avotiem. Jo īpaši masveida izmēra gan lietu skaitu un informācijas vienu tipu gadījumā, ievērojami atvieglo iekārtošanu. Galvenā atšķirība starp dabas eksperimentiem un saskaņošana ir tā, ka dabas eksperimentos pētnieks zina procesu caur kuru ārstēšana tika piešķirts, un uzskata, ka ir izlases.
Par godīgu salīdzinājumu, kas motivēja vēlmes darīt eksperimentus koncepcija arī pamatā divas alternatīvas pieejas: dabas eksperimentus un iekārtošanu. Šīs pieejas ļaus jums novērtēt cēloņsakarības ietekmi no pasīvi novērotajiem datiem, atklājot taisnīgu salīdzināšanu sēdes iekšpusē datiem, kas jums jau ir.
