2.4.3 അപരന്മായുള്ള പരീക്ഷണങ്ങൾ

നമുക്ക് ചെയ്യാനാകാത്തതോ ചെയ്യാൻ കഴിയാത്തതോ ആയ പരീക്ഷണങ്ങളെ നമുക്ക് ഏകദേശം കണക്കാക്കാം. വലിയ ഡാറ്റാ സ്രോതസുകളിൽ നിന്ന് പ്രത്യേകിച്ചും രണ്ട് സമീപനങ്ങളിൽ നിന്ന് പ്രയോജനം നേടുന്നത് സ്വാഭാവിക പരീക്ഷണങ്ങളാണ്.

ചില സുപ്രധാന ശാസ്ത്ര-നയ ചോദ്യങ്ങളും കാരണവുമാണ്. ഉദാഹരണത്തിന് വേതനത്തിൽ തൊഴിൽ പരിശീലന പരിപാടിയുടെ പ്രഭാവം എന്താണ്? ഈ ചോദ്യത്തിന് ഉത്തരം നൽകാൻ ശ്രമിക്കുന്ന ഒരു ഗവേഷകൻ, ചെയ്തിട്ടില്ലാത്തവർക്ക് പരിശീലനം നൽകുന്ന ആളുകളുടെ വരുമാനം താരതമ്യം ചെയ്യാനിടയുണ്ട്. എന്നാൽ ഈ ഗ്രൂപ്പുകളിൽ വേതനത്തിൽ എന്തെങ്കിലും വ്യത്യാസമെന്താണ് പരിശീലനം എന്നതിനാലും, സൈൻ അപ്പ് ചെയ്യുന്ന ആളുകളുടെയും അല്ലാത്തവരുടെയും മുൻവിധിയിലുള്ള വ്യത്യാസങ്ങൾ എത്രയാണ് എന്നതിനാണ്? ഇത് വളരെ പ്രയാസകരമായ ചോദ്യമാണ്, അത് കൂടുതൽ ഡാറ്റ ഉപയോഗിച്ച് യാന്ത്രികമായി പോകുന്നില്ല. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, നിങ്ങളുടെ ഡാറ്റയിൽ എത്ര തൊഴിലാളികൾ എത്രമാത്രം ഉണ്ടായിരുന്നുവെന്നത് മുൻപിൽ നിലനിൽക്കുന്ന വ്യത്യാസങ്ങൾ ഉണ്ടാകാം.

പല സാഹചര്യങ്ങളിലും, ചില ട്രെയിനുകളിലുള്ള രോഗങ്ങളുടെ ഫലമായുണ്ടാകുന്ന പ്രത്യാഘാതം, തൊഴിൽ പരിശീലനം പോലുള്ളവ, ഒരു റാൻഡർ, ക്രമരഹിതമായി ചില ആളുകളോട് ചികിത്സ തേടാതെ മറ്റുള്ളവർക്കുള്ളതല്ല. പരീക്ഷണങ്ങൾക്കായി ഞാൻ 4-ാം അധ്യായത്തെല്ലാം ചെലവഴിക്കും, അതിനാൽ ഇവിടെ നോൺ-പരീക്ഷണാത്മക ഡാറ്റ ഉപയോഗിച്ച് ഉപയോഗിക്കാനാകുന്ന രണ്ട് തന്ത്രങ്ങളിൽ ഞാൻ ഫോക്കസ് ചെയ്യാൻ പോകുകയാണ്. ആദ്യ തന്ത്രം ലോകത്തിൽ സംഭവിക്കുന്ന എന്തെങ്കിലും അന്വേഷണത്തെ ആശ്രയിച്ചിരിക്കുന്നു, ചിലപ്പോൾ ഇത് ചിലരീതിയിൽ (അല്ലെങ്കിൽ ഏതാണ്ട് റാൻഡം) ചിലരെ ചികിത്സിക്കുന്നു, മറ്റുള്ളവർ അല്ല. ചികിത്സാരംഗത്ത് സ്വീകരിക്കാത്തതും അവ സ്വീകരിച്ചിട്ടില്ലാത്തവരും തമ്മിലുള്ള വ്യത്യാസങ്ങൾ മുൻകൂട്ടി നിശ്ചയിക്കുന്നതിനുള്ള ശ്രമത്തിൽ സ്ഥിതിവിവരക്കണക്ക് അല്ലാത്ത പരീക്ഷണാത്മക ഡാറ്റ ക്രമീകരിക്കുന്നതിനെ ആശ്രയിച്ച് രണ്ടാമത്തെ തന്ത്രം ആശ്രയിച്ചിരിക്കുന്നു.

ശക്തമായ അനുമാനങ്ങൾ, മൂല്യനിർണ്ണയം ബുദ്ധിമുട്ടാണ്, പ്രായോഗികമായി മിക്കപ്പോഴും ലംഘിക്കപ്പെടാവുന്നതിനാൽ ഈ രണ്ട് തന്ത്രങ്ങളും ഒഴിവാക്കണം എന്ന് ഒരു സന്ദേഹം അവകാശപ്പെടാം. ഈ അവകാശവാദത്തോട് എനിക്ക് അനുകമ്പയുള്ളപ്പോൾ, അത് വളരെ അൽപ്പം കൂടി പോകുന്നുവെന്ന് ഞാൻ കരുതുന്നു. പരീക്ഷണാത്മക ഡാറ്റയിൽ നിന്ന് വിശ്വസനീയമായ മൂല്യനിർണ്ണയം നടത്തുന്നത് വിഷമകരമാണെന്നത് തീർച്ചയായും ശരിയാണ്, എന്നാൽ ഞങ്ങൾ ഒരിക്കലും പരീക്ഷിക്കരുതെന്ന് അർത്ഥമില്ലെന്ന് ഞാൻ കരുതുന്നില്ല. ഒരു പരീക്ഷണം നടത്തുകയോ ഒരു പരീക്ഷണം നടത്താൻ നിങ്ങൾ താൽപ്പര്യപ്പെടുന്നില്ലെങ്കിൽ സന്മാർഗ്ഗികനിയമങ്ങൾ അർത്ഥമാക്കുന്നത് തടയുകയോ നിയന്ത്രിക്കാതിരിക്കുകയോ ചെയ്യാതെ പ്രത്യേകിച്ചും പരീക്ഷണാടിസ്ഥാനത്തിലുള്ള സമീപനങ്ങൾ സഹായകരമായിരിക്കും. കൂടാതെ, ക്രമരഹിതമായി നിയന്ത്രിത പരീക്ഷണം രൂപകൽപ്പന ചെയ്യുന്നതിനായി ഇതിനകം നിലവിലുണ്ടായിരുന്ന ഡാറ്റയുടെ പ്രയോജനം നേടണമെങ്കിൽ നോൺ- പരീക്ഷണാത്മക സമീപനരീതി സഹായിക്കും.

മുന്നോട്ടുപോകുന്നതിനു മുമ്പുതന്നെ, സോഷ്യൽ ഗവേഷണത്തിലെ ഏറ്റവും സങ്കീർണമായ വിഷയങ്ങളിലൊന്നാണ്, കൂടാതെ തീവ്രവും വൈകാരികവുമായ ചർച്ചകൾക്ക് ഇടയാക്കിയേക്കാവുന്ന കാരണങ്ങളാണെന്നുള്ളതും ശ്രദ്ധേയമാണ്. അതിൽ എന്തുപറയുന്നു, അതിനെക്കുറിച്ച് അവബോധം സൃഷ്ടിക്കുന്നതിന് ഞാൻ ഓരോ സമീപനത്തെയും കുറിച്ച് ഒരു ശുഭാപ്തി വിശദമായ വിവരണം നൽകും, ആ സമീപനം ഉപയോഗിക്കുമ്പോൾ ഉണ്ടാകുന്ന ചില വെല്ലുവിളികളെ ഞാൻ വിവരിക്കും. ഓരോ അധ്യയനത്തിന്റെയും വിശദാംശങ്ങൾ ഈ അധ്യായത്തിൻറെ അവസാന ഭാഗങ്ങളിൽ ലഭ്യമാണ്. നിങ്ങളുടെ സ്വന്തം ഗവേഷണത്തിൽ ഈ സമീപനങ്ങളിൽ (Imbens and Rubin 2015; Pearl 2009; Morgan and Winship 2014) നിങ്ങൾ തീരുമാനിക്കുകയാണെങ്കിൽ, ഞാൻ വളരെ (Imbens and Rubin 2015; Pearl 2009; Morgan and Winship 2014) നിരവധി മികച്ച പുസ്തകങ്ങൾ വായിച്ച് ശുപാർശ ചെയ്യുന്നു.

അല്ലാത്ത പരീക്ഷണാത്മക ഡാറ്റയിൽ നിന്ന് മറ്റൊരു കാരണം കണ്ടുപിടിക്കുന്നതിനുള്ള ഒരു സമീപനം, ചില ആൾക്കാർക്കായി ഒരു ക്രമീകൃതമായ സംവിധാനമാണ് മറ്റുള്ളവർക്കുള്ളതല്ലെന്ന് കരുതുക എന്നതാണ്. ഈ സാഹചര്യങ്ങളെ സ്വാഭാവിക പരീക്ഷണങ്ങൾ എന്ന് വിളിക്കുന്നു. പ്രകൃതിദത്ത പരീക്ഷണത്തിന്റെ വ്യക്തമായ ഉദാഹരണങ്ങളിൽ ഒന്ന്, ജോഷ് ആംഗർറിസ്റ്റ് (1990) ന്റെ ഗവേഷണത്തിൽനിന്നുള്ളതാണ്, അത് വരുമാനത്തിന്മേൽ സൈനിക സേവനങ്ങളുടെ സ്വാധീനത്തെ വിലയിരുത്തുന്നു. വിയറ്റ്നാം യുദ്ധം നടന്നപ്പോൾ, അമേരിക്ക ഒരു കരട് വഴി സൈന്യത്തിന്റെ സൈന്യം വർദ്ധിപ്പിച്ചു. ഏത് പൌരനെ സേവനത്തിൽ ഉൾപ്പെടുത്തുമെന്ന് തീരുമാനിക്കാനുള്ള യുഎസ് ഗവൺമെന്റ് ഒരു ലോട്ടറി നടത്തി. ഓരോ ജനനത്തീയതിയും ഒരു കഷണത്തിൽ എഴുതി, ചിത്രം 2.7 ൽ കാണിച്ചിരിക്കുന്നതുപോലെ, ഈ കഷണങ്ങൾ പേരെടുത്തത് യുവജനങ്ങളെ സേവിക്കാൻ വിളിക്കപ്പെടുന്ന ക്രമത്തിൽ നിർണ്ണയിക്കാനായി ഒരു സമയം തിരഞ്ഞെടുത്തു (ചെറുപ്പക്കാരികൾ എന്നത് വിഷയമല്ല ഡ്രാഫ്റ്റിലേക്ക്). ഫലങ്ങളുടെ അടിസ്ഥാനത്തിൽ, സെപ്തംബർ 14 ന് ജനിച്ചവർ ആദ്യം വിളിക്കപ്പെട്ടത്, ഏപ്രിൽ 24 ന് ജനിച്ചവർ രണ്ടാമത്തെ പേരായിരുന്നു. ഈ ലോട്ടറിയിൽ 195 വ്യത്യസ്ത ദിവസങ്ങളിലായി ജനിച്ച പുരുഷൻമാർ 171 ദിവസങ്ങളിലായി ജനിച്ചവരായിരുന്നു.

ചിത്രം 2.7: 1969 ഡിസംബർ 1 ന് സെലക്ടീവ് സർവീസ് ഡ്രാഫ്റ്റിക്ക് വേണ്ടി ആദ്യത്തെ ക്യാപ്സ്യൂൾ കോൺഗ്രസ്സിന്റെ അലക്സാണ്ടർ പിർനി (ആർ-ന്യൂയോ) തുടങ്ങി. ജോഷ്വ ആൻറസ്ട്രി (1990) സോഷ്യൽ സെക്യൂരിറ്റി അഡ്മിനിസ്ട്രേഷനിൽ നിന്നും കരകൌശല ലോട്ടറി കൂട്ടിച്ചേർത്തു. വരുമാനം. ഒരു പ്രകൃതി പരീക്ഷണം ഉപയോഗിച്ച് ഗവേഷണത്തിന് ഇത് ഒരു ഉദാഹരണമാണ്. ഉറവിടം: യുഎസ് സെലക്ടീവ് സർവീസ് സിസ്റ്റം (1969) / വിക്കിമീഡിയ കോമൺസ് .

അത് പെട്ടെന്ന് പ്രത്യക്ഷപ്പെടാനിടയില്ലെങ്കിലും, ഒരു ഡ്രാഫ്റ്റ് ലോട്ടറി ഒരു റാൻഡഡ് നിയന്ത്രിത പരീക്ഷണത്തിന് ഒരു ഗുരുതരമായ സമാനതയുണ്ട്: രണ്ട് സാഹചര്യങ്ങളിലും, പങ്കെടുക്കുന്നവർ ഒരു ചികിൽസ ലഭിക്കുന്നതിന് ഏറ്റെടുക്കുകയാണ്. ഈ റാൻഡമലൈസ് ചെയ്ത ചികിത്സയുടെ ഫലത്തെക്കുറിച്ച് പഠിക്കാൻ, ആൻറസ്ട്രി ഒരു എല്ലായ്പ്പോഴും വലിയ വിവര സംവിധാനത്തിന്റെ മുൻതൂക്കം പ്രയോജനപ്പെടുത്തി: അമേരിക്കൻ സാമൂഹ്യ സുരക്ഷാ ഭരണകൂടം, ഏതാണ്ട് അമേരിക്കയിലെ ഓരോ അമേരിക്കൻ വരുമാനത്തിനും തൊഴിലവസരങ്ങളിൽ നിന്ന് ലഭിക്കുന്ന വിവരം ശേഖരിക്കുന്നു. സർക്കാർ അഡ്മിനിസ്ട്രേറ്റീവ് റെക്കോർഡുകളിൽ ശേഖരിച്ച വരുമാന വിവരവുമായി ഡ്രാഫ്റ്റ് ലോട്ടറി ക്രമരഹിതമായി തെരഞ്ഞെടുക്കുന്നതിനെ കുറിച്ചുള്ള വിവരങ്ങൾ സംയോജിപ്പിച്ചുകൊണ്ട്, ആഞ്ചിസ്റ്റ് നടത്തിയ അന്വേഷണത്തിൽ വെസ്റ്റേഴ്സ് വരുമാനം താരതമ്യേന നോൺ വെറ്ററൻസ് വരുമാനത്തേക്കാൾ 15% കുറവാണെന്ന് കണ്ടെത്തി.

ഈ ഉദാഹരണം വിവരിക്കുന്നതുപോലെ, ചിലപ്പോൾ സാമൂഹികവും, രാഷ്ട്രീയവും, പ്രകൃതിദത്തശക്തികളും ഗവേഷകർക്ക് പ്രയോജനപ്പെടുത്തുന്ന വിധത്തിൽ ചികിത്സാസൗകര്യങ്ങൾ നൽകുന്നുണ്ട്, ചിലപ്പോൾ ഈ ചികിത്സാരീതികൾ എല്ലായ്പ്പോഴും വലിയ ഡാറ്റ സ്രോതസ്സുകളിലാണ് പിടിക്കപ്പെടുക. ഈ ഗവേഷണ തന്ത്രം ഇങ്ങനെ സംഗ്രഹിക്കാം: \[\text{random (or as if random) variation} + \text{always-on data} = \text{natural experiment}\]

ഡിജിറ്റൽ യുഗത്തിൽ ഈ തന്ത്രം ചിത്രീകരിക്കാൻ, തൊഴിലാളിയുടെ ഉൽപാദനക്ഷമതയിൽ ഉൽപാദന സഹപ്രവർത്തകരുമായി പ്രവർത്തിക്കാനുള്ള പ്രഭാവം കണക്കാക്കാൻ ശ്രമിച്ച അലക്സാണ്ടർ മസ്, എൻറിക്കോ മൊറെറ്റി (2009) എന്നിവരുടെ ഒരു പഠനം നമുക്ക് പരിശോധിക്കാം. ഫലങ്ങൾ കാണുന്നതിനുമുമ്പ്, നിങ്ങൾക്ക് ഉണ്ടാകാനിടയുള്ള വിരുദ്ധമായ പ്രതീക്ഷകൾ ഉണ്ടെന്ന് ചൂണ്ടിക്കാണിക്കാനാകും. ഒരു വശത്ത്, ഉൽപാദന സഹപ്രവർത്തകരുമായി ചേർന്ന് പ്രവർത്തിക്കുന്നത് ഒരു പിയർ സമ്മർദംകൊണ്ട് ഉത്പാദനക്ഷമത വർദ്ധിപ്പിക്കാൻ ഒരു തൊഴിലാളിയെ പ്രേരിപ്പിക്കുമെന്ന് നിങ്ങൾ പ്രതീക്ഷിച്ചേക്കാം. അല്ലെങ്കിൽ, കഠിനാധ്വാനികളായ പാവപ്പെട്ടവർ തൊഴിലാളിയെ തളർത്തിക്കളഞ്ഞേക്കാമെന്നു നിങ്ങൾ വിചാരിച്ചേയ്ക്കാം. കാരണം, സഹജോലിക്കാർ അതിനെപ്പറ്റിയായിരിക്കും ജോലി ചെയ്യുന്നത്. ഉൽപാദനക്ഷമതയെക്കുറിച്ച് പിയർ പ്രഭാവം പഠിക്കുന്നതിനുള്ള വ്യക്തമായ മാർഗ്ഗം, ഒരു റാൻഡഡ് നിയന്ത്രിത പരീക്ഷണമായിരിക്കും, അവിടെ തൊഴിലാളികൾ വ്യത്യസ്ത ഉൽപാദനക്ഷമതയുള്ള തൊഴിലാളികളുമായി മാറുന്നു. എന്നാൽ യഥാർഥ ബിസിനസിൽ തൊഴിലാളികളുടെ ഷെഡ്യൂൾ ഗവേഷകരെ നിയന്ത്രിക്കുന്നില്ല, അതിനാൽ മാസ് ആൻഡ് മൊററ്റി ഒരു സൂപ്പർമാർക്കറ്റിൽ കാഷിയർ ഉൾപ്പെടുന്ന പ്രകൃതി പരീക്ഷണത്തെ ആശ്രയിക്കേണ്ടിവന്നു.

ഈ പ്രത്യേക സൂപ്പർമാർക്കറ്റിൽ, ഷെഡ്യൂൾ ചെയ്തതും മാറ്റമില്ലാത്തതുമായ വഴി കാരണം ഓരോ കാഷ്യറിനും വ്യത്യസ്ത സമയങ്ങളിൽ വ്യത്യസ്ത സഹപ്രവർത്തകരുണ്ടായിരുന്നു. കൂടാതെ, ഈ പ്രത്യേക സൂപ്പർമാർക്കറ്റിൽ, കാഷ്യയർമാരെ നിയമനം അവരുടെ സഹപ്രവർത്തകരുടെ ഉൽപാദനക്ഷമതയുമായി ബന്ധപ്പെട്ടിരുന്നോ അല്ലെങ്കിൽ സ്റ്റോർ എത്ര തിരക്കാണ് എന്നതുമായി ബന്ധപ്പെട്ടിരുന്നില്ല. മറ്റൊരുതരത്തിൽ പറഞ്ഞാൽ, കാഷ്യേഴ്സുകളുടെ ഷെഡ്യൂൾ ലോട്ടറിയിൽ നിർണ്ണയിക്കപ്പെട്ടില്ലെങ്കിലും, തൊഴിലാളികൾ ഉയർന്ന തോതിലുള്ള (അല്ലെങ്കിൽ കുറഞ്ഞ) ഉൽപാദനക്ഷമതാ സഹചാരികളുമായി പ്രവർത്തിക്കാൻ ചിലപ്പോഴൊക്കെ ക്രമീകരിച്ചിട്ടുണ്ട്. ഭാഗ്യവശാൽ, ഈ സൂപ്പർ മാർക്കറ്റ് ഓരോ കാഷിയർ എല്ലായ്പ്പോഴും സ്കാനിംഗ് ഇനങ്ങൾ ട്രാക്ക് ഒരു ഡിജിറ്റൽ-യുഎസ്ക് ചെക്ക്ഔട്ട് സിസ്റ്റം ഉണ്ടായിരുന്നു. ഈ ചെക്കൗട്ട് ലോഗ് ഡാറ്റയിൽ നിന്ന്, മാസ്, മോരെട്ടി എന്നിവ കൃത്യമായ, വ്യക്തിഗതവും, എപ്പോഴും-തുടർന്നുള്ള ഉത്പാദനക്ഷമതയും സൃഷ്ടിച്ചു: സെക്കന്റിൽ സ്കാൻ ചെയ്ത ഇനങ്ങളുടെ എണ്ണം. ഈ രണ്ടു വസ്തുക്കളും കൂട്ടിച്ചേർത്തത് - സഹജ ഉത്പാദനക്ഷമതയിൽ സ്വാഭാവികമായി ഉണ്ടാകുന്ന വ്യതിയാനവും, ഉത്പാദനക്ഷമതയുടെ എല്ലായ്പ്പോഴും-അളവ് അളവുകോലും- മാസ്, മോരിറ്റി എന്നിവ കണക്കിലെടുത്ത്, ഒരു കാഷ്യകയെ ശരാശരിയെക്കാൾ 10% കൂടുതൽ ഉൽപാദനക്ഷമതയുള്ള സഹകാരികളെ നിയമിച്ചാൽ, അവളുടെ ഉത്പാദനക്ഷമത 1.5% . ഇതിനുപുറമേ, അവയുടെ പ്രധാന വലിപ്പവും അവയുടെ സമ്പാദ്യവും രണ്ട് സുപ്രധാന വിഷയങ്ങൾ പര്യവേക്ഷണം ചെയ്തു. ഈ ഫലത്തിന്റെ വൈരുദ്ധ്യം (ഏത് തരത്തിലുള്ള തൊഴിലാളികൾക്കാണ് വലിയ പ്രഭാവമുണ്ടാകുന്നത്?), ഫലത്തിന്റെ പിന്നിലുള്ള സംവിധാനങ്ങൾ (ഉയർന്ന ഉൽപ്പാദനക്ഷമമായ ഉയർന്ന ഉത്പാദനക്ഷമത?). പരീക്ഷണങ്ങളെക്കുറിച്ച് കൂടുതൽ വിശദമായി ചർച്ച ചെയ്യുമ്പോൾ ഈ രണ്ടു സുപ്രധാന വിഷയങ്ങളിലേക്കും നമ്മൾ വീണ്ടും ചികിത്സാരീതികളുടെയും പ്രവർത്തനരീതികളുടെയും ബഹുസ്വരതയിലേക്ക് മടങ്ങുന്നു.

ഈ രണ്ട് പഠനങ്ങളിൽ നിന്നും വ്യത്യസ്തമാക്കുന്നത്, പട്ടിക 2.3 ഈ ഘടനയുള്ള മറ്റ് പഠനങ്ങളെ സംഗ്രഹിക്കുന്നു: ചില റാൻഡം വ്യതിയാനങ്ങളുടെ പ്രത്യാഘാതം അളക്കാൻ എല്ലായ്പ്പോഴും ഒരു ഡാറ്റ സ്രോതസ്സ് ഉപയോഗിക്കുന്നു. ഫലത്തിൽ, പ്രകൃതിദത്ത പരീക്ഷണങ്ങൾ കണ്ടെത്തുന്നതിനായി രണ്ട് വ്യത്യസ്ത തന്ത്രങ്ങൾ ഗവേഷകർ ഉപയോഗിക്കുന്നുണ്ട്, അവ രണ്ടും ഫലപ്രദമാണ്. ചില ഗവേഷകർ എപ്പോഴും ഒരു ഓൺ-ഡാറ്റ സ്രോതസ്സിൽ ആരംഭിക്കുകയും ലോകത്തിലെ യാദൃശ്ചിക സംഭവങ്ങളെ നോക്കുകയും ചെയ്യുക; മറ്റുള്ളവർ ലോകത്തിലെ ഒരു ക്രമരഹിത സംഭവം ആരംഭിക്കുകയും അതിന്റെ സ്വാധീനത്തെ പിടിച്ചടക്കുന്ന ഡാറ്റ ഉറവിടങ്ങൾക്കായി നോക്കുകയും ചെയ്യുന്നു.

സ്വാഭാവിക പരീക്ഷണങ്ങൾ സംബന്ധിച്ച ചർച്ചകളിൽ, ഞാൻ ഒരു പ്രധാന കാര്യം ഉപേക്ഷിച്ചു: നിങ്ങൾ ആഗ്രഹിക്കുന്നതെന്താണ് പ്രകൃതിയിൽ നിന്നും പോകുന്നത് ചിലപ്പോൾ വളരെ കുഴഞ്ഞുമറിയാം. വിയറ്റ്നാം കരട് മാതൃകയിലേക്ക് മടങ്ങാം. ഈ സാഹചര്യത്തിൽ, വരുമാനം സംബന്ധിച്ച സൈനിക സേവനത്തിന്റെ ഫലത്തെ വിലയിരുത്തുന്നതിൽ അങ്കിരിക്ക് താൽപര്യം ഉണ്ടായിരുന്നു. നിർഭാഗ്യവശാൽ, സൈനികസേവനത്തെ ക്രമരഹിതമായി നിയമിച്ചിട്ടില്ല. മറിച്ച് അത് ക്രമരഹിതമായി നിശ്ചയിച്ചിട്ടുള്ളതാണ്. എന്നിരുന്നാലും, കരച്ചിലില്ലാത്ത എല്ലാവർക്കും (വിവിധ തരത്തിലുള്ള ഒഴിവുകളുണ്ടായിരുന്നു). മാത്രമല്ല, പരിചയമുള്ളവരെയൊന്നും തന്നെ സൃഷ്ടിച്ചില്ല (ആളുകൾക്ക് സന്നദ്ധസേവനം ചെയ്യാൻ കഴിയും). ഡ്രാഫ്റ്റ് ചെയ്യപ്പെട്ടവയെ ക്രമരഹിതമായി നിയമിച്ചതിനാൽ, കരടുരേഖയിലുള്ള എല്ലാ പുരുഷന്മാർക്കും വേണ്ടി തയ്യാറാക്കുന്നതിൻറെ ഫലം ഒരു ഗവേഷകന് വിലയിരുത്തുക. എന്നാൽ തയ്യാറാക്കപ്പെട്ടതിൻറെ ഫലത്തെ കുറിച്ച് അറിയാൻ Angrist ആഗ്രഹിച്ചില്ല; സൈന്യത്തിൽ സേവിക്കുന്നതിൻറെ ഫലം അറിയാൻ അവൻ ആഗ്രഹിച്ചു. ഈ മതിപ്പ് കണക്കാക്കാൻ, കൂടുതൽ അനുമാനങ്ങളും സങ്കീർണതയും ആവശ്യമാണ്. ആദ്യം, ഗവേഷകർക്ക് വരുമാനം ഉണ്ടാക്കുന്ന ഒരേയൊരു മാർഗ്ഗം സൈനികസേവനത്തിലൂടെയാണെന്ന് അനുമാനിക്കേണ്ടതാണ്, ഒഴിവാക്കൽ നിയന്ത്രണം എന്ന് കരുതപ്പെടുന്ന ഒരു അനുമാനം. ഉദാഹരണമായി, സൃഷ്ടിക്കപ്പെട്ട പുരുഷൻമാർ ജോലിയിൽ നിന്ന് മാറി താമസിക്കുന്ന അല്ലെങ്കിൽ തൊഴിൽ ചെയ്യുന്നവർ സൃഷ്ടിക്കപ്പെട്ട പുരുഷന്മാരെ നിയമിക്കാൻ സാധ്യത കുറവാണെങ്കിൽ, സ്കൂൾ കെട്ടിടനിർമ്മാണം തുടരുകയാണെങ്കിൽ ഈ ധാരണ തെറ്റാകാം. പൊതുവേ, ഒഴിവാക്കൽ നിയന്ത്രണം ഒരു നിർണായക അനുമാനമാണ്, സാധാരണഗതിയിൽ പരിശോധിക്കുന്നത് സാധാരണമാണ്. ഒഴിവാക്കൽ നിയന്ത്രണം ശരിയാണെങ്കിലും, എല്ലാ പുരുഷന്മാരുടെയും സേവനത്തിന്റെ ഫലത്തെ വിലയിരുത്തുന്നത് ഇപ്പോഴും അസാധ്യമാണ്. അതിനുപകരം, ഗവേഷകർക്ക് നിർദിഷ്ട (Angrist, Imbens, and Rubin 1996) തയ്യാറാക്കാതിരുന്ന സമയത്ത് (Angrist, Imbens, and Rubin 1996) ) (Angrist, Imbens, and Rubin 1996) എന്നിവയെക്കുറിച്ചുള്ള ഗവേഷണങ്ങൾക്ക് മാത്രമേ കഴിയൂ. എന്നിരുന്നാലും, കമ്പൈലർമാർ യഥാർത്ഥ താത്പര്യക്കാരല്ലായിരുന്നു. ഡ്രാഫ്റ്റ് ലോട്ടറിയുടെ താരതമ്യേന ശുദ്ധമായ കേസിൽപ്പോലും ഈ പ്രശ്നങ്ങൾ ഉണ്ടാകുമെന്ന് ശ്രദ്ധിക്കുക. ശാരീരിക ലോട്ടറിയിൽ ചികിത്സ നിർവഹിക്കാത്തപ്പോൾ കൂടുതൽ സങ്കീർണതകൾ ഉണ്ടാകാം. ഉദാഹരണത്തിന്, മാസ്, മോരിട്ടിയുടെ കാഷ്യേഴ്സിനെക്കുറിച്ചുള്ള പഠനങ്ങളിൽ, കൂട്ടാളികളുടെ നിയമനം അടിസ്ഥാനപരമായി ക്രമരഹിതമാണെന്ന് കരുതുന്നതിനെക്കുറിച്ചുള്ള കൂടുതൽ ചോദ്യങ്ങൾ ഉയർന്നുവരുന്നു. ഈ അനുമാനം ശക്തമായി ലംഘിക്കുകയാണെങ്കിൽ, അത് അവരുടെ മൂല്യനിർണ്ണയത്തെക്കുറിച്ച് പക്ഷപാതപരമായി കണക്കാക്കാം. സമാപന ഫലമായി, പ്രകൃതിദത്ത പരീക്ഷണങ്ങൾ അല്ലാത്ത പരീക്ഷണാത്മക ഡാറ്റയിൽ നിന്നുള്ള ഗുണം ഉണ്ടാക്കുവാനുള്ള ഒരു ശക്തമായ തന്ത്രമായിരിക്കും. വലിയ ഡാറ്റാ സ്രോതസ്സുകൾ സ്വാഭാവിക പരീക്ഷണങ്ങൾക്ക് തുടക്കമിടാനുള്ള നമ്മുടെ കഴിവ് വർദ്ധിപ്പിക്കുന്നു. എന്നിരുന്നാലും, നിങ്ങൾക്കാവശ്യമായ മതിപ്പു കണക്കിന് സ്വഭാവം നൽകിയതിൽ നിന്ന് അത് മികച്ച പരിചരണവും ചിലപ്പോൾ ശക്തമായ അനുമാനങ്ങളും ആവശ്യമായി വരും.

അല്ലാത്ത പരീക്ഷണാത്മക ഡാറ്റയിൽ നിന്ന് കാസർകോഡ് മൂല്യനിർണ്ണയം നടത്തുന്നതിനുള്ള രണ്ടാം തന്ത്രം സ്റ്റാറ്റിസ്റ്റിക്കലായി സ്വീകരിക്കുന്ന നോൺ-പരീക്ഷണാത്മക ഡാറ്റയെ ആശ്രയിച്ചിരിക്കും, ചികിത്സയും സ്വീകരിക്കാത്തതും തമ്മിലുള്ള വ്യത്യാസങ്ങൾ മുൻകൂട്ടി നിശ്ചയിക്കുന്നതിനുള്ള ഒരു ശ്രമത്തിൽ. ഇത്തരത്തിലുള്ള പല സമീപന രീതികളുമുണ്ട്, എന്നാൽ പൊരുത്തപ്പെടുന്ന ഒന്നിൽ ഞാൻ ശ്രദ്ധ കേന്ദ്രീകരിക്കും. പൊരുത്തപ്പെടുന്നതിൽ, ഗവേഷകൻ നോൺ-പരീക്ഷണാത്മക ഡാറ്റ നോക്കുന്നു സമാനമായ ജോഡി ആളുകളെ സൃഷ്ടിക്കുന്നത് അല്ലാതെ ഒരാൾക്ക് ചികിത്സ ലഭിച്ചിരിക്കുന്നു, ഒരാൾക്ക് ഇല്ല. പൊരുത്തപ്പെടുന്ന പ്രക്രിയയിൽ, ഗവേഷകർ ശരിക്കും വൃത്തിയാക്കുന്നു ; അതായത് വ്യക്തമായ ഒരു പൊരുത്തക്കേട് ഇല്ലെങ്കിൽ ഒഴിവാക്കാവുന്ന കേസുകൾ. ഇങ്ങനെ, ഈ രീതി കൂടുതൽ കൃത്യമായി പൊരുത്തപ്പെടുന്ന-ആൻഡ് അരിവാൾകൊണ്ടു എന്നു പറയും, എന്നാൽ ഞാൻ പരമ്പരാഗത എന്ന പദം കാണാം: പൊരുത്തപ്പെടുന്ന.

വൻതോതിലുള്ള പരീക്ഷണാത്മക ഡാറ്റ സ്രോതസ്സുകളുമായി പൊരുത്തപ്പെടുന്ന തന്ത്രങ്ങളുടെ ഒരു ഉദാഹരണം ലിറാൻ ഇനാവ്, സഹപ്രവർത്തകർ (2015) എന്നിവരുടെ ഗവേഷണങ്ങളിൽ നിന്നാണ്. ലേലത്തിൽ ലേലത്തിൽ നടന്ന ലേലത്തിൽ താല്പര്യമുണ്ടായിരുന്നു, അവരുടെ പ്രവൃത്തിയെ വിശദീകരിക്കുന്നതിൽ ലേലം വരുമാനത്തിന്റെ വിലയുടെ പ്രാരംഭത്തിൽ ഞാൻ വിലമതിക്കുന്നു, വിൽപന വിലയോ വിൽപ്പനയുടെ സാദ്ധ്യതയോ പോലുള്ളവ.

വിൽപന വിലയിൽ ആരംഭിക്കുന്ന പ്രഭാവം കണക്കാക്കുന്നതിനുള്ള ഏറ്റവും അചിന്തമായ മാർഗ്ഗം, വ്യത്യസ്ത വില ആരംഭിക്കുന്ന ലേലവുമായി ലേലത്തിനായുള്ള അവസാന വില കണക്കുകൂട്ടാൻ മാത്രമായിരിക്കും. പ്രാരംഭ വിലയുടെ വിൽപ്പന വിലയെക്കുറിച്ച് മുൻകൂട്ടി പറയാൻ നിങ്ങൾ ആഗ്രഹിക്കുന്നുവെങ്കിൽ ഈ സമീപനം നന്നായിരിക്കും. എന്നാൽ, നിങ്ങളുടെ ചോദ്യം ആരംഭത്തിന്റെ വിലയുടെ ഫലത്തെക്കുറിച്ചാണെങ്കിൽ, ഈ സമീപനം പ്രവർത്തിക്കില്ല, കാരണം ഇത് ന്യായമായ താരതമ്യങ്ങളെ അടിസ്ഥാനമാക്കിയല്ല; കുറഞ്ഞ വില ആരംഭിക്കുന്ന വിലയുള്ള ലേലം ഉയർന്ന പ്രാധാന്യമുള്ള വിലകളിൽ നിന്ന് തികച്ചും വ്യത്യസ്തമായിരിക്കും (ഉദാഹരണത്തിന്, അവർ വ്യത്യസ്ത തരത്തിലുള്ള സാധനങ്ങൾക്കായോ വ്യത്യസ്ത വിൽപ്പനക്കാർ ഉൾപ്പെടുന്നു).

അല്ലാത്ത പരീക്ഷണാത്മക ഡാറ്റയിൽ നിന്ന് വ്യാവസായിക മൂല്യനിർണയങ്ങൾ നടത്തുമ്പോൾ ഉണ്ടാകുന്ന പ്രശ്നങ്ങൾ നിങ്ങൾക്കറിയാമെങ്കിൽ, നിങ്ങൾക്ക് അസ്പഷ്ടമായ സമീപനത്തെ ഒഴിവാക്കാനും ഒരു നിശ്ചിത ഇനം ഗോൾഫ് ക്ലബ്ബിൽ വിൽക്കുന്ന ഒരു ഫീൽഡ് പരീക്ഷണം നടത്താം. ലേലത്തിന്റെ പാരാമീറ്ററുകളുടെ സെറ്റ്-രണ്ട് ഷെയറുകൾ തുറന്ന ഷിപ്പിംഗും ലേലവും തുറക്കാറുണ്ട്. തത്ഫലമായുണ്ടാകുന്ന വിപണിയുടെ ഫലം താരതമ്യപ്പെടുത്തുന്നതിലൂടെ, ഈ ഫീൽഡ് പരീക്ഷണം വിലയുടെ വിലയുടെ വിലയുടെ പ്രഭാവത്തിൻറെ വളരെ വ്യക്തമായ അളവ് നൽകും. എന്നാൽ ഈ അളവ് ഒരു പ്രത്യേക ഉൽപന്നത്തിനും ലേലപ്പട്ടികയുടെ പരിധിക്കും ബാധകമായിരിക്കും. വിവിധതരം ഉൽപ്പന്നങ്ങൾ ഉദാഹരണമായി, വ്യത്യസ്തമായിരിക്കാം ഫലങ്ങൾ. ശക്തമായ ഒരു സിദ്ധാന്തം ഇല്ലാതെ, ഈ ഏക പരീക്ഷണം മുതൽ വിജയകരമായി പ്രവർത്തിക്കാൻ സാധ്യതയുള്ള പരീക്ഷണങ്ങളുടെ പൂർണ്ണ പരിധിക്കപ്പുറം. കൂടാതെ, ഫീൽഡ് പരീക്ഷണങ്ങൾ നിങ്ങൾ പരീക്ഷിക്കാൻ ആഗ്രഹിക്കുന്ന എല്ലാ വ്യതിയാനങ്ങളും പ്രവർത്തിപ്പിക്കാൻ അപ്രാപ്തമാകുമെന്നത് വളരെ ചിലവേറിയതാണ്.

ലളിതവും പരീക്ഷണാത്മകവുമായ സമീപനങ്ങൾക്ക് വിപരീതമായി, ഐനയും സഹപ്രവർത്തകരും ഒരു മൂന്നാം സമീപനം സ്വീകരിച്ചു. EBay ൽ സംഭവിച്ച ഫീൽഡ് പരീക്ഷണങ്ങൾ പോലെയുള്ള കാര്യങ്ങൾ കണ്ടെത്തുക എന്നതാണ് അവരുടെ തന്ത്രത്തിലെ പ്രധാന തമാശ. ഉദാഹരണത്തിന്, ഒരേ ഗോൾഫ് ക്ലബ്ബിനു വേണ്ടി 31 പട്ടികകളിൽ ചിലത്-2. Taylorormade Burner 09 ഡ്രൈവർ-വിൽക്കുന്ന അതേ ബസ്സർ "ബജറ്റ്ഗോഫർഫർ" വിൽക്കുന്നു. എന്നാൽ ഈ 31 ലിസ്റ്റിങ്ങുകൾക്ക് വ്യത്യസ്ത വ്യത്യസ്ത സവിശേഷതകൾ ഉണ്ട്. വില, അവസാന തീയതി, ഷിപ്പിംഗ് ഫീസ് എന്നിവ. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, "ബജറ്റ്ഗോൾഫർ" ഗവേഷകരുടെ പരീക്ഷണങ്ങൾ നടത്തുന്നുവെന്നതാണ്.

Taylormade Burner 09 ഡ്രൈവർ ഈ ലിസ്റ്റിംഗുകൾ വിൽക്കുന്നത് "ബഡ്ജോൽഫോൾഡർ" ആണ്. അതേ പട്ടികയിലുള്ള ലിസ്റ്റിലെ കൃത്യമായ ഇനം വിൽക്കുന്ന ഒരു ലിസ്റ്റിന്റെ ഒരു മാതൃകയാണ്, എന്നാൽ ഓരോ തവണയും അല്പം വ്യത്യസ്തമായ സവിശേഷതകളാൽ വിൽക്കുന്നു. വൻകിട ബുക്കുകളിൽ, ലക്ഷക്കണക്കിന് ലിസ്റ്റിംഗുകൾ ഉൾപ്പെടെ ആയിരക്കണക്കിന് പൊരുത്തമുള്ള സെറ്റുകളുണ്ട്. അതിനാൽ, ഒരു നിശ്ചിത വിലയുടെ അടിസ്ഥാനത്തിൽ എല്ലാ ലേലത്തിന്റേയും അവസാന വില താരതമ്യം ചെയ്യുന്നതിനേക്കാൾ, ഐനയും സഹപ്രവർത്തകരും പൊരുത്തപ്പെട്ട സെറ്റുകളുമായി താരതമ്യം ചെയ്യുന്നു. ഈ നൂറുകണക്കിന് പൊരുത്തമുള്ള സെറ്റുകളിലെ താരതമ്യങ്ങളിൽ നിന്നും ഫലങ്ങൾ കൂട്ടിച്ചേർക്കുന്നതിന്, ഓരോ ഇനത്തിന്റെയും റഫറൻസ് മൂല്യം (ഉദാഹരണത്തിന്, അതിന്റെ ശരാശരി വില്പന വില) കണക്കിലെടുത്ത് ഐനാവും സഹപ്രവർത്തകരും ആരംഭ വിലയും അവസാന വിലയും വീണ്ടും പ്രകടിപ്പിച്ചു. ഉദാഹരണത്തിന്, Taylormade Burner 09 ഡ്രൈവർ $ 100 ന്റെ ഒരു റഫറൻസ് മൂല്യമുണ്ടെങ്കിൽ, അപ്പോൾ ഒരു 10 ഡോളർ വില ആരംഭിക്കുന്ന വില 0.1 ആയും വില $ 120 എന്നതിന്റെ അവസാന വിലയും ആയിരിക്കും.

ചിത്രം 2.8: പൊരുത്തപ്പെട്ട സെറ്റിന്റെ ഒരു ഉദാഹരണം. ഒരേ ഗോൾഫ് ക്ലബ്ബാണ് (ഒരു ടോളോർമഡഡ് ബർണർ 09 ഡ്രൈവർ) അതേ വ്യക്തി ("ബജറ്റ്ഗോൽഫർ") വിൽക്കുന്നത്, പക്ഷെ ചില വിൽപനകൾ വിവിധ അവസ്ഥകളിൽ (ഉദാ: വ്യത്യസ്ത വിലകൾ) നടത്തി. Einav et al. (2015) അനുമതിയോടെയാണ് പുനർനിർമ്മിച്ചത് Einav et al. (2015) , ചിത്രം 1 ബി.

ലേലം ഫലങ്ങളിൽ ആരംഭ വിലയുടെ പ്രാധാന്യത്തിൽ ഐനാവിനും സഹപ്രവർത്തകർക്കും താൽപര്യമുണ്ടെന്ന് ഓർക്കുക. ഒന്നാമത്തേത്, ഉയർന്ന വില ആരംഭിച്ച വിലയ്ക്ക് ഒരു വിൽപ്പനയുടെ സാധ്യത കുറയ്ക്കുമെന്ന് കണക്കാക്കാൻ അവർ ലീനിയർ റിഗ്രഷൻ ഉപയോഗിച്ചു, ഉയർന്ന ആരംഭ വിലകൾ അവസാന വില്പന വില (ഒരു വിൽപ്പന നടന്നാൽ) വർദ്ധിപ്പിക്കുന്നു. തങ്ങളെത്തന്നെയാണെങ്കിൽ, ഈ കണക്കുകൾ, ഒരു രേഖീയ ബന്ധത്തെ വിവരിക്കുന്നതും എല്ലാ ഉത്പന്നങ്ങളേക്കാളും ശരാശരി ഉള്ളവയാണ്-ഇവ രസകരമായ കാര്യമല്ല. പിന്നീട്, ഐനയും സഹപ്രവർത്തകരും തങ്ങളുടെ ഡാറ്റയുടെ ഭീമമായ അളവിൽ ഉപയോഗിച്ചു സൂക്ഷ്മ കണക്കുകൾ തയ്യാറാക്കാൻ തുടങ്ങി. ഉദാഹരണത്തിന്, വ്യത്യസ്ഥമായ ആരംഭിക്കുന്ന വിലകൾക്കായി അവ പ്രത്യേകം കണക്കാക്കിയതിലൂടെ, ആരംഭ വിലയും വില്പന വിലയും തമ്മിലുള്ള ബന്ധം നിയമവിരുദ്ധമാണെന്ന് കണ്ടെത്തി (ചിത്രം 2.9). പ്രത്യേകിച്ച്, 0.05 മുതൽ 0.85 വരെ വിലകൾ ആരംഭിക്കുന്നതിനായി, ആരംഭ വിലയ്ക്ക് വിൽപന വിലയിൽ വളരെ ചെറിയ സ്വാധീനം ചെലുത്തുന്നുണ്ട്. എല്ലാ ഇനങ്ങളുടേതിനേക്കാളും ശരാശരി, ഐനാവിനും സഹപ്രവർത്തകർക്കും 23 വ്യത്യസ്ത തരത്തിലുള്ള വസ്തുക്കൾ (ഉദാഹരണത്തിന്, വളർത്തുമൃഗ വിതരണങ്ങൾ, ഇലക്ട്രോണിക്സ്, സ്പോർട്സ് memorabilia) വില തുടങ്ങുന്നതിന്റെ സ്വാധീനം (ചിത്രം 2.10). ഈ മൂല്യനിർണ്ണയങ്ങൾ സൂചിപ്പിക്കുന്നത്, ഓർമക്കുറിപ്പുകൾ ആരംഭിക്കുന്ന വിലയിൽ, വിൽപനയുടെ പ്രോബബിലിറ്റിയെക്കുറിച്ചും അവസാന വില്പന വിലയിൽ വലിയ സ്വാധീനത്തേക്കാളും കുറച്ചുകൂടി കുറവാണ്. കൂടാതെ, കൂടുതൽ കമ്മോഡിഫൈഡ് ഇനങ്ങൾക്ക്, അതായത് ഡി.വി.ഡികൾ പോലുള്ളവ - അവസാന വിലയിൽ പ്രാഥമികമായി ഒരു വിലയുമില്ല. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, 23 വ്യത്യസ്ത വിഭാഗങ്ങളിൽ നിന്നുള്ള ഫലങ്ങൾ സംയോജിപ്പിക്കുന്ന ശരാശരി ഇനങ്ങൾക്ക് പ്രധാന വ്യത്യാസങ്ങൾ മറയ്ക്കുന്നു.

ചിത്രം 2.9: ലേലം ആരംഭിക്കുന്ന വിലയും വില്പനയും (എ), വിൽപ്പന വില (ബി) എന്നിവയുടെ ബന്ധവും. ആരംഭ വിലയും വിപണന സാധ്യതയും തമ്മിൽ ഏതാണ്ട് രേഖീയ ബന്ധമുണ്ട്, എന്നാൽ ആരംഭ വിലയും വിൽപനയും തമ്മിലുള്ള തർജ്ജമ ബന്ധം; 0.05-നും 0.85-നും ഇടയിലുള്ള വില തുടങ്ങാൻ ആരംഭിക്കുന്ന വിലയുടെ വില വിൽപന വിലയിൽ വളരെ കുറവാണ്. രണ്ടിടങ്ങളിലും, പരസ്പര ബന്ധം ഇനീയ മൂല്യത്തിൽ നിന്ന് സ്വതന്ത്രമാണ്. Einav et al. (2015) നിന്നും സ്വീകരിച്ചിരിക്കുന്നു Einav et al. (2015) , കണക്കുകൾ 4 എ, 4 ബി.

ചിത്രം 2.10: ഓരോ വിഭാഗത്തിലും നിന്നുള്ള വസ്തുതകൾ കണക്കാക്കപ്പെടുന്നു. എല്ലാ വിഭാഗങ്ങളുടെയും ഒരുപോലെ ഒന്നിച്ചുചേർന്നതാണ് (Einav et al. 2015) . ഈ വിശകലനങ്ങൾ കാണിക്കുന്നത് memorabilia പോലുള്ള - കൂടുതൽ വിലപ്പെട്ട ഇനങ്ങൾക്ക് ഒരു വിലയ്ക്ക് ( \(x\) -axis) വിപണിയുടെ പ്രോബബിലിറ്റി ഒരു ചെറിയ സ്വാധീനവും അവസാന വിൽപന വിലയിലെ വലിയ സ്വാധീനവും ( \(y\) -axis). Einav et al. (2015) നിന്നും സ്വീകരിച്ചിരിക്കുന്നു Einav et al. (2015) , ചിത്രം 8.

നിങ്ങൾ eBay- ൽ ലേലം ചെയ്യുന്നതിൽ പ്രത്യേക താൽപ്പര്യമില്ലെങ്കിൽ പോലും, 2.9 ലും 2.10 ലും 2.1 ലും നിങ്ങൾ വളരെ മികച്ച രീതിയിലുള്ള അറിവ് നൽകുന്നതിനേക്കാൾ ലളിതമായ മൂല്യങ്ങളേക്കാൾ വ്യത്യസ്തമായ നിരവധി ഇനങ്ങൾ ഉൾപ്പെടുത്തുന്നു. ഫീൽഡ് പരീക്ഷണങ്ങളുമായി കൂടുതൽ സൂക്ഷ്മമായ വിലയിരുത്തലുകൾ ഉണ്ടാക്കുവാൻ ശാസ്ത്രീയമായി സാധിക്കുമെങ്കിലും, ചെലവ് അത്തരം പരീക്ഷണങ്ങൾ അസാധാരണമാക്കും.

പ്രകൃതിദത്ത പരീക്ഷണങ്ങൾ പോലെ, പൊരുത്തപ്പെടാത്ത നിരവധി മാർഗ്ഗങ്ങളുണ്ട്. ഞാൻ പൊരുത്തപ്പെടുന്ന മൂല്യങ്ങളുള്ള ഏറ്റവും വലിയ ആശയം പൊരുത്തത്തിൽ ഉപയോഗിക്കാത്ത കാര്യങ്ങൾ കാരണം അവ പക്ഷപാതരഹിതമായിരിക്കാമെന്നതാണ്. ഉദാഹരണത്തിന്, അവരുടെ പ്രധാന ഫലങ്ങളിൽ, ഐനാവും സഹപ്രവർത്തകരും നാല് സ്വഭാവങ്ങളുമായി കൃത്യമായി യോജിച്ചു: വിൽക്കുന്നയാളുടെ ഐഡി നമ്പർ, ഇനങ്ങളുടെ വിഭാഗം, ഇനത്തിന്റെ ശീർഷകം, ഉപശീർഷകം എന്നിവ. പൊരുത്തപ്പെടുത്തലുകൾക്കായി ഉപയോഗിക്കാത്ത രീതികളിൽ വസ്തുക്കൾ വ്യത്യസ്തമാണെങ്കിൽ, ഇത് അപ്രസക്തമായ താരതമ്യം സൃഷ്ടിക്കും. ഉദാഹരണത്തിന്, ശൈത്യകാലത്ത് Taylormade Burner 09 ഡ്രൈവർക്ക് "ബജോൾഗോൾഫർ" വില കുറച്ചെങ്കിൽ (ഗോൾഫ് ക്ലബ്ബുകൾ കുറവല്ലെങ്കിൽ), അത് താഴ്ന്ന വിലകൾ താഴ്ന്ന അവസാന വിലയ്ക്ക് കാരണമാകുമെന്ന് തോന്നിയേക്കാം, വാസ്തവത്തിൽ ഇത് ഒരു ഡിമാൻഡിൽ സീസൺ വ്യതിയാനം. ഈ ആശങ്കയെ അഭിസംബോധിപ്പിക്കുന്നതിന് ഒരു സമീപനം പല തരത്തിലുള്ള പൊരുത്തപ്പെടൽ ശ്രമിക്കുന്നു. ഉദാഹരണത്തിന്, ഐനയും സഹപ്രവർത്തകരും മാച്ചിനുപയോഗിക്കുന്ന സമയ ജാലകത്തിൽ വ്യത്യാസമില്ലാതെ അവരുടെ വിശകലനം ആവർത്തിച്ചു (ഒരു സെറ്റ് ഉള്ളിൽ ഒരു വർഷത്തിനുള്ളിൽ, ഒരു മാസത്തിനുള്ളിൽ, ഒരു സമകാലികമായി, ഇനങ്ങൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്). ഭാഗ്യവശാൽ, എല്ലായ്പ്പോഴും വിൻഡോസിനു സമാനമായ ഫലങ്ങൾ കണ്ടെത്തി. വ്യാഖ്യാനത്തിൽ നിന്ന് യോജിക്കുന്ന മറ്റൊരു ആശയം. പൊരുത്തപ്പെടുത്തിയുള്ള ഡാറ്റയുമായി പൊരുത്തപ്പെടുന്നവയിൽ നിന്ന് മാത്രം കണക്കാക്കുന്നത്; പൊരുത്തപ്പെടാത്തവയ്ക്ക് അവ ബാധകമല്ല. ഉദാഹരണത്തിന്, ഒന്നിലധികം ലിസ്റ്റിംഗുള്ള ഇനങ്ങളിൽ ഗവേഷണം പരിമിതപ്പെടുത്തുന്നതിലൂടെ, Einav ഉം സഹപ്രവർത്തകരും പ്രൊഫഷണൽ സെമി-പ്രൊഫഷണൽ വിൽപനക്കാരിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. അതിനാൽ, ഈ താരതമ്യങ്ങളെ വ്യാഖ്യാനിക്കുന്ന സമയത്ത് അവർ ഈബേയുടെ ഉപവിഭാഗത്തിന് മാത്രമേ പ്രയോഗിക്കാറുള്ളൂ.

പരീക്ഷണാത്മക ഡാറ്റയിൽ നിയമാനുസൃതമായ താരതമ്യംകൾ കണ്ടെത്തുന്നതിനുള്ള ശക്തമായ ഒരു തന്ത്രമാണ് പൊരുത്തപ്പെടൽ. പല സാമൂഹ്യ ശാസ്ത്രജ്ഞർക്കും, പൊരുത്തപ്പെടുന്നത് പരീക്ഷണങ്ങൾക്ക് രണ്ടാമത്തെ മികച്ചതാണ്, എന്നാൽ അത് പരിഷ്കരിക്കാനുള്ള ഒരു വിശ്വാസമാണ്, ചെറുതായി. വളരെ ചെറിയ അളവിലുള്ള ഫീൽഡ് പരീക്ഷണങ്ങളേക്കാൾ മികച്ച പ്രകടനങ്ങളുമായി പൊരുത്തപ്പെടാം. (1) ഫലങ്ങളിൽ വൈറ്റമിൻറീസ് പ്രാധാന്യമർഹിക്കുന്നതും (2) ചേരുന്നതിന് ആവശ്യമായ പ്രധാനപ്പെട്ട വേരിയബിളുകൾ അളക്കാൻ കഴിയുന്നു. വലിയ ഡാറ്റ ഉറവിടങ്ങളിൽ പൊരുത്തപ്പെടുന്നതെങ്ങനെ എന്നതിന് മറ്റ് ചില ഉദാഹരണങ്ങൾ പട്ടിക 2.4 നൽകുന്നു.

ഉപസംഹാരമായി, പരീക്ഷണാത്മക ഡാറ്റയിൽ നിന്നുള്ള കാരണത്തെക്കുറിച്ച് കണക്കാക്കുന്നത് വളരെ പ്രയാസകരമാണ്, പക്ഷേ സ്വാഭാവിക പരീക്ഷണങ്ങൾ, സ്റ്റാറ്റിസ്റ്റിക്കൽ ക്രമീകരണങ്ങൾ (ഉദാഹരണത്തിന്, പൊരുത്തപ്പെടൽ) തുടങ്ങിയവ ഉപയോഗപ്പെടുത്താം. ചില സാഹചര്യങ്ങളിൽ, ഈ സമീപനങ്ങൾ വളരെ മോശമായിപ്പോയി, പക്ഷേ ശ്രദ്ധാപൂർവ്വം വിന്യസിച്ചിരിക്കുമ്പോൾ, ഈ സമീപനം ഞാൻ നാലാം അദ്ധ്യായത്തിൽ വിവരിക്കുന്ന പരീക്ഷണാത്മക സമീപനത്തിന് ഉപകാരപ്രദമാണ്. കൂടാതെ, ഈ രണ്ട് സമീപനങ്ങളും എപ്പോഴും, ഓൺ, വലിയ ഡാറ്റാ സിസ്റ്റങ്ങൾ.