2.4.3 ойролцоогоор туршилт

Бидэнд байхгүй эсвэл хийх боломжгүй байгаа туршилтуудтай ойролцоо байна. Мэдээллийн том эх сурвалжаас ялангуяа ихээхэн ашиг тустай хоёр хандлага нь байгалийн туршилт, тохирол юм.

Зарим шинжлэх ухаан, бодлогын чухал асуултууд нь учир шалтгааны шалтгаан юм. Жишээлбэл, цалин хөлсний талаархи сургалтын хөтөлбөрийн үр нөлөө ямар байх вэ? Энэ асуултад хариулах гэсэн оролдлого хийж буй судлаач нь сургалтанд хамрагдсан хүмүүст олсон орлогыг харьцуулж болох юм. Гэхдээ эдгээр бүлгүүдийн хоорондын цалин хөлсний ялгаа хэр их байгаа нь сургалтаас шалтгаалж хэр зэрэг ялгаатай байдаг вэ? Энэ нь хэцүү асуулт бөгөөд энэ нь автоматаар илүү их мэдээлэл алдагдахгүй байх явдал юм. Єєрєєр хэлбэл, урьд ємнє таны єгєгдлийн тоо хичнээн ажилчин байснаас їл хамааран боломжит хувилбаруудын талаархи санаа зовнилууд гарч ирнэ.

Ихэнх тохиолдолд ажлын байрны сургалт гэх мэт зарим эмчилгээний үр нөлөөг үнэлэх хамгийн хүчтэй арга нь санамсаргүйгээр хяналттай туршилтыг явуулах явдал юм. Ингэснээр судлаач эмчилгээгээ зарим хүмүүст бус, харин бусдад хүргэдэг. Би туршилтын бүх бүлгийг 4-р бүлэгт зориулах болно. Тиймээс энд би туршилтын бус өгөгдөлтэй ашиглаж болох хоёр стратеги дээр анхаарлаа хандуулах болно. Эхний стратеги нь санамсаргүй байдлаар (эсвэл бараг санамсаргүй байдлаар) эмчилгээг зарим хүмүүст бус, бусдад өгдөг дэлхийгээр тохиолдож буй зүйлүүдийг хайж олоход хамаардаг. Хоёр дахь стратеги нь эмчилгээг хүлээн аваагүй, эмчилгээ хийлгээгүй хүмүүсийн хоорондох урьдчилан тогтоосон ялгааг тооцохын тулд туршилтын бус статистик тохируулгаас хамаардаг.

Үнэлгээ нь эдгээр таамаглалыг хоёуланг нь бататгахаас зайлсхийх хэрэгтэй. Учир нь тэдгээр нь хүчтэй таамаглал шаарддаг, үнэлэхэд хүндрэлтэй төсөөлөл, практик дээр ихэнхдээ зөрчигддөг. Би энэ заргалд талархаж байгаа ч энэ нь арай хол байна гэж би боддог. Туршилтын бус өгөгдлөөс найдвартай тооцооллыг гаргахад хэцүү байдаг ч, бид хэзээ ч оролдох ёсгүй гэсэн үг биш юм. Ялангуяа логистикийн хязгаарлалт нь таныг туршилт явуулахаас сэргийлэх, эсвэл ёс зүйн хязгаарлалт нь туршилт явуулахыг хүсэхгүй байгаа тохиолдолд туршилтын бус аргууд ашигтай байж болно. Цаашилбал, туршилтын бус аргууд нь санамсаргүй хяналттай туршилт хийхээр төлөвлөсөн өгөгдлүүдийн давуу талыг ашиглахыг хүсдэг.

Урагшлахын өмнө, учир шалтгааны тооцоо хийх нь нийгмийн судалгааны хамгийн төвөгтэй сэдвүүдийн нэг бөгөөд хүчтэй, сэтгэл хөдлөлийн мэтгэлцээн рүү хөтөлдөг. Дараахь зүйлсийн талаар би энэ талаархи мэдрэмжийг бий болгохын тулд арга зам бүрийг өөдрөгөөр тайлбарлаж өгөх болно. Ийм аргыг ашиглахад гарч болох зарим бэрхшээлүүдийг тайлбарлах болно. Энэ бүлгийн төгсгөлд байгаа материалуудын талаар дэлгэрэнгүй мэдээлэл авах боломжтой. Хэрэв та өөрийн судалгааныхаа аль нэгийг ашиглахаар төлөвлөж байгаа бол шалтгааныг (Imbens and Rubin 2015; Pearl 2009; Morgan and Winship 2014) талаар маш сайн номнуудыг уншихыг зөвлөж байна (Imbens and Rubin 2015; Pearl 2009; Morgan and Winship 2014) .

Туршилтын бус өгөгдлөөс шалтгаалан учир шалтгааны тооцоог хийх нэг арга бол зарим хүмүүст бус, бусдад эмчилгээг санамсаргүй байдлаар хуваарилсан үйл явдлыг олох явдал юм. Эдгээр нөхцлийг байгалийн туршилт гэж нэрлэдэг. Байгалийн туршилтын хамгийн тод жишээ бол Joshua Angrist (1990) судалгааны үр дүнгээс үзэхэд цэргийн үйлчилгээний үр ашгийг хэмждэг. Вьетнамд болсон дайны үеэр АНУ нь зэвсэгт хүчнийхээ хэмжээг нэгтгэх замаар нэмэгдүүлсэн. АНУ-ын Засгийн газар ямар төрлийн үйлчилгээнд хамрагдахыг шийдэхийн тулд сугалаа зохион байгуулсан. Төрсөн огнооны төрсөн өдөр бүрийг цаасан дээр бичиж, 2.7-р зурагт үзүүлснээр залуу эрэгтэйчүүдэд үйлчлэхээр дуудагдсан захиалгыг тодорхойлохын тулд эдгээр ширхэг цаасыг нэг удаа сонгож байжээ төсөл). Үр дүнд тулгуурлан 9-р сарын 14-нд төрсөн хүмүүсийг эхнийх гэж нэрлэсэн бөгөөд дөрөвдүгээр сарын 24-нд төрсөн эрэгтэйчүүдийг хоёр дахь удаагаа нэрлэжээ. Эцэст нь энэхүү сугалаанд 195 өөр өдөр төрсөн эрэгтэйчүүд 171 хоногт төрсөн эрэгтэйчүүд байв.

Зураг 2.7: Конгрессмен Александер Пирни (R-NY) 1969 оны 12-р сарын 1-нд сонгон шалгаруулах үйлчилгээний төсөлд зориулж анхны капсулыг зуржээ. Joshua Angrist (1990) сугалааны төслийг Нийгмийн аюулгүй байдлын захиргааны зүгээс цэргийн үйлчилгээний үр дүн орлого олох. Энэ бол байгалийн туршилтыг ашиглан хийсэн судалгааны жишээ юм. Эх сурвалж: US Selective Service System (1969) / Wikimedia Commons .

Хэдийгээр энэ нь нэн даруй илэрхийлэгдэхгүй ч гэсэн сугалааны төсөл нь санамсаргүй хяналттай туршилттай адил төстэй шинж чанартай байдаг. Хоёр нөхцөл байдалд оролцогчид эмчилгээ хийлгэхээр санамсаргүйгээр томилогдсон байдаг. Энэхүү санамсаргүй эмчилгээний үр нөлөөг судлахын тулд Angrist нь байнгын мэдээллийн том системийн давуу талыг ашигладаг: АНУ-ын Нийгмийн хамгааллын захиргаа, бараг бүх Америк ажилчдын хөдөлмөр эрхлэлтийн талаар мэдээлэл цуглуулдаг. Сугалааны төслийг санамсаргүйгээр сонгох хэний тухай мэдээллийг засгийн газрын захиргааны бүртгэлд цуглуулсан орлогын тоо баримтыг нэгтгэснээр Ахмадын ахмад дайчдын орлогын хэмжээ нь ахмад дайчдаас бусад ахмадуудаас олсон орлогоос 15% -иар доогуур гэж үзжээ.

Энэ жишээнээс үзэхэд зарим тохиолдолд нийгэм, улс төр, байгалийн хүчнүүд эмчилгээг судлаачдын хөшүүрэг болгон ашиглаж, зарим тохиолдолд эдгээр эмчилгээний үр нөлөө байнга их хэмжээний мэдээллийн эх сурвалж болдог. Судалгааны стратегийг дараах байдлаар нэгтгэж болно: \[\text{random (or as if random) variation} + \text{always-on data} = \text{natural experiment}\]

Энэ стратегийг тоон эрин үед тайлбарлахын тулд Alexandre Mas болон Enrico Moretti (2009) нарын хийсэн судалгаагаар ажилчдын бүтээмжид үр бүтээлтэй хамтран ажиллагсадтай ажиллах үр нөлөөг үнэлэхийг оролдож үзье. Үр дүнг үзэхийн өмнө та магадгүй хоорондоо зөрчилдөж болзошгүй гэж таамаглаж байна. Нэг талаас, бүтээмж бүхий хамт ажиллагсадтай ажиллах нь ажилчдынхаа бүтээмжийг дээшлүүлэхийн тулд нөхөртөө дарамт шахалт учруулж магадгүй гэж бодож болох юм. Эсвэл нөгөө талаас, ажил хөдөлмөр эрхэлдэг хүмүүстэй ажиллах нь ажилчдыг ажилд авахад хүргэж магадгүй гэж бодож болох юм. Бүтээмжид үзүүлэх нөхдийн үр нөлөөг судлах хамгийн тодорхой арга бол санамсаргүй түүвэрлэсэн туршилт байх бөгөөд ажилчид ээлтэй бүтээмжийн түвшний ажилчидтай ээлжлэн ажилд орж, үр ашиг нь бүгдийн хувьд хэмжигддэг. Судлаачид ямар ч бодит бизнес эрхлэгчдийн цагийн хуваарийг хянадаггүй тул Мас, Моретти нар супермаркет дахь бэлэн мөнгөний касстай холбоотой туршилтанд найдах хэрэгтэй байв.

Энэ супермаркет дээр хуваарь хийгдэж дууссаны улмаас давхацсан арга замуудаас шалтгаалан кассанд тус бүрийн өөр өөр цагт өөр өөр ажилчидтай байв. Цаашилбал, энэ супермаркетт кассын захиалга нь тэдний үе тэнгийнхний бүтээмж, эсвэл дэлгүүрт завгүй байсантай холбоотой байв. ªереер хэлбэл кассын хуваарь нь сугалаагаар тодорхойлогдоогуй байсан ч ажилчид заримдаа өндөр (эсвэл бага) бутээмжтэй ажилчидтай ажиллахаар санамсаргүйгээр томилогдсон мэт байсан. Аз болоход энэ супермаркет мєн кассчин бvх цагийг сканердаж байсан эд зїйлсийг хянаж дижитал тоон системийг ашиглаж байсан. Энэхүү татаж авах бүртгэлийн өгөгдлөөс Mas, Моретти нар нарийн тодорхой, хувь хүн, бүтээмжийн байнгын хэмжүүрийг бий болгож чадсан: секунд тутамд сканнердсан зүйлсийн тоо. Энэ хоёр зүйлийг хослуулан бүтээмж, бүтээмжийн байнгын хэмжигдэхүүнийг хослуулах-Мас, Моретти нар кассчин дунджаас 10% илүү бүтээмжтэй ажилчид томилогдсон бол түүний бүтээмж 1.5% . Цаашлаад эдгээр өгөгдлүүдийн хэмжээ, баялаг хоёр чухал асуудлыг авч үзсэн: энэ нөлөөний олон янз байдал нь (ямар төрлийн ажилчид нь илүү их үр нөлөөтэй байдаг вэ?) Болон үр нөлөөний цаана байгаа механизмууд (Яагаад өндөр өндөр бүтээмжтэй байх нь яагаад илүү өндөр бүтээмжтэй вэ?). Бид энэ хоёр чухал асуудлыг эргэн харах болно. 4-р бүлэгт эмчилгээний үр нөлөө ба механизмуудын өвөрмөц чанарыг авч үзье. Бид туршилтуудыг илүү нарийвчлан хэлэлцэх болно.

Эдгээр хоёр судалгаанаас харахад хүснэгтийн 2.3-д энэ ижил бүтцийг агуулсан бусад судалгааг нэгтгэн харуулсан: зарим санамсаргүй алдааны үр нөлөөг хэмжих байнгын мэдээллийн эх сурвалжийг ашиглана. Бодит амьдрал дээр судлаачид байгалийн туршилтуудыг олох хоёр өөр аргыг ашигладаг. Зарим судлаачид байнга мэдээллийн эх сурвалжаар эхэлж, дэлхий дээрх санамсаргүй тохиолдлуудыг хайж олох; Бусад нь дэлхий дээрх санамсаргүй тохиолдлуудыг эхлүүлж, түүний нөлөөллийг харуулсан мэдээллийн эх сурвалжуудыг хайж олох.

Байгалийн туршилтуудын талаар өнөөдрийн хэлэлцүүлэгт би заримдаа чухал зүйлийг орхив. Юу хүсч байгаагаа байгалиас заяасан нь заримдаа нэлээд төвөгтэй байдаг. Вьетнамын жишээн дээр буцаж ирцгээе. Энэ тохиолдолд Англиар цэргийн үйлчилгээний үр ашгийг тооцохыг сонирхож байв. Харамсалтай нь цэргийн алба нь санамсаргүй байдлаар хуваарилагдаагүй; Харин үүнийг санамсаргүйгээр томьёолсон төслийг боловсруулсан байна. Гэсэн хэдий ч, боловсруулсан хүн бүрт үйлчлэхгүй (янз бүрийн хөнгөлөлтүүд байсан), үйлчлэх хүн бүр боловсруулаагүй (хүмүүст үйлчлэхээр сайн дураараа үйлчлэх боломжтой байсан). Төлөвлөлт хийх нь санамсаргүй байдлаар томьёолсон учраас судлаач уг төсөлд байгаа бүх хүмүүст зориулан боловсруулсан үр нөлөөг тооцож чадна. Гэсэн хэдий ч Angrist drafting хийх үр нөлөөг мэдэхийг хүсээгүй; Тэрээр цэргийн алба хааж буй үйлчлэлийн үр нөлөөг мэдэхийг хүссэн юм. Гэвч энэ тооцоог гаргахын тулд нэмэлт төсөөлөл, хүндрэлүүд шаардлагатай. Нэгдүгээрт, судлаачид орлогын нөлөөнд өртсөн цорын ганц арга нь цэргийн алба хаах замаар, цаад шалтгааныг хасах гэж нэрлэнэ. Жишээ нь, жишээ нь, боловсруулсан хүмүүс үйлчлэхээс зайлсхийхийн тулд сургуульд удаан хугацаагаар үлдсэн эсвэл ажил олгогчид төлөвлөсөн хүмүүсийг хөлслөх магадлал багатай бол сургуульд удаан хугацаагаар үлдсэн байж болно. Ерөнхийдөө хасах хязгаарлалт нь чухал таамаглал бөгөөд үүнийг баталгаажуулахад ихэвчлэн хэцүү байдаг. Хэдийгээр хасах хязгаарлалт зөв байсан ч үйлчилгээний үр нөлөөг бүх эрэгтэйчүүдэд тооцоолох боломжгүй хэвээр байна. Үүний оронд судлаачид зөвхөн гөлөг гэж нэрлэгддэг эрэгтэй хүний ​​(тодорхой хэсэг нь боловсруулсан байхдаа үйлчилдэг боловч төлөвлөөгүй тохиолдолд үйлчилдэггүй хүмүүс) -ийн үр дүнг тооцоолж чадна (Angrist, Imbens, and Rubin 1996) . Гэхдээ нийлүүлэгчид нь сонирхож байсан анхны хүн биш байсан. Эдгээр сугалаа нь хожим сугалааны төслийг харьцангуй цэвэр нөхцөлд үүсдэг болохыг анхаарна уу. Эмчилгээг биет сугалаанд хуваарилагдаагүй үед илүү олон хүндрэл үүсдэг. Жишээ нь, Маст, Моретти нарын кассын талаархи судалгаа, үе тэнгийн хүмүүсийн үүрэг даалгаврыг санамсаргүй байдлаар авч үздэг тухай нэмэлт асуултууд гарч ирдэг. Хэрэв энэ таамаглал хүчтэй зөрчигдсөн бол энэ нь тэдний тооцооллыг алдаж болно. Өөрөөр хэлбэл, байгалийн туршилтууд нь туршилтын бус өгөгдлүүдээс учир шалтгааны тооцоог гаргах хүчирхэг стратеги байж болох бөгөөд мэдээллийн томоохон эх сурвалжууд нь байгалийн туршилтыг ашиглахад бидний чадварыг нэмэгдүүлдэг. Гэсэн хэдий ч, таны хүсч буй тооцоололд ямар шинж чанарыг өгсөнөөс маш их анхаарал тавих, заримдаа хүчирхэг таамаглал шаардагдах болно.

Туршилтын бус өгөгдлөөс шалтгаалан учир шалтгааны тооцоог гаргах тухай ярих хоёрдахь стратеги нь эмчилгээ хийлгээгүй, эмчилгээ хийлгээгүй хүмүүсийн хооронд өмнөх үеийн урьдчилан таамагласан ялгааг тооцоолохын тулд туршилтын бус статистик тохируулгаас хамаардаг. Олон Ийм тохируулга хандлага байдаг, гэхдээ би тохирсон гэж нэрлэдэг нэг анхаарлаа хандуулах болно. Тохирох үед судлаач эмчилгээг хүлээн аваагүй бөгөөд ижил төстэй эмчилгээ хийлгээгүй хосын хүмүүсийг бий болгох зорилгоор туршилтын бус өгөгдлөөр дамжуулан үздэг. Тохирох процессын үед судлаачид тайралт хийж байна . өөрөөр хэлбэл, ил тод тоглолт байхгүй тохиолдолд хэргийг хаяна. Тиймээс энэ аргыг тохирох, тайрах гэх мэт илүү нарийвчлалтайгаар нэрлэх нь зүйтэй боловч уламжлалт нэр томъѐогоор тохируулах болно.

Томоохон судалгааны бус мэдээллийн эх сурвалжтай тохирох стратегийн чадамжийн нэг жишээ нь Лиран Еинив болон түүний хамтрагч нарын хэрэглэгчийн зан төлөвийн судалгаанаас үүсэлтэй (2015) . Тэд eBay дээр дуудлага худалдаа явуулах сонирхолтой байсан бөгөөд тэдний ажлын талаар тайлбарлахдаа дуудлага худалдаанаас гарах үнэ, эсвэл худалдах магадлал зэрэг дуудлага худалдааны үнийн үр дүнг анхаарч үзэх болно.

Борлуулалтын үнээс эхлэх үнийг тооцоолох хамгийн гэнэн арга нь дуудлага худалдаагаар эхлүүлэх үнэ өөр өөр үнээр тооцоолох явдал юм. Хэрэв та эхлэх үнээр борлуулалтын үнийг таамаглахыг хүсвэл энэ арга нь сайн байх болно. Хэрэв таны асуулт эхлэлтийн үнээс үзүүлэх нөлөөтэй холбоотой бол энэ нь шударга харьцуулалт дээр тулгуурлаагүй тул энэ арга нь ажиллахгүй; Эхлэх үнэ багатай дуудлага худалдаа нь өндөр үнэ хүрэх үнэтэй хүмүүст ялгаатай байж болно (өөрөөр хэлбэл тэдгээр нь өөр төрлийн барааны төрөл байж болох эсвэл худалдагчийн янз бүрийн төрөл байж болно).

Хэрэв та туршилтын бус өгөгдлүүдээс учирч болох тооцооллыг гаргах үед гарч болох асуудлуудыг аль хэдийн мэдэж байгаа бол та naive approach-ыг алгасч, тодорхой зүйлүүдийг зарах хээрийн туршилтыг авч үзэхийг хүсч байвал-гольфын клуб-тогтмол Дуудлага худалдааны параметрүүдийн тохируулга - үнэ төлбөргүй тээвэрлэлт, дуудлага худалдаа хоёр долоо хоногийн турш нээлттэй байдаг, гэхдээ санамсаргүйгээр тогтоосон үнээр эхэлнэ. Зах зээлийн үр дүнг харьцуулах замаар энэ талбарт туршилт хийх нь борлуулалтын үнээс эхлэн үнийн нөлөөг маш сайн тодорхойлох боломжтой болно. Гэхдээ энэ хэмжилт нь зөвхөн тодорхой нэг бүтээгдэхүүн, дуудлага худалдааны параметрт хамаарна. Үр дүн нь жишээлбэл, янз бүрийн төрлийн бүтээгдэхүүний хувьд ялгаатай байж болно. Хүчтэй онолгүйгээр энэ туршилтаас бүрэн гүйцэд туршилт хийж болох туршилтуудаас дүгнэхэд хэцүү байдаг. Түүнээс гадна, туршилтын оролдлого нь таны хүсч болох янз бүрийн хувилбаруудыг ажиллуулах боломжгүй юм.

Нинжа, туршилтын арга барилаас ялгаатай нь Einav болон бусад хамт олон гурав дахь арга хэрэглэжээ. Тэдний стратегийн гол трик нь eBay дээр болсон аль хэдийн хийсэн хээрийн туршилттай төстэй зүйлсийг олох явдал юм. Жишээлбэл, Зураг 2.8 нь яг ижил гольфын клуб болох Taylormade Burner 09 Driver-ийг яг ижил борлуулагч болох "төсөвтөстер" гэсэн борлуулалттай байдаг. Гэхдээ эдгээр 31 жагсаалт нь ялгаатай шинж чанаруудтай үнэ, дуусах хугацаа, тээврийн хураамж. Өөрөөр хэлбэл, "төсвийн триггер" нь судлаачдын хувьд туршилт явуулж байгаа юм шиг байна.

"Тейлорлер" хэмээх зарагдсан Taylormade Burner 09 жолоочийн эдгээр жагсаалт нь яг ижил төрлийн худалдагчийн яг ижил зарагдсан, гэхдээ ялгаатай шинж чанар бүхий цаг хугацаатай тохирсон багц жагсаалтуудын нэг жишээ юм. EBay-ийн их хэмжээний логонууд нь сая сая жагсаалтыг хамарсан олон зуун мянган тохирсон багц байдаг. Тиймээс бүх дуудлага худалдааны үнийг эцсийн үнэтэй харьцуулахын оронд Einav болон хамт олон нь тохирсон багцтай харьцуулсан. Эдгээр хэдэн зуун мянган тохирсон багцуудын үр дүнг нэгтгэхийн тулд Einav ба хамт олон нь бүтээгдэхүүний үнэ ба эцсийн үнэ зэргийг дахин илэрхийлж (жишээ нь, борлуулалтын дундаж үнэ). Жишээлбэл, хэрэв Taylormade Burner 09 Жолооны үнэмлэхүй үнэ нь $ 100 (борлуулалтынх нь дагуу) бол $ 10-ын эхлэлтийн үнэ нь 0,1, эцсийн үнэ $ 120 бол 1.2 болно.

Зураг 2.8: Тохирсон багцын жишээ. Энэ бол ижил төстэй гольфын клуб (Taylormade Burner 09 Driver) бөгөөд яг ижил хүнээр ("төсвийн троллейбус" зарагдсан) зарагдсан боловч зарим борлуулалт нь янз бүрийн нөхцөлд гүйцэтгэгдэж байсан. Einav et al. (2015) зөвшөөрөл авсан Einav et al. (2015) , зураг 1б.

Einav болон хамтран ажиллагсад дуудлага худалдааны үр дүнд эхлэх үнээс нөлөөлөхийг сонирхож байсан гэдгийг санах хэрэгтэй. Нэгдүгээрт, тэд илүү өндөр үнэтэй эхлэх үнэ нь борлуулалтын магадлалыг бууруулж, борлуулалтын эхлэлийн үнэ нь борлуулалтын эцсийн үнэ (борлуулалтыг нөхцөлдөх нөхцлийг) нэмэгдүүлэхийг шугаман регрессийг ашигладаг. Өөрөөр хэлбэл, шугаман хамаарлыг тайлбарлаж, бүх бүтээгдэхүүний дунджаар хийгддэг эдгээр тооцоо нь сонирхолтой биш юм. Дараа нь Эйнви болон түүний хамтрагчид олон тооны нарийвчлалтай тооцооллыг гаргахын тулд их хэмжээний мэдээллийг ашигладаг байсан. Жишээлбэл, янз бүрийн эхлэл бүхий үнийн хувьд үр нөлөөг тусад нь үнэлэхдээ эхлээд үнэ ба борлуулалтын үнэ хоорондын уялдаа холбоо нь шугаман бус байна (Зураг 2.9). Ялангуяа, 0.05-0.85 хооронд үнийг эхлүүлэхэд эхлээд үнэ нь борлуулалтын үнэд бага нөлөө үзүүлж, эхний дүн шинжилгээнд бүрэн ороогүй олсон үр дүн юм. Бүх зүйл дунджаас доогуур үнэлэх бус харин Einav болон хамт олон 23 загварын өөр өөр нэр төрлийн бараа бүтээгдэхүүнийг (жишээлбэл, гэрийн тэжээвэр амьтдын хангамж, электроник, спортын дурсамж гэх мэт) үнэлэх үнэлэмжийг үнэлэв (Зураг 2.10). Эдгээр тооцооллууд нь дурсгалын зүйлсийг эхлүүлэх үнэ зэрэг илүү ялгаатай зүйлсийн хувьд худалдах магадлалд бага нөлөө үзүүлж, борлуулалтын эцсийн үнэ дээр илүү их нөлөө үзүүлдэг болохыг харуулж байна. Цаашилбал, DVD зэрэг бусад кодчилсон зүйлсийн хувьд эцсийн үнэ нь эцсийн үнэ дээр бараг нөлөө үзүүлэхгүй. Єєрєєр хэлбэл, 23 тєрлийн бїтээгдэхїїний їр дїнг нэгтгэн дїгнэсэн дундаж эдгээр чухал зїйлс хоорондоо чухал ялгаа бий.

Зураг 2.9: Дуудлага худалдаанаас эхлэх үнэ ба худалдах магадлал (а) ба борлуулах үнэ хоёрын хоорондох хамаарал (б). Борлуулалтын үнэ болон эхлэх магадлал хоёрын хооронд шугаман хамаарал байгаа боловч үнийн эхлэх ба борлуулах үнийг хооронд нь шугаман хамааралгүй; 0.05-0.85 хооронд үнэ эхлэхэд эхлэх үнэ нь борлуулалтын үнэд бага нөлөөтэй байдаг. Аль ч тохиолдолд харилцаа нь үндсэндээ үнэ цэнэээс хамааралгүй байдаг. Einav et al. (2015) , 4a, 4б-р зураг.

Зураг 2.10: Зүйлүүдийн ангилал тус бүрээс тооцоолох; хатуу цэгүүд нь бүх категориудыг нэгтгэсэн тооцоо (Einav et al. 2015) . Эдгээр тооцооллууд нь дурсгалын зүйл гэх мэт илүү ялгаатай эд зүйлсийг харуулахыг шаарддаг - эхлэх үнэ нь борлуулалт ( \(x\) -axis магадлалд бага нөлөөтэй ба борлуулалтын эцсийн үнэ ( \(y\) -акс). Einav et al. (2015) , зураг 8.

EBay дээр дуудлага худалдаа хийх сонирхолгүй байсан ч 2.9-р зураг болон 2-р зураг дээр Ebay-ийн талаар илүү их ойлголтыг санал болгож байна. Цаашилбал, эдгээр туршилтуудыг талбайн туршилтуудтай илүү нарийвчлалтай тооцоолох боломжтой боловч шинжлэх ухааны хувьд боломжтой байж болох юм.

Байгалийн туршилтуудын нэгэн адил тохирох олон арга замууд нь муу тооцоололд хүргэдэг. Тооцоололтой тааралдсан хамгийн том асуудал бол тохироход хэрэглэгдээгүй зүйлсээр нь үнэлэх боломжтой гэж би бодож байна. Жишээ нь, гол үр дүнгийн хувьд, Еinav болон хамт олон нь худалдагчийн үнэмлэхний дугаар, зүйлийн нэр, зүйлийн нэр, дэд гарчиг гэсэн дөрвөн шинж чанарт тохирсон байна. Хэрвээ эдгээр зүйлс нь тохироход ашиглагдаагүй бол арай өөр байсан бол энэ нь шударга бус харьцуулалт үүсгэж болно. Жишээлбэл, хэрэв "Талбай" -ийг өвлийн улиралд (гольфийн клубүүд бага нэр хүндтэй үед) "төсвийн триггер" үнийг бууруулсан бол үнийн доод түвшин нь эцсийн үнийг бууруулдаг болох нь харагдаж байна. Үнэндээ энэ нь үнэхээр олдвор юм. эрэлт хэрэгцээний улирлын хэлбэлзэл. Энэ асуудлыг шийдэх нэг арга бол олон төрлийн тохирсон хувилбарыг туршиж үзэх явдал юм. Жишээлбэл, Einav болон хамт олон судлаачид шинжилгээнийхээ давтамжийг давтаж, цаг хугацааны цонхыг тохируулахын тулд ашигладаг. Аз болоход, тэд бүх цонхны хувьд ижил төстэй үр дүнг олсон. Тайлбарлахаас үүдэн гарах үр дагаврыг авч үзсэн болно. Тохирох хэмжээнээс зөвхөн тооцоолсон өгөгдөлд тохирсон байна; Тэд таарахгүй байж болох тохиолдлуудад энэ нь хамаарахгүй. Жишээлбэл, олон тооны бүртгэлтэй зүйлсийн судалгааг хязгаарласнаар Einav болон хамт олон мэргэжлийн болон хагас мэргэжлийн худалдаачдад анхаарч байна. Тиймээс эдгээр харьцуулалтыг тайлбарлахдаа эдгээр нь зөвхөн EB-ийн энэ дэд бүлэгт хамаарна гэдгийг санах ёстой.

Matching нь туршилтын бус өгөгдөлд шударга харьцуулалтыг олох хүчирхэг стратеги юм. Нийгмийн олон эрдэмтдэд тохирсон нь туршилтанд хоёрдахь шилдэг нь мэдрэгдэж байгаа боловч энэ нь итгэл үнэмшил бага зэрэг өөрчлөгдөж болох юм. Массын өгөгдөлд таарах нь талбайн хэд хэдэн туршилтаас илүү байж болох бөгөөд (1) нөлөөллийн олон янз байдал нь чухал, (2) тохироход шаардлагатай чухал хувьсагчууд хэмжигдэх болно. Хїснэгт 2.4-д том том мэдээллийн эх сурвалжтай тохирохыг хэрхэн ашиглаж болох жишээг харуулав.

Эцэст нь хэлэхэд, туршилтын бус өгөгдлүүдээс учирч болох нөлөөг үнэлэх нь хэцүү боловч байгалийн туршилт, статистик тохируулга (жишээлбэл, тохирох) арга зэрэг аргыг ашиглаж болно. Зарим тохиолдолд, эдгээр аргууд нь маш буруу, гэхдээ үүнийг сайтар төлөвлөх үед эдгээр аргууд нь 4-р бүлэгт тайлбарласан туршилтын аргыг ашиглахад тустай байж болно. Цаашилбал, эдгээр хоёр хандлага нь үргэлж- том мэдээллийн систем дээр.