2.4.3 zbliżanie eksperymenty
Możemy zbliżyć doświadczenia, że nie możemy zrobić. Dwa podejścia, które przede wszystkim korzystają z ery cyfrowej są dopasowane i naturalne eksperymenty.
Wiele ważnych kwestii naukowych i politycznych są przyczynowe. Rozważmy na przykład następujące pytanie: co jest efektem programu szkoleniowego pracy na płace? Jednym ze sposobów, aby odpowiedzieć na to pytanie byłaby w randomizowanym, kontrolowanym eksperymencie, gdy pracownicy zostali losowo przydzieleni do albo szkolenie, czy nie zostali przeszkoleni. Następnie naukowcy mogli oszacować efekt szkolenia dla tych uczestników, po prostu porównując zarobki ludzi, którzy otrzymali szkolenia dla tych, którzy nie otrzymali go.
Proste porównanie jest ważne z powodu czegoś, co się dzieje, zanim dane zostały zebrane: nawet po randomizacji. Bez randomizacji, problem jest o wiele trudniejsze. Badacz może porównać zarobki ludzi, którzy dobrowolnie zgodzili się na szkolenia dla tych, którzy nie podpisał-up. Porównanie to prawdopodobnie pokazują, że ludzie, którzy otrzymali przeszkolenie zarobił więcej, ale ile z tego jest, ponieważ szkolenia i ile to dlatego, że ludzie, którzy Zapisz się na szkolenie różnią się od tych, które nie zarejestrować się na szkolenie? Innymi słowy, jest to sprawiedliwe, by porównać płace tych dwóch grup ludzi?
Ta troska o uczciwych porównań prowadzi niektórych badaczy do przekonania, że jest to niemożliwe, aby szacunki przyczynowych bez przeprowadzania eksperymentu. Twierdzenie to jest zbyt daleko idące. Chociaż prawdą jest, że eksperymenty dostarczają najsilniejsze dowody skutków przyczynowych, istnieją inne strategie, które mogą dostarczyć cennych danych szacunkowych przyczynowych. Zamiast myśleć, że szacunki przyczynowe są albo proste (w przypadku doświadczeń) lub niemożliwe (w przypadku biernie obserwuje danych), to lepiej pomyśleć o strategii dokonywania przyczynowych szacunki leżące wzdłuż kontinuum z najsilniejszym z najsłabszych (Rysunek 2.4). W najsilniejszej koniec kontinuum randomizacją eksperymentów. Ale te są często trudne do zrobienia w badaniach społecznych, ponieważ wiele metod leczenia wymagają nierealistyczne ilości współpracy ze strony rządów i firm; po prostu istnieje wiele eksperymentów, że nie możemy tego zrobić. Poświęcę wszystko rozdziale 4 dla obu mocnych i słabych stron randomizowanych badań kontrolowanych, a ja twierdzą, że w niektórych przypadkach istnieją istotne powody etyczne wolą obserwacyjnych metod eksperymentalnych.
Rysunek 2.4: Continuum strategii badawczych do oszacowania efektów przyczynowych.
Przenoszenie wzdłuż kontinuum, istnieją sytuacje, w których naukowcy nie jednoznacznie randomizacją. Oznacza to, że naukowcy próbują dowiedzieć eksperyment podobny do wiedzy bez faktycznie robi eksperyment; Oczywiście, to będzie trudne, ale duża danych znacznie poprawia naszą zdolność do podejmowania przyczynowych szacunków w takich sytuacjach.
Czasami są ustawienia, gdzie przypadkowość w świecie dzieje się stworzyć coś podobnego eksperymentu dla naukowców. Te projekty są nazywane naturalne eksperymenty, a zostaną one szczegółowo przeanalizowane w pkt 2.4.3.1. Dwie cechy dużych źródeł-swoje dane zawsze na naturze i ich wielkości, znacznie zwiększa naszą zdolność do uczenia się od naturalnych eksperymentów w momencie ich wystąpienia.
Poruszając się dalej od randomizowanych badań kontrolowanych, czasami nie ma nawet zdarzenie w przyrodzie, które możemy wykorzystać do zbliżenia naturalny eksperyment. W tych ustawień, możemy dokładnie konstruowania porównań w obrębie danych nieeksperymentalnych w próbie zbliżenia eksperyment. Te projekty są nazywane dopasowanie, a zostaną one szczegółowo przeanalizowane w pkt 2.4.3.2. Jak naturalnych eksperymentów, dobieranie jest projekt, który również korzysta z dużych źródeł danych. W szczególności, ogromne rozmiary, zarówno pod względem liczby przypadków i rodzaju informacji, na razie, znacznie ułatwia dopasowanie. Kluczową różnicą między naturalnych eksperymentów i dopasowanie jest to, że w naturalnych eksperymentów naukowiec wie, proces, w którym zabieg był przydzielony, oraz wierzy, że jest przypadkowa.
Pojęcie uczciwych porównań, które motywowane pragnienia robić eksperymenty podkreślony dwa alternatywne podejścia: naturalne eksperymenty i dopasowanie. Podejścia te pozwalają na oszacowanie skutków przyczynowych z pasywnie obserwowanych danych poprzez odkrywanie uczciwych porównań siedzi wewnątrz danych, które już masz.
