2.4.3 aproximácii experimenty

Môžeme priblížiť experimenty, ktoré nemôžeme robiť. Dva prístupy, ktoré predovšetkým ťažiť z digitálneho veku sú zodpovedajúce a prírodné experimenty.

Veľa dôležitých vedeckých a politické otázky sú kauzálne. Uvažujme napríklad nasledujúca otázka: aký vplyv výcvikového programu práce na mzdy? Jeden spôsob, ako odpovedať na túto otázku by sa randomizovanej kontrolovanej experimentu, kedy bolo pracovníci náhodne priradený buď absolvovať školenie, alebo nie preškolení. Potom výskumníci mohli odhadnúť účinok školenia pre tieto účastníkov jednoduchým porovnaním mzdy ľudí, ktorí dostali školenie pre tých, ktorí nedostali.

Jednoduchý porovnanie je platný, pretože niečo, čo sa deje pred dáta boli ešte zhromaždené: na randomizáciu. Bez randomizácie, problém je oveľa zložitejší. Výskumník by mohol porovnať mzdy ľudí, ktorí sa dobrovoľne prihlásili k výcviku pre tých, ktorí nemali podpísať-up. Toto porovnanie by pravdepodobne ukazujú, že ľudia, ktorí absolvovali školenie zarobil viac, ale koľko z toho je kvôli výcviku a koľko je to preto, že ľudia, ktorí Sign-up pre tréning sú odlišné od tých, ktoré nemajú podpísať-up pre tréning? Inými slovami, je to fér porovnávať platy týchto dvoch skupín ľudí?

Táto obava o spravodlivé porovnanie vedie niektorých vedcov k domnienke, že je nemožné, aby sa príčinnej odhady bez spustenia experimentu. Toto tvrdenie zachádza príliš ďaleko. Aj keď je pravda, že experimenty poskytujú najsilnejší dôkaz pre kauzálny efekty, existujú aj iné stratégie, ktoré môžu poskytnúť cenné odhady kauzálne. Namiesto premýšľania, že kauzálny odhady sú buď jednoduché (v prípade pokusov) alebo nemožné (v prípade pasívne pozorovať dát), je lepšie premýšľať o stratégiách pre vytváranie kauzálnych odhady ležiace pozdĺž kontinua od najsilnejšej do najslabšie (obr 2.4). Na najsilnejšie konci kontinua sú randomizovanej kontrolovanej experimenty. Ale títo sú často ťažké robiť v sociálnom výskume, pretože mnoho spôsobov liečby vyžadujú nereálne sumy spolupráce zo strany vlády alebo vlastníkov; proste existuje mnoho experimentov, ktoré nemôžeme robiť. Budem venovať všetko kapitoly 4 na oboch silných a slabých stránok randomizovanej kontrolovanej experimenty a budem argumentovať, že v niektorých prípadoch existujú silné etických dôvodov radšej pozorovacie k experimentálne metódy.

Obrázok 2.4: Continuum výskumných stratégií pre predpokladané kauzálne účinky.

Pohybujúce sa pozdĺž kontinua, existujú situácie, kedy vedci nie sú explicitne randomizovanej. To znamená, že vedci sa snažia naučiť experimentu podobné znalosti, bez skutočne robí experiment; Samozrejme, že to bude zložité, ale spracovanie veľkých objemov dát výrazne zlepšuje našu schopnosť činiť príčinnej odhady v týchto situáciách.

Niekedy sú tu nastavenia, kde náhodnosť vo svete stane vytvoriť niečo podobné experimente pre výskumných pracovníkov. Tieto návrhy sa nazývajú prírodné experimenty, a oni budú považované podrobne uvádza v oddiele 2.4.3.1. Dva rysy veľkých dátových zdrojov-vždy-ich, o ochrane prírody a ich veľkosti, výrazne zvyšuje našu schopnosť učiť sa z prirodzených experimentov, keď k nim dôjde.

Vzďaľuje od randomizovanej kontrolovanej experimenty, niekedy nie je ani udalosť v prírode, ktoré môžeme použiť približne určiť prirodzený experiment. V týchto nastaveniach, môžeme opatrne postaviť porovnanie v rámci non-experimentálnymi dátami v snahe priblížiť experiment. Tieto návrhy sa nazývajú vyhovujúce, a oni budú považované podrobne uvádza v oddiele 2.4.3.2. Rovnako ako prirodzených experimentov, zhoda je dizajn, ktorý tiež ťaží z veľkých dátových zdrojov. Najmä masívne veľkosti a to ako z hľadiska počtu prípadov a druhu informácií, na jednotlivý prípad, veľmi uľahčuje priraďovanie. Kľúčový rozdiel medzi prírodnými experimenty a zhoda je, že v prirodzených experimentov výskumný pracovník vie, že proces, ktorým bola liečba priradená a verí, že je náhodný.

Koncept reálne porovnanie, ktorá motivovala túžby robiť experimenty tiež základom dva alternatívne prístupy: prírodné experimenty a zosúlaďovanie potrieb. Tieto prístupy vám umožní odhadnúť kauzálny efekty z pasívne pozorovaných dát objavením spravodlivé porovnanie sedí vnútri údajov, ktoré už máte.