2.4.3 percobaan Approximating
Urang bisa sasarua-saruana percobaan urang teu bisa ngalakukeun. Dua deukeut nu utamana kauntungan ti umur digital nu cocog jeung percobaan alam.
Loba patarosan ilmiah jeung kawijakan penting nu kausal. Hayu urang mertimbangkeun, contona, Patarosan handap ieu: naon pangaruh tina program latihan pakasaban dina gajih? Hiji cara pikeun ngajawab pertanyaan ieu bakal jeung percobaan dikawasa randomized mana pagawe anu acak ditugaskeun ka boh narima latihan atawa teu narima latihan. Saterusna, panalungtik bisa estimasi pangaruh latihan pikeun pamilon ieu ku ngan saukur ngabandingkeun gajih jalma anu meunang latihan ka maranéhanana anu teu narima eta.
Nu ngabandingkeun basajan sah alatan hiji hal anu kajadian samemeh data ieu komo dikumpulkeun: randomization teh. Tanpa randomization, masalah loba trickier. A panalungtik bisa ngabandingkeun gajih jelema anu sukarela ditandatanganan up for latihan ka jalma anu teu asup-up. ngabandingkeun nu meureun bakal nunjukkeun yen jalma nu narima latihan earned leuwih, tapi sabaraha ieu téh alatan latihan jeung sabaraha ieu téh alatan jelema anu asup-up for latihan nu beda ti jelema nu teu asup-up for latihan? Dina basa sejen, eta adil ka ngabandingkeun gajih dua kelompok ieu jelema?
Patalina jeung masalah ieu ngeunaan babandinganana adil ngabalukarkeun sababaraha panalungtik percaya yén éta téh teu mungkin keur nyieun estimasi kausal tanpa ngajalankeun hiji percobaan. ngaku Ieu mana jauh teuing. Sedengkeun eta bener nu percobaan nyadiakeun bukti neneng keur efek kausal, aya strategi séjénna anu bisa nyadiakeun perkiraan kausal berharga. Gantina pamikiran nu perkiraan kausal boh gampang (dina kasus percobaan) atawa mungkin (dina kasus tina passively observasi data), eta leuwih hade mun dipikir tina strategi pikeun nyieun perkiraan kausal bohong sapanjang continuum ti neneng ka weakest (Gambar 2.4). Dina ahir neneng tina continuum nu randomized percobaan dikawasa. Tapi, ieu mindeng hésé mun di panalungtikan sosial sabab loba perlakuan merlukeun jumlah unrealistic gawé babarengan ti pamaréntah atawa pausahaan; cukup saukur aya loba percobaan urang teu bisa ngalakukeun. Kuring bakal bakti sakabéh Bab 4 nepi ka boh kaunggulan jeung kelemahan percobaan dikawasa randomized, jeung Abdi gé ngajawab yén dina sababaraha kasus, aya alesan etika kuat ka milih observational ka métode ékspérimén.
Gambar 2.4: Continuum tina strategi panalungtikan pikeun estimasi pangaruh kausal.
Pindah sapanjang continuum, aya kaayan panalungtik geus teu eksplisit randomized. Hartina, panalungtik nu ngusahakeun diajar pangaweruh percobaan kawas tanpa sabenerna ngalakonan hiji percobaan; alami, ieu bade jadi tricky, tapi data gedé greatly ngaronjatkeun pangabisa urang pikeun nyieun perkiraan kausal dina situasi ieu.
Kadang-kadang aya setélan mana randomness di dunya kajadian pikeun nyieun hiji hal kawas hiji percobaan pikeun panalungtik. Desain ieu disebut percobaan alam, sarta maranéhanana baris dianggap di jéntré dina Bagéan 2.4.3.1. Dua fitur sumber-maranéhanana data gedé sok di alam jeung maranéhanana ukuran-greatly ngaronjatkeun pangabisa urang diajar ti percobaan alami basa aranjeunna lumangsung.
Pindah salajengna jauh ti percobaan dikawasa randomized, sakapeung aya teu komo hiji kajadian di alam nu bisa kami nganggo sasarua-saruana hiji percobaan alam. Dina setelan ieu, urang sacara saksama bisa nyusunna babandinganana dina data non-percobaan dina usaha sasarua-saruana hiji percobaan. Desain ieu disebut cocog, jeung maranehna bakal dianggap di jéntré dina Bagéan 2.4.3.2. Kawas percobaan alam, cocog nyaeta desain oge pedah ti sumber data gedé. Dina sababaraha hal, ukuran-boh masif dina watesan jumlah kasus jeung tipe informasi per kasus-greatly facilitates cocog. Beda konci antara percobaan alami jeung cocog nyaeta dina percobaan alami panalungtik weruh prosés ngaliwatan nu perlakuan ieu ditugaskeun jeung percaya ka jadi acak.
Konsep babandinganana adil nu ngamotivasi kahayang pikeun ngalakukeun percobaan ogé underlies dua deukeut alternatif: percobaan alami jeung cocog. deukeut ieu bakal ngaktifkeun Anjeun pikeun estimasi pangaruh kausal ti data passively observasi ku Ngajalajah babandinganana adil diuk jero data nu Anjeun tos boga.
