2.4.3 Апроксимаційні експерименти

Ми можемо наблизити експерименти , які ми не можемо зробити. Два підходу , які особливо отримують вигоду від цифрового віку відповідність і природні експерименти.

Багато важливі наукові та політичні питання причинно-наслідковий. Розглянемо, наприклад, наступне питання: який ефект програми підготовки робітників по заробітній платі? Один із способів відповісти на це питання буде з рандомізованому контрольованому експерименті, де робітники були випадковим чином розподілені або пройти навчання або не проходять підготовку. Потім дослідники могли оцінити ефект підготовки цих учасників просто порівнюючи зарплати людей, які отримали навчання для тих, які не отримали його.

Просте порівняння дійсно через чогось, що відбувається до того, як дані були зібрані навіть: рандомізації. Без рандомізації, проблема набагато складніше. Дослідник може порівняти зарплати людей, які добровільно підписалися на навчання для тих, хто не реєстрації. Це порівняння, ймовірно, показують, що люди, які отримали навчання заробили більше, але скільки це через тренування і скільки це тому, що люди, які Реєстрацій для навчання відрізняються від тих, які не підписують, на навчання? Іншими словами, це справедливо порівняти зарплати цих двох груп людей?

Ці прагнення по приводу справедливого порівняння призводить деяких дослідників вважати , що це неможливо зробити оцінки причинних без проведення експерименту. Це твердження йде занадто далеко. Хоча це правда, що експерименти дають переконливий доказ причинно-наслідкових ефектів, існують і інші стратегії, які можуть надати цінні оцінки причинні. Замість того, щоб думати, що причинний оцінки або легко (в разі експериментів) або неможливо (у разі пасивно спостережуваних даних), то краще подумати про стратегію для створення причинних оцінок, що лежать уздовж континууму від самого сильного до самого слабкого (рис 2.4). У найсильнішій кінці континууму рандомізованих контрольованих експериментів. Але, це часто буває важко зробити в соціальних дослідженнях, оскільки багато процедур вимагають нереальних обсягів співробітництва з боку урядів або компаній; досить просто є багато експериментів, які ми не можемо зробити. Я присвячу все розділі 4 як сильні і слабкі сторони рандомізованих контрольованих експериментів, і я буду стверджувати, що в деяких випадках, є сильні етичні причини перевагу наглядове до експериментальних методів.

Малюнок 2.4: Континуум дослідницьких стратегій для оцінюваних причинних ефектів.

Рухаючись уздовж континууму, бувають ситуації, коли дослідники явно не рандомізовані. Тобто, дослідники намагаються дізнатися експеримент, як знання практично не робить експеримент; Природно, це буде складно, але великі дані значно покращує нашу здатність приймати причинні оцінки в цих ситуаціях.

Іноді бувають настройки, де випадковість в світі буває, щоб створити щось на зразок експерименту для дослідників. Ці конструкції називаються природні експерименти, і вони будуть детально розглянуті в розділі 2.4.3.1. Дві особливості великих джерел даних-их завжди на природі і їх розмір, значно збільшує нашу здатність вчитися на природних експериментів, коли вони відбуваються.

Рухаючись далі від рандомізованих контрольованих експериментів, іноді навіть не подія, за своєю природою, що ми можемо використовувати, щоб наблизити природний експеримент. У цих умовах, ми можемо побудувати ретельно порівняння всередині неексперіментальних даних в спробі наблизити експеримент. Ці конструкції називаються відповідності, і вони будуть детально розглянуті в розділі 2.4.3.2. Як і природні експерименти, узгодження є дизайн, який також отримує вигоду з великих джерел даних. Зокрема, масовий розмір, як з точки зору числа випадків і типів інформації в разі, значно полегшує узгодження. Основна відмінність між природними експериментів і узгодження є те, що в природних експериментах дослідник знає, що процес, за допомогою якого лікування був призначений, і вважає, що це буде випадковим.

Концепція справедливих порівнянь , які мотивували бажання робити експерименти також лежить в основі двох альтернативних підходів: природні експерименти і узгодження. Ці підходи дозволять Вам оцінити причинно-наслідкові ефекти від пасивно спостережуваних даних, виявивши справедливі порівняння, сидячи всередині даних, які у вас вже є.