นักเศรษฐศาสตร์เชิงวิชาการมักให้ความสนใจในการกำหนดเวรกรรม ดูเหมือนว่างานด้านวิทยาศาสตร์สถิติ / ข้อมูลภาคเอกชนทั้งหมดที่ฉันได้ยินเกี่ยวกับการหาแบบจำลองการทำนาย
มีงานใดในภาคเอกชน (หรืองานของรัฐ) ที่เป็นสาเหตุการวิจัย?
นักเศรษฐศาสตร์เชิงวิชาการมักให้ความสนใจในการกำหนดเวรกรรม ดูเหมือนว่างานด้านวิทยาศาสตร์สถิติ / ข้อมูลภาคเอกชนทั้งหมดที่ฉันได้ยินเกี่ยวกับการหาแบบจำลองการทำนาย
มีงานใดในภาคเอกชน (หรืองานของรัฐ) ที่เป็นสาเหตุการวิจัย?
คำตอบ:
ฉันเป็นนักเศรษฐศาสตร์ในเทคโนโลยีที่ทำงานเกี่ยวกับการอนุมานสาเหตุด้วยข้อมูลเชิงสังเกตการณ์หรือข้อบกพร่อง บริษัท เทคโนโลยีรายใหญ่ส่วนใหญ่จะมีกลุ่มคนที่ชอบทำงานวิจัยเกี่ยวกับการกำหนดราคาการตลาดและการออกแบบผลิตภัณฑ์ นอกจากนี้ยังมีทีมนโยบายสาธารณะในบาง บริษัท
นอกจากนี้ยังมีผู้คนจำนวนมากที่ทำงานในการทดสอบเว็บ นี่เป็นกลุ่มที่ใหญ่กว่ามาก
ในที่สุดก็มีการให้คำปรึกษาด้านเศรษฐศาสตร์บางประเภทโดยเฉพาะอย่างยิ่งการต่อต้านความไว้วางใจซึ่งเป็นจุดสนใจหลัก
[การตอบสนองทางอารมณ์ห้าข้อแรกถูกเซ็นเซอร์]
นั่นเป็นหนึ่งในคำถามที่แปลกที่สุดในเว็บไซต์ตรงไปตรงมา และแสดงให้เห็นว่ามีการตัดการเชื่อมต่อระหว่างสิ่งที่อาจารย์พูดและชีวิตจริง - นั่นคือชีวิตนอกหอคอยงาช้าง เป็นเรื่องดีที่คุณจะแอบดู ... แต่คุณ (หมายถึงนักศึกษาปริญญาเอกด้านเศรษฐศาสตร์) ต้องทำสิ่งนี้บ่อยขึ้น
ใช่มีงานนอกสถานศึกษาที่ผู้คน (แปลกใจประหลาดใจ) ใช้วิธีการอนุมานเชิงสาเหตุ และ (ประหลาดใจประหลาดใจ) เผยแพร่เอกสาร คำตอบของฉันเป็นแบบเฉพาะของสหรัฐอเมริกา แต่ฉันมั่นใจว่าคุณจะพบองค์กรที่คล้ายกันในประเทศอื่น
ในสถิติด้านเภสัชกรรมและสาขาที่เกี่ยวข้องจำนวนหนึ่งการเชื่อมโยงเชิงสาเหตุระหว่างการแทรกแซงและผลลัพธ์ด้านสุขภาพเป็นคำถามสำคัญที่น่าสนใจเมื่อตัดสินใจว่าควรใช้การแทรกแซงหรือไม่ มีหลากหลายสาขาย่อยเช่นการทดลองแบบสุ่ม (คลินิกหรือก่อนคลินิก) การทดลองที่ไม่สุ่มหรือแขนเดียวการทดลองในห้องปฏิบัติการการวิเคราะห์อภิมานการเฝ้าระวังความปลอดภัยของยาตามรายงานที่เกิดขึ้นเองตามธรรมชาติของการระบาดวิทยา แนวคิดเช่นการสุ่ม Mandelian) และการวิจัยประสิทธิภาพ (เช่นการใช้ข้อมูลเชิงสังเกตการณ์เช่นฐานข้อมูลการเคลมประกัน) แน่นอนในการออกแบบการทดลองแบบสุ่ม (เช่นการทดลองทางคลินิกแบบสุ่ม) การอ้างถึงสาเหตุเป็นเรื่องง่ายกว่าการใช้งานอื่น ๆ
ฉันเป็นนักวิจัยที่ A Place for Mom บริการอ้างอิงอาวุโสที่ใหญ่ที่สุดของประเทศ เราได้ออกแบบแบบสำรวจที่มีจุดมุ่งหมายเพื่อทำความเข้าใจว่าการย้ายเข้าสู่ชุมชนที่มีชีวิตที่ช่วยเหลือมีผลต่อคุณภาพชีวิตอย่างไร การอนุมานเชิงสาเหตุเป็นศูนย์กลางของงานวิจัยนี้และวิธีการวิเคราะห์เชิงสาเหตุ (เช่นการจับคู่กระบวนการคัดเลือกตัวแบบจำลองการประมาณผลการรักษาโดยเฉลี่ย) เป็นสิ่งจำเป็น
ในทางปฏิบัติแม้จะมีการใช้ภาษาทั่วไปผู้คนก็มักให้ความสนใจกับผลกระทบที่เข้าใจกันดีกว่าเป็นเหตุเป็นผล (เข้าใจดี)
จากมุมมองทางวิชาการมันน่าสนใจมากที่รู้:
ถ้าฉันทำ A เพราะผลลัพธ์จะเป็น B
แต่จากมุมมองที่ใช้งานได้จริงในเกือบทุกสถานการณ์สิ่งต่อไปนี้เป็นสิ่งที่ผู้คนต้องการรู้จริง ๆ :
ถ้าฉันทำ A ผลลัพธ์จะเป็น B
แน่นอนว่าคุณอาจสนใจผลกระทบของ A แต่ไม่ว่าจะเป็นสาเหตุอย่างแท้จริงหรือมีสาเหตุซ่อนเร้นที่เพิ่งเกิดขึ้นเพื่อสร้างความสัมพันธ์นี้มักไม่น่าสนใจ
คุณอาจคิดว่า: โอเค แต่ถ้าเราไม่รู้ว่า A เป็นสาเหตุของ B ดังนั้นจึงมีความเสี่ยงมากที่จะทำงานกับสมมติฐานนั้น
สิ่งนี้เป็นจริงในทางหนึ่ง แต่ในทางปฏิบัติคุณจะต้องกังวลอีกครั้ง: มันจะได้ผลหรือมีข้อยกเว้นหรือไม่
ในการอธิบายเรื่องนี้คุณอาจทราบว่าสถานการณ์นี้:
ถ้าฉันทำ A ในสถานการณ์ X เนื่องจาก A ผลลัพธ์จะเป็น B และเพราะ X ผลลัพธ์จะเบี่ยงเบนโดยเดลต้า
ไม่เป็นประโยชน์มากกว่าสถานการณ์นี้มากนัก (สมมุติว่าคุณสามารถวัดผลกระทบได้เท่า ๆ กัน):
ถ้าฉันทำ A ในสถานการณ์ X ผลลัพธ์จะเป็น B และผลลัพธ์จะเบี่ยงเบนโดยเดลต้า
ตรรกะ: C ทำให้เกิด A และ B เสมอ
ผลลัพธ์สัมพันธ์: ถ้า A ขึ้นไป B ขึ้นไป แต่ไม่มีความสัมพันธ์เชิงสาเหตุระหว่าง A และ B
ประเด็นของฉัน: คุณสามารถสร้างแบบจำลองผลกระทบของ A ต่อ B A ไม่ก่อให้เกิด B แต่โมเดลจะยังคงถูกต้องและหากคุณมีข้อมูลเกี่ยวกับ A คุณจะมีข้อมูลเกี่ยวกับ B
ผู้ที่สนใจในการทำ faillure brake โดยมีข้อมูลเกี่ยวกับ A จะสนใจเกี่ยวกับการรู้จักความสัมพันธ์ของ A ถึง B เท่านั้นและเพียงใส่ใจว่าความสัมพันธ์นั้นถูกต้องหรือไม่โดยไม่คำนึงว่าความสัมพันธ์นี้เป็นสาเหตุหรือไม่