Apakah ahli statistik sektor swasta mencoba menentukan kausalitas?

12

Para ahli ekonometrika akademik sering kali tertarik untuk menentukan hubungan sebab akibat. Sepertinya semua pekerjaan sains statistik / data sektor swasta yang saya dengar hanya mencari model prediksi.

Apakah ada pekerjaan di sektor swasta (atau pekerjaan pemerintah) yang meneliti hubungan sebab akibat?

econometrics  causality  careers 
— Hebat38
sumber
5
Kapan pun kami ingin melakukan intervensi, Anda bertaruh kami peduli. Pikirkan tentang semua pengujian A / B yang dilakukan Google untuk membuat perubahan desain sederhana.
— Matthew Drury
8
Tentu saja. Hampir semua kasus hukum pada akhirnya bergantung pada pertanyaan kausalitas. Hampir semua skema kontrol kualitas yang layak berkaitan dengan kausalitas. Insinyur dan ilmuwan sangat peduli tentang hal itu.
— Whuber
6
Pertanyaan sektor swasta klasik lainnya adalah, "Apakah iklan saya menyebabkan lebih banyak penjualan?"
— Matthew Gunn
2
@MatthewGunn: +1. Secara umum: "Apakah perubahan (mahal) ini akan membuat perbedaan?" Mengasumsikan bisnis perlu tetap bertahan (dan mungkin berkembang) memiliki beberapa tingkat pemahaman tentang dinamika kausal dari pasarnya sangat penting.
— usεr11852
4
Pada awalnya saya menahan diri untuk tidak mengubah utas ini ke CW, percaya bahwa mungkin ada jawaban otoritatif, berdasarkan data / fakta yang bisa ditawarkan. Karena tidak berubah seperti itu, karena berbagai alasan yang mungkin menarik dan bermanfaat bagi banyak orang, saya telah mengubahnya menjadi CW. Terima kasih atas kontribusi Anda!
— whuber

Jawaban:

15

Saya seorang ekonom di bidang teknologi yang bekerja pada inferensial kausal dengan data eksperimen observasional atau cacat. Sebagian besar perusahaan teknologi besar akan memiliki orang-orang seperti saya sekitar melakukan penelitian terapan pada harga, pemasaran, dan desain produk. Ada juga tim kebijakan publik di beberapa perusahaan.

Ada juga banyak orang yang bekerja di eksperimen web. Ini adalah kelompok yang jauh lebih besar.

Akhirnya, ada juga beberapa jenis konsultasi ekonomi, khususnya anti-trust, di mana ini menjadi fokus utama.

— Dimitriy V. Masterov
sumber
7

[Lima balasan emosional pertama disensor.]

Itu adalah salah satu pertanyaan teraneh di situs itu, terus terang. Dan menunjukkan seberapa banyak terputusnya hubungan antara apa yang dikatakan profesor Anda dan kehidupan nyata - yaitu kehidupan di luar menara gading. Adalah baik bahwa Anda mengintip dari sana ... tetapi Anda (artinya, mahasiswa Ph.D dalam bidang ekonomi) pasti perlu melakukan ini lebih sering.

Ya, ada pekerjaan di luar akademia di mana orang (terkejut, terkejut) menggunakan metode inferensial kausal. Dan (kejutan, kejutan) menerbitkan makalah. Jawaban saya khusus untuk AS, tetapi saya yakin Anda dapat menemukan organisasi serupa di negara lain.

  • Contoh 1 (hanya karena saya mengenalnya secara internal di pekerjaan saya). Saya bekerja di anak perusahaan ke organisasi riset kontrak besar, Abt Associates . Ini mempekerjakan sekitar 2.300 orang di 50 negara, dan sebagian besar dari mereka bekerja untuk melakukan atau mendukung penelitian evaluasi, dan melaksanakan intervensi. Salah satu dari 6 orang teknis teratas (disebut Senior Fellows ), Jacob Klerman, adalah editor Evaluasi Evaluasi, mengawasi dewan editor yang sekitar 5/6 memiliki afiliasi akademik. Jadi itu adalah contoh sektor swasta untuk Anda. (Periksa iklan posisi perusahaan untuk melihat secara spesifik keterampilan seperti apa yang mungkin dicari perusahaan - saya tidak sepenuhnya yakin semua orang beriklan di JOE karena mahal; saya dapat dengan mudah menyebutkan selusin lainnya di AS yang akan senang untuk menyewa ahli ekonometrika yang ahli.)
  • Contoh 2 (Saya kenal dengan hal itu karena saya tahu orang-orang yang memulai proyek ini dari tempat lain): What Works Clearinghousedi US Federal Department of Education adalah situs web yang didedikasikan untuk meta-analisis dari analisis yang diterbitkan dari program pendidikan. WWC beroperasi melalui jaringan pengulas yang diberi instruksi spesifik tentang apa yang dianggap sebagai studi yang memiliki kekakuan yang cukup untuk mendukung klaim kausal, dan apa yang tidak. Ternyata sebagian besar penelitian yang dipublikasikan itu adalah omong kosong mutlak. Seperti, omong kosong. Tidak ada grup kontrol. Tidak ada pemeriksaan keseimbangan pada kovariat demografis / kesetaraan baseline. Hanya sekitar 3-5% dari studi (diterbitkan dalam literatur peer-review, demi kebaikan) "memenuhi standar tanpa syarat" - yang berarti, mereka memiliki beberapa kesamaan dalam pengacakan, pengurangan gesekan terkontrol dan kontaminasi silang dari lengan percobaan, dan melakukan analisis dengan cara yang kurang lebih dapat diterima di telepon. (Dengan teorema Bayes, ketika Anda mendengar seseorang berkata, "Tapi saya melihatnya menerbitkan bahwa permen karet meningkatkan prestasi matematika", Anda dapat menjawab, "BS", dan Anda akan benar 90% dari waktu.) Bagaimanapun, ini adalah federal proyek departemen, jadi itu adalah contoh untuk Anda di mana lembaga pemerintah meninjau penggunaan alat inferensi kausal yang tepat. (Masukkan nama Anda sebagai peninjau studi, ini akan menjadi pengalaman pendidikan yang hebat bagi Anda. Jika saya mengajar evaluasi program, saya akan menjadikan ini sebagai persyaratan bagi siswa saya.) (Untuk ahli biostatistik yang bekerja dengan FDA, di mana Anda harus menyerahkan kode analisis Anda sebelum Anda mengumpulkan data apa pun, standar WWC masih sangat lemah.) d benar 90% dari waktu.) Bagaimanapun, ini adalah proyek departemen federal, jadi itu adalah contoh untuk Anda di mana lembaga pemerintah meninjau penggunaan alat inferensi kausal yang tepat. (Masukkan nama Anda sebagai peninjau studi, ini akan menjadi pengalaman pendidikan yang hebat bagi Anda. Jika saya mengajar evaluasi program, saya akan menjadikan ini sebagai persyaratan bagi siswa saya.) (Untuk ahli biostatistik yang bekerja dengan FDA, di mana Anda harus menyerahkan kode analisis Anda sebelum Anda mengumpulkan data apa pun, standar WWC masih sangat lemah.) d benar 90% dari waktu.) Bagaimanapun, ini adalah proyek departemen federal, jadi itu adalah contoh untuk Anda di mana lembaga pemerintah meninjau penggunaan alat inferensi kausal yang tepat. (Masukkan nama Anda sebagai peninjau studi, ini akan menjadi pengalaman pendidikan yang hebat bagi Anda. Jika saya mengajar evaluasi program, saya akan menjadikan ini sebagai persyaratan bagi siswa saya.) (Untuk ahli biostatistik yang bekerja dengan FDA, di mana Anda harus menyerahkan kode analisis Anda sebelum Anda mengumpulkan data apa pun, standar WWC masih sangat lemah.)
— StasK
sumber
Saya tidak berpikir profesor ekonomi mengatakan Anda tidak menggunakan metode kausal dalam praktiknya (tidak ada yang memulai pembicaraan dengan "inilah beberapa metode statistik yang tidak akan dipedulikan oleh siapa pun"), tetapi siswa tersebut khawatir bahwa kesimpulan kausal hanyalah sebuah gading. topik menara (seperti estimasi kepadatan log-cekung: saya jamin tidak ada orang di industri yang melakukannya, dan untuk alasan yang baik). Juga tidak jelas bagaimana contoh 2 menunjukkan orang-orang di industri menggunakan metode kausal?
— Cliff AB
@CliffAB OP meminta contoh industri dan pemerintah, jadi # 2 cocok dengan tagihan. Saya juga berpikir poin StasK tentang sedikit pengetahuan tentang kehidupan di luar menara gading di antara mahasiswa PhD ekonomi, dan pada tingkat lebih rendah profesor mereka, cukup akurat, meskipun ada banyak heterogenitas di berbagai bidang dan departemen dan bahkan waktu.
— Dimitriy V. Masterov
@ DimitriyV.Masterov: # 2 sepertinya contoh dari tidak menggunakan alat kausal yang tepat. Dan saya membaca (mungkin salah membaca) jawaban StasK menyiratkan bahwa profesor mengatakan "tidak ada seorang pun di luar akademisi yang menggunakan metode kausal". Jika seorang profesor yang berspesialisasi dalam metode sebab-akibat mengatakan ini, mereka mengakui kegagalan; jika Anda membuat metode statistik terapan yang tidak digunakan siapa pun di luar dunia akademik, itu tidak dianggap sebagai hal yang baik. Teori statistik tentu saja merupakan cerita yang berbeda.
— Cliff AB
Bacaan saya (sekali lagi, mungkin salah baca) dari pertanyaan OP adalah bahwa para profesor memberi tahu mereka "statistik kausal itu penting!", Dan tanggapan mereka adalah "apakah ini benar-benar penting? Apakah orang-orang di industri benar-benar menggunakan metode ini?". Tapi sekali lagi, mungkin saya salah membaca.
— Cliff AB
1
@CLIFF WWCH meninjau penelitian akademis, memisahkan gandum dari sekam sejauh inferensi kausal, jadi ini sebenarnya contoh yang bagus untuk area di mana standarnya lebih tinggi di pemerintahan daripada di beberapa bagian akademisi.
— Dimitriy V. Masterov
6

Dalam statistik farmasi dan sejumlah bidang terkait, hubungan sebab akibat antara intervensi dan hasil kesehatan adalah pertanyaan kunci yang menarik ketika memutuskan apakah intervensi harus digunakan. Ada beragam sub-bidang seperti uji coba acak (klinis atau pra-klinis), uji coba non-acak atau uji coba tunggal, percobaan laboratorium, meta-analisis, pengawasan keamanan obat berdasarkan pelaporan spontan efek samping, epidemiologi (termasuk ide-ide seperti pengacakan Mandel) dan penelitian efektivitas (misalnya menggunakan data pengamatan seperti database klaim asuransi). Tentu saja dalam percobaan acak yang dirancang (seperti uji klinis acak) yang menghubungkan kausalitas agak lebih mudah daripada di beberapa aplikasi lain.

— Björn
sumber
Saya kira pengaturan pengembangan obat akan menjadi salah satu dari sedikit tempat di mana orang peduli tentang penyebab orang menjadi lebih baik daripada apakah mereka menjadi lebih baik, karena pada akhirnya Anda harus 'aman' di seluruh populasi. - Jadi, pasti jawaban yang bagus, tetapi seperti yang Anda sebutkan, kasus yang cukup istimewa.
— Dennis Jaheruddin
4

Saya seorang peneliti di A Place for Mom, layanan referensi hidup senior terbesar di negara ini. Kami telah merancang survei yang bertujuan memahami bagaimana pindah ke komunitas yang hidup memengaruhi kualitas hidup. Inferensial kausal merupakan pusat penelitian ini, dan metode analisis kausal (misalnya, pencocokan, proses pemilihan pemodelan, memperkirakan efek pengobatan rata-rata) sangat penting.

— Brash Equilibrium
sumber
-3

Dalam sebagian besar situasi sektor swasta Anda tidak akan peduli tentang hubungan sebab akibat

Dalam praktiknya, meskipun menggunakan bahasa yang umum, orang lebih sering tertarik pada dampak yang dipahami dengan baik , daripada hubungan sebab akibat (dipahami dengan baik).

Dari sudut pandang akademik, sangat menarik untuk mengetahui:

Jika saya melakukan A, karena itu hasilnya akan menjadi B

Tetapi dari sudut pandang praktis, dalam hampir semua situasi berikut ini adalah yang benar-benar ingin diketahui orang:

Jika saya melakukan A, hasilnya akan menjadi B

Tentu Anda mungkin tertarik pada dampak A, tetapi apakah itu benar-benar penyebabnya, atau apakah ada penyebab tersembunyi yang kebetulan menciptakan korelasi ini biasanya tidak begitu menarik.

Perhatikan batasannya

Anda mungkin berpikir: ok, tetapi jika kita tidak tahu bahwa A menyebabkan B, maka sangat beresiko untuk mengerjakan asumsi itu.

Ini memang benar, tetapi sekali lagi dalam praktiknya Anda hanya akan mengkhawatirkan: Apakah akan berhasil, atau adakah pengecualian?

Untuk menggambarkan hal ini, Anda dapat mencatat bahwa situasi ini:

Jika saya melakukan A, dalam situasi X, karena A hasilnya akan menjadi B dan karena X hasilnya akan menyimpang oleh delta

Tidak jauh lebih bermanfaat daripada situasi ini (dengan asumsi Anda dapat mengukur dampaknya secara merata):

Jika saya melakukan A, dalam situasi X, hasilnya akan menjadi B dan hasilnya akan menyimpang oleh delta

Contoh sederhana: Korelasi dengan penyebab

  • A: Mengisi oli mesin
  • B: Mengurangi faillure rem
  • C: Pemeriksaan mobil

Logikanya: C selalu menyebabkan A dan B

Relasi yang dihasilkan: Jika A naik, B naik tetapi tidak ada hubungan sebab akibat antara A dan B.

Maksud saya: Anda dapat memodelkan dampak A pada B. A tidak menyebabkan B, tetapi modelnya masih benar, dan jika Anda memiliki informasi tentang A, Anda akan memiliki informasi tentang B.

Orang yang tertarik dengan rem faillure dengan informasi tentang A hanya akan peduli mengetahui hubungan A ke B, dan hanya peduli apakah hubungannya benar, terlepas dari apakah hubungan ini bersifat kausal atau tidak.

— Dennis Jaheruddin
sumber
1
Saya tidak mengira saya satu-satunya yang bingung dengan perbedaan Anda antara "penyebab" & "dampak". Contoh-contoh Anda sepertinya sedikit memperjelasnya: membuka detail rantai sebab-akibat mungkin tidak terlalu penting. Membeli lebih banyak iklan biaya per klik akan menyebabkan peningkatan penjualan - tidak peduli bagaimana - & itulah yang penting bagi klien Anda.
— Scortchi
@ Scortchi Yang saya maksud dengan alasan: 'Jika A, maka karena itu B'. Apa yang saya maksud dengan dampak (mungkin bukan definisi yang paling umum, tetapi ini bukan tentang bahasa): 'Jika A maka B'. - Contoh buku teks dari perbedaan yang relevan: C menyebabkan A dan B. Oleh karena itu A tidak menyebabkan B, tapi saya akan mengatakan masuk akal untuk memodelkan dampak A pada B. - Setelah membaca ulang komentar saya sendiri, mungkin dampak 'dapat diganti dengan' hubungan aktual dengan jeda waktu '.
— Dennis Jaheruddin
5
Saya rasa saya tidak setuju dengan contoh iklan - jika saya perlu memutuskan apakah akan membeli lebih banyak iklan online, saya peduli apakah hal itu akan menghasilkan lebih banyak penjualan daripada tidak membeli iklan ini (baik melalui klik-tayang lebih banyak atau melalui berarti = hubungan sebab-akibat), yang mungkin berbeda dari apakah perusahaan yang meningkatkan iklan online mereka pada tahun lalu memiliki peningkatan penjualan yang lebih tinggi daripada perusahaan yang tidak (korelasi). Kausalitas bukan tentang cara yang tepat dengan mana hasilnya terjadi (akan menyenangkan untuk diketahui, tentu saja), tetapi lebih tepatnya apakah sesuatu terjadi karena melakukan atau tidak melakukan A.
— Björn
6
Dalam penjualan, Anda harus peduli tentang kausalitas. Jika Anda melakukan percobaan di mana tindakan diikuti oleh hasil , tetapi hasil itu tidak kausal, maka Anda akan kecewa ketika - sebagaimana wajar dan diharapkan - bahwa ketika Anda mengulangi tindakan di masa mendatang itu akan hanya tidak konsisten (jika pernah) diikuti oleh . Singkatnya, perbedaan antara "sebab" dan "dampak" yang digunakan dalam jawaban ini tampaknya analog dengan perbedaan antara "signifikan secara statistik" - secara longgar ditafsirkan sebagai "layak dipercaya dan menjadi dasar untuk tindakan di masa depan" - dan "palsu. " B A BABAB
— whuber
Saya kira saya tidak setuju dengan komentar ini, meskipun dalam pengalaman saya agaknya memang kausalitas tidak dicari, meskipun dalam banyak masalah memang seharusnya demikian. Dalam praktiknya, saya melihat ini hampir setara dengan perbedaan antara model prediksi dan model penjelasan.
— Thomas Speidel
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.