Akademische Ökonomen sind häufig an der Bestimmung der Kausalität interessiert. Anscheinend suchen alle Jobs im privaten Sektor für Statistik / Datenwissenschaft, von denen ich höre, nur nach Vorhersagemodellen.

Gibt es Arbeitsplätze im privaten Sektor (oder in der Regierung), die die Kausalität untersuchen?

Ich bin ein technischer Ökonom, der an kausalen Schlussfolgerungen mit Beobachtungsdaten oder fehlerhaften experimentellen Daten arbeitet. In den meisten großen Technologiefirmen werden Leute wie ich angewandte Forschung zu Preisen, Marketing und Produktdesign betreiben. In einigen Unternehmen gibt es auch Teams für öffentliche Ordnung.

Es gibt auch viele Leute, die an Webexperimenten arbeiten. Dies ist eine viel größere Gruppe.

Schließlich gibt es auch bestimmte Arten von wirtschaftswissenschaftlicher Beratung, insbesondere Kartellrecht, bei denen dies im Vordergrund steht.

[Die ersten fünf emotionalen Antworten werden zensiert.]

Das ist ehrlich gesagt eine der seltsamsten Fragen auf der Website. Und zeigt, wie sehr es eine Trennung zwischen dem, was Ihre Professoren sagen, und dem wirklichen Leben gibt - dem Leben außerhalb des Elfenbeinturms. Es ist gut, dass Sie herausschauen ... aber Sie (dh Doktoranden der Wirtschaftswissenschaften) müssen dies auf jeden Fall öfter tun.

Ja, es gibt Jobs außerhalb der Wissenschaft, bei denen Menschen (Überraschung, Überraschung) kausale Inferenzmethoden anwenden. Und (Überraschung, Überraschung) Veröffentlichungen. Meine Antworten sind US-spezifisch, aber ich bin sicher, dass Sie ähnliche Organisationen in anderen Ländern finden können.

• Beispiel 1 (nur weil ich es berufsintern kenne). Ich arbeite in einer Tochtergesellschaft einer großen Auftragsforschungsorganisation, Abt Associates . Das Unternehmen beschäftigt rund 2.300 Mitarbeiter in 50 Ländern. Die meisten von ihnen arbeiten an der Durchführung oder Unterstützung von Evaluierungsforschungen und an der Durchführung von Interventionen. Einer der Top-6-Techniker (als Senior Fellows bezeichnet ), Jacob Klerman, ist Herausgeber von Evaluation ReviewBeaufsichtigung eines Herausgebergremiums, von dem etwa 5/6 akademische Verbindungen haben. Das ist für Sie also ein Beispiel aus der Privatwirtschaft. (Überprüfen Sie die Stellenanzeigen des Unternehmens, um genau zu sehen, nach welchen Fähigkeiten ein Unternehmen sucht. Ich bin mir nicht sicher, ob alle bei JOE werben, da dies teuer ist. Ich kann problemlos ein weiteres Dutzend in den USA nennen, die sich freuen würden einen schlauen Ökonomen zu engagieren.)
• Beispiel 2 (Ich bin damit nur vorübergehend vertraut, weil ich Leute kenne, die dieses Projekt von einem anderen Veranstaltungsort aus gestartet haben): What Works ClearinghouseIm US-Bildungsministerium gibt es eine Website, die der Metaanalyse der veröffentlichten Analyse von Bildungsprogrammen gewidmet ist. WWC arbeitet mit einem Netzwerk von Gutachtern zusammen, die spezifische Anweisungen erhalten, was als Studie angesehen wird, die ausreichend streng ist, um kausale Behauptungen zu stützen, und was nicht. Es stellt sich heraus, dass der größte Teil dieser veröffentlichten Forschung absoluter Mist ist. Wie in Bullshit. Keine Kontrollgruppe. Keine Überprüfung des Gleichgewichts in Bezug auf die demografischen Kovariaten / Baseline-Äquivalenz. Nur etwa 3-5% der Studien (veröffentlicht in der Peer-Review-Literatur, um Himmels willen) "erfüllen Standards ohne Vorbehalte" - das heißt, sie wiesen einen gewissen Anschein von Randomisierung, kontrolliertem Abrieb und Kreuzkontamination der Versuchsarme auf. und die Analyse auf mehr oder weniger akzeptable Weise durchgeführt. (Nach dem Bayes-Theorem Wenn Sie jemanden sagen hören: "Aber ich habe gesehen, dass Kaugummi die Rechenleistung steigert", können Sie mit "BS" antworten, und in 90+% der Fälle haben Sie Recht.) In jedem Fall ist dies ein Bundesstaat Das ist ein Beispiel für Sie, bei dem eine Regierungsbehörde die ordnungsgemäße Verwendung der Tools für kausale Inferenz überprüft. (Wirf deinen Namen als Studiengutachter in den Hut, das wird eine großartige pädagogische Erfahrung für dich. Wenn ich Programmevaluation unterrichten würde, hätte ich dies für meine Studenten zur Voraussetzung gemacht.) (Für Biostatistiker, die bei der FDA arbeiten, wo du Müssen Sie Ihren Analysecode einreichen, bevor Sie Daten erfassen, sind die WWC-Standards immer noch sehr lasch.) d haben in 90 +% der Fälle recht.) In jedem Fall handelt es sich um ein Projekt des Bundesministeriums. Dies ist also ein Beispiel für Sie, in dem eine Regierungsbehörde die ordnungsgemäße Verwendung von Instrumenten für kausale Folgerungen überprüft. (Wirf deinen Namen als Studiengutachter in den Hut, das wird eine großartige pädagogische Erfahrung für dich. Wenn ich Programmevaluation unterrichten würde, hätte ich dies für meine Studenten zur Voraussetzung gemacht.) (Für Biostatistiker, die bei der FDA arbeiten, wo du Müssen Sie Ihren Analysecode einreichen, bevor Sie Daten erfassen, sind die WWC-Standards immer noch sehr lasch.) d haben in 90 +% der Fälle recht.) In jedem Fall handelt es sich um ein Projekt des Bundesministeriums. Dies ist also ein Beispiel für Sie, in dem eine Regierungsbehörde die ordnungsgemäße Verwendung von Instrumenten für kausale Folgerungen überprüft. (Wirf deinen Namen als Studiengutachter in den Hut, das wird eine großartige pädagogische Erfahrung für dich. Wenn ich Programmevaluation unterrichten würde, hätte ich dies für meine Studenten zur Voraussetzung gemacht.) (Für Biostatistiker, die bei der FDA arbeiten, wo du Müssen Sie Ihren Analysecode einreichen, bevor Sie Daten erfassen, sind die WWC-Standards immer noch sehr lasch.)

In der Pharmastatistik und in einer Reihe verwandter Bereiche ist der Kausalzusammenhang zwischen Intervention und Gesundheitsergebnis die zentrale Frage, die bei der Entscheidung über die Verwendung einer Intervention von Interesse ist. Es gibt eine breite Palette von Teilbereichen wie randomisierte Studien (klinisch oder präklinisch), nicht randomisierte oder einarmige Studien, Laboruntersuchungen, Metaanalysen, Überwachung der Arzneimittelsicherheit auf der Grundlage der spontanen Meldung unerwünschter Ereignisse und Epidemiologie (einschließlich) Ideen wie mandelsche Randomisierung) und Effektivitätsforschung (z. B. unter Verwendung von Beobachtungsdaten wie Datenbanken für Versicherungsansprüche). Natürlich ist es in den entworfenen randomisierten Experimenten (wie randomisierten klinischen Studien) etwas einfacher, die Kausalität zuzuordnen als in einigen anderen Anwendungen.

Ich bin Forscherin bei A Place for Mom, dem größten Überweisungsdienst für Senioren. Wir haben eine Umfrage erstellt, um zu verstehen, wie der Einstieg in eine betreute Wohngemeinschaft die Lebensqualität beeinflusst. Kausaler Rückschluss ist für diese Forschung von zentraler Bedeutung, und die Methoden der Kausalanalyse (z. B. Matching, Modellierung von Auswahlprozessen, Schätzung durchschnittlicher Behandlungseffekte) sind von wesentlicher Bedeutung.

In den meisten Situationen des privaten Sektors ist Ihnen die Kausalität egal

In der Praxis interessieren sich die Menschen trotz des typischen Sprachgebrauchs viel häufiger für gut verstandene Auswirkungen als für (gut verstandene) Kausalität.

Aus akademischer Sicht ist es sehr interessant zu wissen:

Wenn ich A mache, wird das Ergebnis B sein

Aus praktischer Sicht ist es jedoch in fast allen Situationen das, was die Leute wirklich wissen wollen:

Wenn ich A mache, ist das Ergebnis B

Sicher, Sie mögen an der Auswirkung von A interessiert sein, aber ob es sich wirklich um die Ursache handelt oder ob es eine versteckte Ursache gibt, die diese Korrelation verursacht, ist normalerweise nicht so interessant.

Hinweis zu Einschränkungen

Sie mögen denken: ok, aber wenn wir nicht wissen, dass A B verursacht, ist es sehr riskant, an dieser Annahme zu arbeiten.

Dies ist in gewisser Weise richtig, aber in der Praxis werden Sie sich nur Sorgen machen: Funktioniert es oder gibt es Ausnahmen?

Um dies zu veranschaulichen, stellen Sie möglicherweise Folgendes fest:

Wenn ich A mache, wird in Situation X wegen A das Ergebnis B sein und wegen X wird das Ergebnis um Delta abweichen

Ist nicht viel hilfreicher als diese Situation (vorausgesetzt, Sie können die Auswirkungen gleichermaßen quantifizieren):

Wenn ich A tue, ist in Situation X das Ergebnis B und das Ergebnis wird um Delta abweichen

Einfaches Beispiel: Zu verursachende Korrelation

• A: Motoröl nachfüllen
• B: Reduzierter Bremsfehler
• C: Autoüberprüfung

Die Logik: C bewirkt immer A und B

Resultierende Beziehung: Wenn A steigt, steigt B, aber es gibt keine kausale Beziehung zwischen A und B.

Mein Punkt: Sie können die Auswirkung von A auf B modellieren. A verursacht B nicht, aber das Modell ist immer noch korrekt. Wenn Sie Informationen über A haben, haben Sie Informationen über B.

Die Person, die an einem Bremsfehler mit Informationen über A interessiert ist, kümmert sich nur darum, die Beziehung von A zu B zu kennen, und kümmert sich nur darum, ob die Beziehung korrekt ist, unabhängig davon, ob diese Beziehung kausal ist oder nicht.