Jakie są techniki empiryczne pokazujące związek przyczynowy?

Prosta regresja liniowa pokazuje tylko korelację między dwiema zmiennymi. Aby ustalić związek przyczynowy, dwie powszechnie nauczane metody to regresja IV i eksperymenty naturalne. Jakie inne metody stosują ludzie w celu ustalenia związku przyczynowego?

Naturalne eksperymenty są zazwyczaj miejscem wnioskowania przyczynowego, a nie samym narzędziem wnioskowania przyczynowego. W każdym razie często musisz zastosować coś w rodzaju zmiennych różnicowych lub zmiennych instrumentalnych, nawet jeśli masz naturalny eksperyment.

Oto lista podejść statystycznych do wnioskowania przyczynowego (Podejście: opis Laya)

• Zmienne instrumentalne : Losowo przypisana zmienna X wpływa na Z tylko przez Y
• Różnica w różnicach : jeśli dwie grupy mają wspólny trend i leczona jest tylko jedna grupa, zmiana różnicy między grupami jest efektem leczenia
• Nieciągłość regresji : Jeśli leczenie określa twardy próg, spójrz na różnicę wokół tego progu
• Dopasowywanie oceny skłonności : Utwórz grupę kontrolną, dopasowując nietraktowane obserwacje, które prawdopodobnie będą leczone (ale w rzeczywistości nie leczone) z obserwacjami poddanymi leczeniu z podobnym prawdopodobieństwem leczenia.
• Dopasowywanie odległości Manhalobisa : Utwórz grupę kontrolną, dopasowując nieleczone obserwacje, które wyglądają podobnie do leczonych. Innym znaczącym miernikiem odległości jest Zgrubne Dopasowanie Dokładne .
• Kontrola syntetyczna : gdy masz tylko jedną obserwację poddaną leczeniu, utwórz zbiór nietraktowanych obserwacji, które indywidualnie są niedoskonałymi kontrolami, ale łącznie działają jako dobra kontrola.
• Syntetyczne kohorty - traktuj powtarzające się obserwacje grup jak panel jednostek i stosuj techniki panelu.
• Modelowanie błędu selekcji, takie jak korekcja Heckmana : Załóż parametryczną formę błędu selekcji i usuń ją, aby skorygowane wyniki regresji można interpretować przyczynowo.
• Szersze ważenie próbek - napraw błąd systematyczny wynikający z endogennego uczestnictwa i nie modelowanej niejednorodności poprzez ważenie jednostek próbek, aby bardziej przypominały rzeczywistą populację będącą przedmiotem zainteresowania.

Różnica w różnicach jest prawdopodobnie ulubioną metodą w ekonometrii (chociaż wymaga bootstrapowania, tj. Korekty danych z autokorelacji). Zasadniczo porównuje ewolucję dwóch grup, od momentu, w którym żadna nie podlega temu czynnikowi, do momentu, w którym jedna z nich podlega temu czynnikowi. Znanym przykładem jest użycie metody Card i Kruegera w celu zbadania wpływu płacy minimalnej.

Projektowanie nieciągłości regresji, podobnie jak różnica w różnicach, jest metodą wykorzystywania eksperymentów naturalnych. Opiera się na arbitralnych zasadach, które dają różne „zabiegi” innym podobnym jednostkom.

Przykład z Wikipedii:

Jeśli wszyscy studenci powyżej danej oceny - na przykład 80% - otrzymają stypendium, możliwe jest wywołanie efektu miejscowego leczenia poprzez porównanie studentów w pobliżu granicy 80%: intuicja jest taka, że ​​uczeń z wynikiem 79% jest prawdopodobny być bardzo podobnym do studenta, który uzyska 81% - biorąc pod uwagę z góry określony próg 80%, jednak jeden student otrzyma stypendium, a drugi nie. Porównanie wyniku laureata (grupy terapeutycznej) z alternatywnym wynikiem niebiorcy (grupy kontrolnej) zapewni zatem lokalny efekt leczenia.

Aby śledzić komentarz @EnergyNumbers, przyczynowość wypływa z twojej teorii .

Kluczowe rozróżnienie jest następujące: matematyka w jednej z metod w odpowiedzi @ BKay ma na celu wypluwanie liczb na końcu procedury. Rozważmy na przykład różnicę w różnicach, w której leczenie jest głupie jak lizanie w twarz przez psa. Zawsze możesz skonfigurować różnicę w różnicach, aby zobaczyć, czy lizanie w twarz przez psy powoduje, że ludzie stają się astronautami.

Pomijając głupotę, myślenie o przyczynowości od podstaw może być bardzo pomocne - w tym wybór procedury. Seminaria z ekonomii często obracają się wokół zasadności teorii i zasadności założeń.