Ekonometrycy akademiccy są często zainteresowani określeniem związku przyczynowego. Wygląda na to, że wszystkie prace w sektorze statystyki / analizy danych w sektorze prywatnym, o których słyszę, szukają tylko modeli predykcyjnych.
Czy są jakieś miejsca pracy w sektorze prywatnym (lub stanowiska rządowe), które badają związek przyczynowy?
econometrics
causality
careers
Świetnie 38
źródło
źródło
Odpowiedzi:
Jestem ekonomistą w dziedzinie technologii, który działa na podstawie wnioskowania przyczynowego na podstawie danych obserwacyjnych lub błędnych danych eksperymentalnych. Większość dużych firm technologicznych będzie zatrudniać ludzi takich jak ja, którzy zajmą się badaniami stosowanymi w zakresie cen, marketingu i projektowania produktów. W niektórych firmach działają również zespoły ds. Polityki publicznej.
Wiele osób pracuje nad eksperymentami internetowymi. To jest znacznie większa grupa.
Wreszcie, istnieją również szczególne rodzaje konsultacji ekonomicznych, szczególnie antymonopolowych, gdzie to główny nacisk.
źródło
[Pierwsze pięć emocjonalnych odpowiedzi ocenzurowane.]
To jest jedno z najdziwniejszych pytań na stronie. I pokazuje, jak bardzo istnieje rozdźwięk między tym, co mówią twoi profesorowie, a prawdziwym życiem - to znaczy życiem poza wieżą z kości słoniowej. Dobrze, że z tego zerkacie ... ale wy (to znaczy doktoranci ekonomii) zdecydowanie musicie to robić częściej.
Tak, są miejsca pracy poza środowiskiem akademickim, w których ludzie (niespodzianka, niespodzianka) używają metod wnioskowania przyczynowego. I (niespodzianka, niespodzianka) publikuj artykuły. Moje odpowiedzi są specyficzne dla USA, ale jestem pewien, że możesz znaleźć podobne organizacje w innych krajach.
źródło
W statystyce farmaceutycznej i szeregu powiązanych dziedzin związek przyczynowy między interwencją a wynikami zdrowotnymi jest kluczowym zagadnieniem interesującym przy podejmowaniu decyzji, czy należy zastosować interwencję. Istnieje szeroki zakres subpól, takich jak badania randomizowane (kliniczne lub przedkliniczne), badania nierandomizowane lub badania jednoramienne, ćwiczenia laboratoryjne, metaanalizy, nadzór nad bezpieczeństwem leków oparty na spontanicznym zgłaszaniu zdarzeń niepożądanych, epidemiologia (w tym pomysły takie jak randomizacja Mandeliana) i badania skuteczności (np. wykorzystanie danych obserwacyjnych, takich jak bazy danych roszczeń ubezpieczeniowych). Oczywiście w zaprojektowanych randomizowanych eksperymentach (takich jak randomizowane badania kliniczne) przypisywanie związku przyczynowego jest nieco łatwiejsze niż w niektórych innych zastosowaniach.
źródło
Jestem naukowcem w A Place for Mom, największej w kraju usłudze polecania osób starszych. Opracowaliśmy ankietę mającą na celu zrozumienie, w jaki sposób przejście do społeczności osób objętych pomocą ma wpływ na jakość życia. Wnioskowanie przyczynowe jest kluczowe dla tych badań, a metody analizy przyczynowej (np. Dopasowanie, modelowanie procesów selekcji, szacowanie średnich efektów leczenia) są niezbędne.
źródło
W większości sytuacji w sektorze prywatnym nie będzie Cię obchodzić związek przyczynowy
W praktyce, pomimo typowego użycia języka, ludzie są znacznie bardziej zainteresowani dobrze zrozumiałym wpływem niż (dobrze zrozumiałym) przyczynowością.
Z akademickiego punktu widzenia bardzo interesująca jest wiedza:
Ale z praktycznego punktu widzenia, w prawie wszystkich sytuacjach ludzie naprawdę chcą wiedzieć:
Pewnie możesz być zainteresowany wpływem A, ale to, czy jest to rzeczywiście przyczyna, czy też istnieje ukryta przyczyna, która akurat tworzy tę korelację, zwykle nie jest tak interesująca.
Uwaga na temat ograniczeń
Możesz pomyśleć: ok, ale jeśli nie wiemy, że A powoduje B, to bardzo ryzykowne jest pracować nad tym założeniem.
Jest to w pewnym sensie prawdą, ale w praktyce znowu będziesz się martwić: czy to zadziała, czy są wyjątki?
Aby to zilustrować, możesz zauważyć, że ta sytuacja:
Nie jest dużo bardziej pomocny niż ta sytuacja (zakładając, że można równo oszacować wpływ):
Prosty przykład: korelacja z przyczyną
Logika: C zawsze powoduje A i B.
Wynikająca zależność: Jeśli A rośnie, B rośnie, ale nie ma związku przyczynowego między A i B.
Moja uwaga: możesz modelować wpływ A na B. A nie powoduje B, ale model nadal będzie poprawny, a jeśli masz informacje o A, będziesz mieć informacje o B.
Osoba zainteresowana awarią hamulca z informacją o A będzie dbała tylko o znajomość relacji A do B i dba tylko o to, czy relacja jest poprawna, niezależnie od tego, czy relacja ta jest przyczynowa, czy nie.
źródło