Академические эконометрики часто заинтересованы в определении причинности. Похоже, что все работы в частном секторе, связанные со статистикой / наукой о данных, о которых я слышал, - это поиск только прогнозных моделей.
Есть ли какие-либо рабочие места в частном секторе (или правительственные рабочие места), которые исследуют причинно-следственную связь?
econometrics
causality
careers
Great38
источник
источник
Ответы:
Я экономист в области технологий, который работает над причинно-следственными связями с наблюдательными или ошибочными экспериментальными данными. В большинстве крупных технологических компаний, таких как я, люди будут заниматься прикладными исследованиями в области ценообразования, маркетинга и дизайна продукции. В некоторых компаниях также есть группы по государственной политике.
Есть также много людей, которые работают над веб-экспериментированием. Это гораздо большая группа.
Наконец, существуют также конкретные виды экономических консультаций, особенно антимонопольные, где это основное внимание.
источник
[Первые пять эмоциональных ответов подвергнуты цензуре.]
Честно говоря, это один из самых странных вопросов на сайте. И показывает, насколько велика разница между тем, что говорят ваши профессора, и реальной жизнью, то есть жизнью вне башни из слоновой кости. Хорошо, что вы выглядываете из этого ... но вам (то есть, аспирантам по экономике) определенно нужно делать это чаще.
Да, есть занятия вне академических кругов, где люди (удивление, удивление) используют методы причинного следствия. И (сюрприз, сюрприз) публиковать статьи. Мои ответы касаются только США, но я уверен, что вы можете найти подобные организации в других странах.
источник
В фармацевтической статистике и ряде смежных областей причинно-следственная связь между вмешательством и исходом для здоровья является ключевым вопросом, представляющим интерес при принятии решения о том, следует ли использовать вмешательство. Существует широкий спектр подполей, таких как рандомизированные исследования (клинические или доклинические), нерандомизированные исследования или исследования на одной руке, лабораторные эксперименты, мета-анализы, наблюдение за безопасностью лекарственных средств на основе спонтанных сообщений о побочных явлениях, эпидемиология (включая такие идеи, как рандомизация по Манделию) и исследование эффективности (например, с использованием данных наблюдений, таких как базы данных страховых требований). Конечно, в разработанных рандомизированных экспериментах (таких как рандомизированные клинические испытания) приписывание причинности несколько проще, чем в некоторых других приложениях.
источник
Я - исследователь в A Place for Mom, крупнейшей в стране стажировочной справочной службе. Мы разработали опрос, направленный на понимание того, как переход в сообщество, где проживают люди с ограниченными возможностями, влияет на качество жизни. Причинный вывод является центральным в этом исследовании, и методы причинного анализа (например, сопоставление, моделирование процессов выбора, оценка средних эффектов лечения) имеют важное значение.
источник
В большинстве случаев частного сектора вы не будете заботиться о причинности
На практике, несмотря на типичное использование языка, люди гораздо чаще интересуются хорошо понимаемым воздействием , а не (хорошо понимаемой) причинностью.
С академической точки зрения очень интересно знать:
Но с практической точки зрения, почти во всех ситуациях люди действительно хотят знать следующее:
Конечно, вы можете быть заинтересованы в воздействии А, но является ли оно истинной причиной или есть скрытая причина, которая просто создает эту корреляцию, обычно не так интересно.
Примечание об ограничениях
Вы можете подумать: хорошо, но если мы не знаем, что A вызывает B, тогда очень рискованно работать над этим предположением.
В некотором смысле это действительно так, но на практике вы снова будете беспокоиться о том, сработает ли это или есть исключения?
Чтобы проиллюстрировать это, вы можете заметить, что эта ситуация:
Не намного полезнее, чем эта ситуация (при условии, что вы можете количественно оценить воздействие):
Простой пример: корреляция, чтобы вызвать
Логика: C всегда вызывает A и B
Результирующее соотношение: если A повышается, B повышается, но нет причинно-следственной связи между A и B.
Моя точка зрения: вы можете смоделировать воздействие A на B. A не вызывает B, но модель все равно будет правильной, и если у вас есть информация об A, у вас будет информация о B.
Человек, заинтересованный в нарушении тормозов с информацией об A, будет просто заботиться о том, чтобы знать отношение A к B, и заботиться только о том, является ли отношение правильным, независимо от того, является ли это отношение причинным или нет.
источник