Мир сегодня с "Юрий Подоляка"

Труха⚡️Україна

देखना

Николаевский Ванёк

देखना

Мир сегодня с "Юрий Подоляка"

देखना

Труха⚡️Україна

देखना

Николаевский Ванёк

देखना

Канал влияния

Канал Анны Ставнийчук (н.с. ЭФ МГУ) и Ольги Марковой (к.э.н., с.н.с. ЭФ МГУ)* об оценке эффектов, поведенческой экономике и антитрасте с юмором и полезными материалами
causal.channel@gmail.com
*Точка зрения авторов не является официальной позицией ЭФ МГУ

TGlist रेटिंग

प्रकारसार्वजनिक

सत्यापन

असत्यापित

विश्वसनीयता

अविश्वसनीय

स्थान

भाषाअन्य

चैनल निर्माण की तिथिВер 30, 2024

TGlist में जोड़ा गया

Лют 11, 2025

मैं चैनल का मालिक हूँ

बदलावों का इतिहास

टेलीग्राम चैनल Канал влияния का आंकड़ा

विवरण

सदस्य

418

24 घंटों

20.5%सप्ताह

61.5%महीना

8726.4%

उद्धरण सूचकांक

0

उल्लेख1चैनलों पर शेयर0चैनलों पर उल्लेख1

प्रति पोस्ट औसत दृश्य

132

12 घंटों910%24 घंटों1320%48 घंटों1390%

सगाई (ER)

17.42%

रिपोस्ट6टिप्पणियाँ0प्रतिक्रियाएँ17

सगाई दर (ERR)

31.73%

24 घंटों0%सप्ताह

6.59%महीना

0.91%

प्रति विज्ञापन पोस्ट औसत दृश्य

132

1 घंटा9471.21%1 - 4 घंटे2821.21%4 - 24 घंटे4131.06%

विवरण

हमारे बॉट को चैनल में जोड़ें और इस चैनल की दर्शक संख्या जानें।

24 घंटों में कुल पोस्ट

0

डायनेमिक्स

समूह "Канал влияния" में नवीनतम पोस्ट

सभी पोस्ट

22.04.202506:25

📱 Опять вы в своих телефонах сидите?

Сегодня мы хотим вам рассказать про новую статью (пока препринт) (Allcott et al., 2025), авторы которой провели самое масштабное на сегодня исследование эффектов отказа от социальных сетей

Большая группа ученых (30+ человек!) в преддверии выборов в США в 2020 году провела эксперимент, в котором почти 35 тысяч человек отключили Facebook* или Instagram* на 6 недель

👍 Стало ли респондентам психологически легче без соцсетей?
🟤Отключение Facebook (Meta*) привело к умеренному улучшению эмоционального состояния — +0.060 стандартных отклонений по индексу счастья, тревожности и депрессии
🟤Отключение Instagram* дало эффект чуть слабее — +0.041, но он был особенно заметен у девушек до 25 лет: для них эффект был почти в три (!) раза выше
🟤Политическая активность не изменилась: люди не стали больше (или меньше) участвовать в выборах, митингах и спорах
🟤Эффект почти не зависит от того, как часто человек пользовался соцсетью. Даже у тех, кто залипал в Instagram* часами, эмоциональное улучшение было примерно таким же, как у более умеренных пользователей

🙂 А раньше эффекты были не очевидны?
🟤Ранние эксперименты (RCT) (например, Allcott et al., 2020) уже показывали, что отказ от соцсетей снижает тревожность, но их эксперимент был значительно меньше и не отделял эффект от разных по контенту социальных сетей
🟤Метаанализ Hancock et al. (2022) показал, что большинство неэкспериментальных исследований дают нестабильные и слабые эффекты, причём часто — в обе стороны

❌ Как изменилось поведение тех, кто отказался от соцсетей?
Пользователи не отказывались от социальных сетей, а заменяли Instagram* и FB* другими приложениями. То есть эффект связан со спецификой контента и дизайна платформ

Несмотря на то, что пользователи в итоге не снизили объемы потреблямого контента, на сегодня данное исследование - это самое серьёзное доказательство того, что даже временный цифровой детокс может помочь мозгу выдохнуть. Хоть чуть-чуть

*Принадлежат компании Meta, признанной экстремистской в РФ

#канал_обозревает
@causal_channel

से पुनः पोस्ट किया:

Наука и данные

19.04.202518:02

Causality and Multiple Regression

Ben Rottman в рамках курса Open Source Research Methods for the Social Sciences сделал Shiny-приложение как инструмент, который поможет понять возможные взаимосвязи между переменными, включая различные эффекты в приложениях к причинно-следственным связям и множественной регрессией.

На приложение обратил внимание Joachim Schork, который ведет собственный YouTube-канал Statistics Globe по R (см. также обзор от H0H1: про HR-аналитику).

19.04.202518:02

Когда-нибудь мы обязательно напишем про ориентированные ациклические графы (Directed Acyclic Graph, DAG), и как это связано с оценкой эффектов, а пока отличное shiny-приложение от Бена Роттмана из Лаборатории причинного вывода и принятия решений Университета Питтсбурга

#канал_рекомендует
@causal_channel

18.04.202506:25

Не наступай на бабочек, что они тебе сделали?

🤤Неделю назад в Стенфорде прошла 4-я ежегодная конференция по количественному антитрасту (Computational Antitrust). Одной из ключевых тем стала роль ИИ и новых технологий в антимонопольной практике. Мы собрали для вас хайлайты прошедшей встречи

🤣Антимонопольщики с компаниями тратят много времени на запрос данных - тут может пригодиться ИИ
Одной из главных проблем в расследованиях остаётся обмен данными между компаниями и регуляторами. Системы хранения и структуры баз данных у разных компаний сильно отличаются друг от друга и еще больше отличаются от формы, которую запрашивают антимонопольгные органы. Поэтому представители компаний не всегда сразу могут разобраться, что именно хочет получить регулятор. Это затрудняет интерпретацию и обработку запрошенной информации.
ИИ может помочь:
🟤упростить коммуникацию между сторонами
🟤автоматически сопоставлять формат данных компании с требованиями регулятора
🟤ускорить анализ и сделать его более точным

🤣Кого заменит ИИ в антитрасте?
Ранее мы писали, что ИИ может заменить юристов, но Сьюзан Эйти считает, что ИИ скорее усилит работу антимонопольных юристов и начнёт выполнять рутинные задачи, которые сейчас делают экономисты.
Например, ИИ способен:
🟤находить паттерны и аномалии в больших массивах данных
🟤определять, действительно ли цены персонализированы
🟤проверять, может ли алгоритм компании использовать персонализацию в принципе

🤣Что самое страшное, с чем пока непонятно, как справляться?
Один из самых сложных и пока не решённых вызовов — это сговор алгоритмов.
Сейчас в делах, которые расследует Минюст США (DOJ), компании ведут себя скорее неосторожно — не думают об антимонопольных рисках и оставляют явные следы и улики.

В будущем более совершенные алгоритмы потенциально могут вести себя более скрытно, но при этом завышать цены
🟤Это может быть связано с тем, что они реализуют молчаливый сговор. В случае, если алгоритмы ценообразования быстро подстраиваются, смысла в снижении цен нет, так как выгоды от этого очень кратковременные.
🟤В результате предпочтительной стратегией может стать выбор повышения цен, а не их снижение, даже если изначально в алгоритм не была заложена возможность сговора
🟤Это означает, что регуляторам понадобятся новые методы, чтобы стимулировать компании к честной ценовой конкуренции

🤣А что в России?
ФАС России тоже активно интересуется поведением компаний в цифровом пространстве, но пока это также скорее «классические» картели, где компании оставляют улики. Например, в январе 2025 года ФАС России раскрыла картель продавцов наушников на маркетплейсах. Участники картеля договаривались в мессенджере о ценах, а также вместе «наказывали» продавцов, которые отказались участвовать сговоре

📺 Запись конференции можно посмотреть в канале конференции Computational Antitrust

#канал_уведомляет
@causal_channel

15.04.202506:29

📊 Большая ложь и статистика: правда ли, что можно застраховаться от ошибок в причинном выводе?

Мы привыкли пользоваться линейными моделями, хотя живём в нелинейном мире. Мы верим, что сложные методы помогают нам побороть несовершенство данных, но ошибочная спецификация модели может стоить очень дорого — она может существенно исказить оценку эффекта (Hernán, Robins, 2020; Morgan, Winship, 2015). К счастью, эконометристы придумали, как позволить себе совершить ошибку, но только одну 😄

Не будем томить наших пуристов ❤️ и перейдем к сути

Недавняя статья (Hoffmann, 2024) систематизирует методы гибкой поправки на ковариаты в причинном выводе, включая двойные робастные методы

⏮ Что такое двойные робастные методы?
Чтобы снизить вероятность совершить ошибку, эконометристы используют двойные робастные методы (double robust methods). Мы одновременно строим сразу две модели:
🟤Одна оценивает воздействие (exposure model) (например, участие в программе повышения квалификации)
🟤Другая — исход (outcome model) (например, доход после переобучения)

Это позволяет, грубо говоря, диверсифицировать риски ошибок:
🟤Если хотя бы одна модель корректно специфицирована, оценка среднего эффекта воздействия (ATE, Average Treatment Effect) будет состоятельной
🟤Как результат — мы избегаем смещения в случае неправильной спецификации одной из моделей (Bang, Robins, 2005; Kang, Schafer, 2007)

⏮ Преимущества и вызовы
➕ Гибкость: методы позволяют использовать машинное обучение, что устраняет ограничения традиционных статистических методов
➕ Снижение смещения (bias): если одна модель (исхода или воздействия) специфицирована неправильно, второй компонент все равно позволяет добиться корректной оценки
➖ Вычислительные затраты (computational cost): несмотря на преимущества, методы требуют значительных вычислительных ресурсов, особенно в комбинации с гибкими алгоритмами машинного обучения
➖ Необходимость точной спецификации: для достижения правильных результатов важно корректно выбирать контрольные переменные и функциональную форму

⏮ Основные подходы
🟤AIPW (Augmented Inverse Probability Weighting) — один из самых старых методов. Он сочетает в себе обратные вероятности (Inverse Probability Weighting, IPW) с регрессией исхода, что помогает устранить смещение в случае ошибки в модели воздействия (Scharfstein et al., 1999)
🟤TMLE (Targeted Maximum Likelihood Estimation) — улучшенная версия AIPW. Использует «умные ковариаты» (clever covariates) и максимизирует вероятность (maximum likelihood), что делает его более устойчивым к ошибкам спецификации (van der Laan, Rubin, 2006)
🟤DML (Double/Debiased Machine Learning) — самый новый метод, предназначенный для работы с высокоразмерными данными. Он использует два этапа: сначала оцениваются модели воздействия и исхода, затем проводится регрессия остатков (residual-on-residual regression) для устранения смещения, вызванного регуляризацией (regularization bias) (Chernozhukov et al., 2018)

⏮ Какие результаты были получены?
🟤Симуляции показали, что методы с машинным обучением (TMLE и DML) показывают более точные результаты по RMSE и смещению по сравнению с традиционными методами, основанными на линейной регрессии и PSM (Propensity Score Matching)
🟤Однако, несмотря на это, OLS и Lin estimator также оказываются довольно эффективными, особенно при работе с линейными данными (Dorie et al., 2019)
🟤Традиционные методы по-прежнему остаются конкурентоспособными благодаря их вычислительной эффективности. В то время как гибкие методы, несмотря на свои вычислительные затраты, могут сильно улучшить результаты в сложных сценариях
🟤В статье (Hoffmann, 2024) также рассмотрены реальные примеры репликации исследований из American Sociological Review, где использование двойных робастных методов изменяло результаты, иногда меняя знаки эффектов или приводя к утрате статистической значимости. Это подчеркивает важность проверки устойчивости (robustness check) выводов с использованием разных методов

#канал_обозревает
@causal_channel

11.04.202506:28

💬 Как делать причинные выводы, если ваши данные — это текст?

Жалобы, интервью, посты, открытые ответы в анкетах — всё это тексты, которые всё чаще становятся объектом анализа в социальных науках (Gentzkow et al., 2019)

📝 Тексты могут играть разные роли в моделях, оценивающих причинно-следственные связи (Feder et al., 2022):
🟤Воздействие (treatment): как формулировка влияет на поведение?
🟤Исход (outcome): как воздействие повлияло на текст? (результат интервенции — это тон, содержание или тема высказывания)
🟤Общая причина (confounder): текст влияет и на воздействие, и на исход

Недавно мы писали о подходе к оценке эффектов воздействия на качественных данных, а как оценить эффект воздействия, если переменная — это текст, а не число?

📍Извлечение переменных из текста и смещение выводов

Авторы работы (Egami et al., 2022) считают, что ключевая проблема идентификации, которая возникает, когда текст нужно агрегировать в интерпретируемую переменную (например, "наличие темы", "эмоциональный тон") — это фундаментальная проблема причинного вывода при наличии скрытых переменных (Fundamental Problem of Causal Inference with Latent Variables)

Если вы извлекли интерпретируемую переменную из текста на тех же данных, где оцениваете её эффект, то:
🟤возникает переобучение
🟤результат зависит от конкретной рандомизации
🟤нарушается условие условной независимости (ignorability)

Чтобы получить валидные оценки, авторы предлагают разделение выборки (sample splitting):
🟤На обучающей выборке (train) извлекать некоторую функцию кодирования текста g (например, topic model)
🟤На тестовой выборке (test) — применить g, оценить эффект (например, разность средних, регрессию)

📍Как реализовать оценку на практике?

В свежей работе (Modarressi et al., 2025) авторы реализуют идеи (Egami et al., 2022) в полноценном алгоритме, когда исход представлен в форме текста

Алгоритм оценки включает три шага:
🟤Тест на наличие эффекта (reverse prediction): можно ли по тексту определить, к тестовой группе или контрольной он относится?
🟤Выделение причинных тем (causal themes): LLM предлагает интерпретируемые шкалы различий между группами (например, «упоминание причинной идентификации»). Темы валидируются экспертами (человеческая разметка) на независимой подвыборке
🟤Оценка полноты (completeness): насколько хорошо эти темы объясняют разницу между группами (аналог коэффициента детерминации)

📍А что, так уже делают? А что? А где?
В недавней статье в Nature исследователи используют причинную модель на текстовых данных и показывают, что негативно окрашенные слова в заголовке новости на 2,3% увеличивали число кликов по ней (Robertson et al., 2023)

А какие посты чаще читаете вы? С положительными словами в заголовке или отрицательными?

#канал_обозревает
@causal_channel

08.04.202506:34

Месяц назад мы писали про классные наборы открытых данных. Один из них (данные муниципальной статистики) и еще много других делает проект "Если быть точным" 🟦

▫️Сейчас команда проекта собирает обратную связь — и сама спрашивает: какие данные и какие функции нужны именно вам? Возможность крайне редкая!
▫️Что нужно сделать: пройти короткий опрос (и рассказать о том, как вы работаете с данными, а главное — какие наборы данных вы бы хотели увидеть)
▫️Опрос займет всего 5 минут, но поможет сделать проект ещё полезнее для всех нас

Мы уже бежим заполнять анкету — мы сами частенько собираем данные, оттого еще больше уважаем и восхищаемся тем гигантским трудом, который делают коллеги.
Мир точно станет лучше, если в нём будет больше открытых и удобных данных! ❤️

И да — на этой неделе мы ещё поговорим с вами о том, ~~как еще можно помучать данные~~ как можно нестандартно работать с данными и какие ещё интересные вещи из них можно вытянуть 🤪

#канал_рекомендует
@causal_channel

04.04.202506:27

🕺 В пятницу я совершенно свободен!

Сколько бы вы хотели работать? Ответ на этот вопрос важен для каждого, но реальность такова, что большинство людей не могут свободно выбирать рабочие часы. Существуют законы, традиции и нормы: 8-часовой рабочий день, 5-дневная неделя, отпуска, больничные…

По результатам вчерашнего опроса это тоже видно – число фактических часов работы сконцентрировано вокруг 40-50 часов в неделю

☺️Нормы – это хорошо, а сколько мы сами хотим работать?
В исследовании (Jarosch, Pilossoph, Swaminathan, 2025) авторы показали, что более 2/3 работников в Германии перерабатывают — то есть они хотят работать меньше, чем им приходится. В среднем реальное время работы превышает желаемое на 5 часов в неделю

В нашем опросе мы видим похожую ситуацию: в среднем в неделю вы бы хотели работать на 8 часов меньше

(Jarosch, Pilossoph, Swaminathan, 2025) показывают, что отказаться от заработка в обмен на более короткую рабочую неделю чаще готовы:
➡️Женщины (их готовность платить за сокращение времени на 45% выше, чем у мужчин)
➡️Работники с высшим образованием
➡️Семейные людям

☺️А правда, что все хотят работать 4 дня в неделю?
Нельзя сказать, что во всех странах есть спрос на сокращение рабочей недели. Например, (Lachowska et al., 2023) указывают, что в США работники скорее чувствуют недостаточную занятость, при этом это больше проявляется у «синих воротничков»

☺️Ок, хотим меньше работать, а что там с пользой для народного хозяйства?
Систематическое метаисследование (Campbell, 2023), которое опиралось на 31 академическую статью, показывает, что большинство исследований находят благоприятные последствия перехода на 4-дневную рабочую неделю.
Среди положительных последствий:
➕повышение морального духа
➕удовлетворенность работой
➕сокращение расходов
➕снижение текучести кадров
Но есть и отрицательные: проблемы с переходом на новое расписание, а также возможное снижение положительных эффектов со временем (когда люди привыкнут)

Работайте, но не забывайте вовремя хорошо отдыхать!

#канал_экспериментирует
#канал_обозревает
@causal_channel

03.04.202507:30

Всем хорошего четверга!
В преддверии завтрашнего поста мы решили поинтересоваться у вас, сколько часов в неделю вы работаете и хотели бы работать. А завтра обсудим результаты💼

01.04.202506:23

😂 Нет ничего смешного!

Сегодня мы решили обратиться к работам психологов и поговорить о юморе. Почему не экономистов? — Потому что ~~у экономистов плохое чувство юмора~~ юмор сложно измерять и сравнивать

⏮ Что нам дает юмор?
Похожее чувство юмора делает нас ближе друг к другу, играет ключевую роль в формировании дружбы и готовности помогать другим. Смех — это не просто реакция, а социальный инструмент, который помогает нам находить «своих» и строить прочные связи (Curry, Dunbar, 2013)

⏮ Допустим люди похожи по чувству юмора – а дальше что?
В другом исследовании Оливер Карри и Робин Данбар (Curry, Dunbar, 2013) разделили всех участников эксперимента на две группы:
🌝На первом этапе одной группе дали 18 шуток и попросили оценить, смешные ли они. Другой группе дали 18 строк из разных романов и просили оценить, насколько каждая из них им нравится
🌝Через две недели на втором этапе участникам сказали, что они будут взаимодействовать с другими участниками, и показали, как те оценили шутки и отрывки из романов. В результате были сформированы «пары» с похожими оценками

Оказалось, что когда люди взаимодействуют с теми, у кого схожи вкусы в шутках и литературе, они с большей вероятностью оценивают друг друга положительно. Но только с теми, у кого схожее чувство юмора, участники вели себя более альтруистично

⏮ Здорово! А юмор – это искусство или ремесло? [в тему добавили отрывок из ТБВ]
Если коротко, пока ученые не понимают, как хорошо шутить, но кое-что мы уже знаем!
🟥Карикатуры, например, работают благодаря неожиданной развязке (Carbajal-Carrera, Sanchez-Castro, 2020)
🟥Если шутка содержит вплоть до пяти уровней размышлений*, то с ростом количества уровней шутки растут оценки того, насколько шутка смешная (Dunbar, Stirling-Middleton, 2024)

*Например, ментальная модель пятого уровня будет выглядеть так: «интересно, что Аня хочет, чтобы Оля поняла, почему Антон хочет, чтобы Надя поверила в это?

Закончим философскими размышлениями о том, что накопившаяся усталость заставляет нас всерьез задумываться о том, чтобы переключиться на исследование юмора (шутим из последних сил)

#канал_обозревает
#канал_пытается_шутить
@causal_channel

28.03.202506:23

🙅‍♂️💁‍♂️ Сколько людей, столько и мнений? Почему исследователи получают разные результаты, работая с одними и теми же данными?

Представьте ситуацию: 146 исследовательских команд получают одинаковые данные и одинаковую задачу по оценке эффекта воздействия. Казалось бы, если все работают с одними и теми же данными, результаты должны быть примерно одинаковыми. На практике же разброс оценок оказывается огромным!

📊 Невоспроизводимость результатов исследований - одна из ключевых проблем современной прикладной эконометрики, мы уже писали об этом ранее. Это связано с:
🟤репликационным кризисом – значительное количество экономических и экспериментальных исследований не удается воспроизвести (Camerer et al., 2016)
🟤публикационными искажениями – исследования с значимыми результатами публикуются чаще, чем исследования с "нулевыми" результатами (Brodeur et al., 2020)
🟤гибкостью исследовательских решений – исследователи делают множество субъективных выборов на каждом этапе работы с данными, что влияет на конечный результат (Simmons et al., 2011)

Новое исследование "The Sources of Researcher Variation in Economics" с немыслимыми для социальных наук 150 (!) соавторами иллюстрирует, почему даже при соблюдении общепринятых подходов экономисты приходят к разным выводам

😥 Дизайн эксперимента
Авторы используют many-analysts design. Они предложили 146 командам выполнить одну и ту же задачу в три этапа, постепенно снижая степень свободы испытуемых. Это позволило оценить, какие решения в исследовательском процессе приводят к наибольшей вариативности оценок

1️⃣ Первая стадия: исследователь самостоятельно принимает все решения
🟤Участники получают одинаковые исходные данные, никаких других ограничений не вводится
🟤Исследователи выбирают всё: как формировать выборку (контрольную группу и группу воздействия), как предварительно обрабатывать данные (удалять пропуски, кодировать переменные, исключать выбросы и т. д.), какие переменные включать в анализ, какую эмпирическую стратегию использовать (метод оценки, расчет стандартных ошибок, использование весов для выборки)

2️⃣ Вторая стадия: исследователь может выбрать подход к обработке данных и метод оценки
🟤Организаторы вводят четкие правила формирования выборки: определены критерии группы воздействия и контрольной группы, а также установлены временные рамки для анализа
🟤Предварительная обработка данных, выбор контрольных переменных и выбор методологии остаются на усмотрение исследователей

3️⃣ Третья стадия: исследователь может выбрать только метод оценки
🟤Все исследователи работают с уже предварительно очищенной базой данных, подготовленной организаторами = одинаковая выборка + одинаковые переменные + отсутствие расхождений в предварительной обработке данных
🟤Исследователи могли выбирать только эмпирическую стратегию оценки

🤔 Ключевые результаты
🟤Исследователи приходили к разным выводам, даже работая с одной базой данных
🟤Самая большая вариативность возникала на этапе предварительной обработки данных. На 1-й стадии исследователи выбирали разные подходы к формированию выборки, из-за чего медианное количество наблюдений различалось в 10 раз! На 3-й стадии, где выборка была стандартизирована, разброс стал нулевым
🟤Когда процесс стандартизировали, расхождения уменьшались, но не исчезали: на 1-ой стадии (полная свобода) межквартильный размах (IQR) составил 3.1 п.п., на 2-ой стадий (фиксированный дизайн) IQR был равен 4 п.п., на 3-ей (фиксированные данные) IQR 2.4 п.п.

❗️ Почему это важно?
🟤Обработка данных – главный источник вариативности результатов, поэтому так важно подробно описывать и публиковать весь процесс работы с данными
🟤Четкие методологические инструкции не гарантируют одинаковых результатов. Даже когда исследователи используют одни и те же модели, субъективные решения сильно влияют на выводы
🟤Прозрачность формирования выборки не менее важна, чем выбор модели. Научное сообщество уделяет много внимания статистическим методам, но редко обсуждает стандартизацию предварительной обработки данных

#канал_обозревает
@causal_channel

25.03.202506:27

💻 Новый практический гайд по difference-in-differences для исследователей

Мы уже писали, что метод "разности разностей" (Difference-in-Differences, DiD) — один из наиболее распространенных квазиэкспериментальных методов для оценки причинных эффектов в экономике и социальных науках (Garg, Fetzer, 2024; Goldsmith-Pinkham, 2024; Currie et al., 2020)

В середине марта весьма звёздный состав авторов опубликовал методологическое руководство-препринт для всех, кто использует DiD в прикладных исследованиях (Baker et al., 2025)

🙂 В чём ценность работы?
🟤Авторы систематизируют современные подходы к DiD и показывают, что классический дизайн с двумя группами и двумя периодами (2×2) — лишь частный случай
🟤Когда в данных много периодов, есть ступенчатое введение воздействия (staggered treatment adoption), а эффекты гетерогенны по группам или во времени (treatment effect heterogeneity), простое использование регрессии с двунаправленными фиксированными эффектами (Two-Way Fixed Effects, TWFE) может приводить к смещённым оценкам (Roth et al., 2023; de Chaisemartin & D’Haultfoeuille, 2023)
🟤Авторы предлагают переход от обратного проектирования (backwards engineering) (позитивный подход, когда исследователь ориентируется на существующие методы и пытается приспособить их к данным) к прямому проектированию (forward engineering) (нормативный подход, при котором исследователь начинает с определения целей исследования и строит модели и методы, которые соответствуют этим целям)
🟤В рамках этого подхода предлагается рассматривать сложные дизайны как комбинацию элементарных 2×2 сравнений (2×2 building blocks) и использовать аккуратную агрегацию результатов

🖥 Мы собрали основные пакеты в R, которые вам пригодятся в ваших исследованиях с использованием DiD
🟤did (Brantly Callaway, Pedro Sant’Anna) - оценка эффектов DiD при ступенчатом дизайне воздействия, множественных периодах и гетерогенности с агрегацией и визуализацией
🟤fixest (Laurent Berge) - быстрые панельные регрессии с фиксированными эффектами и поддержкой кластеризации и переменных взаимодействия (interactions)
🟤bacondecomp (Andrew Goodman-Bacon) - разложение TWFE-оценки на вклад парных сравнений. Используется для диагностики весов и потенциальных источников смещения
🟤did2s (Kyle Butts, Mike Gardner) - двухшаговая устойчивая оценка DiD при вариации времени воздействия
🟤DRDID (Pedro Sant’Anna, Jun Zhao) - двойная робастная оценка DiD через IPW и outcome regression

#канал_обозревает
#канал_рекомендует
@causal_channel

21.03.202509:22

Сегодня международный день борьбы за ликвидацию расовой дискриминации!

В честь праздника мы решили поговорить о том, как устроена дискриминация

Какие есть типы дискриминации?
🟤Вкусовая (taste-based) (Becker, 1957) - люди получают полезность от действия в отношении человека из определенной группы. Вкусовая дискриминация не связана с различиями в производительности
🟤Статистическая (statistical) (Aigner, Cain, 1977) - человек получает какие-то сигналы о результатах некоторой группы (зачастую эта информация неточная, зашумленная) и принимает решения на основе зашумленной оценки
🟤Патерналистическая (paternalistic) (Buchmann, Meyer, Sullivan, 2024) - отношение к группам отличается, что связано с желанием защитить одну группу даже против ее воли

Я узнаю ее из тысячи...? 🌳
Предположим, что мы видим различия в заработной плате разных группам, как понять, что это за дискриминация? И дискриминация ли вообще? Можно воспользоваться алгоритмом (который будет лежать в основе эксперимента):
🟤Отличается ли реальная производительность между группами? => нет => возможна вкусовая дискриминация
🟤Если человеку дать новую информацию о производительности, изменяется ли решение о зарплате? => да => возможна статистическая дискриминация
🟤Если мы даем информацию об издержках группы, изменяются ли решения о вероятности взять на ее работу? => да => возможна патерналистическая дискриминация

Алгоритм понятен, а что там с дискриминацией?
(Bohren et al., 2019) использовали описанный алгоритм для поиска дискриминации в Индии и США (на платформе Amazon Mechanical Turk):
🟤589 работников прошли тест по математике (392 из США и 197 из Индии)
🟤577 работодателей рассмотрели 20 профилей работников и ответили на вопрос о том, сколько они бы заплатили каждому из них
🟤выяснилось, что работодатели дискриминируют: мужчины и работники из Индии в среднем получали больше
🟤это скорее статистическая дискриминация: после информирования о результатах прохождения тестов работниками все зарплаты выросли, а зарплаты индийских работников упали
🟤получается, что работодатели плохо оценивали производительность работников – у них было недостаточно информации

У Aislinn Bohren (из University of Pennsylvania) целая серия работ посвящена выявлению и оценке дискриминации - продолжаем вам рассказывать об интересных исследователях

Про патерналистическую дискриминацию советуем посмотреть классное видео портала econimate по статье (Buchmann, Meyer, Sullivan, 2024).

"А у нас..."
🟤Проблема этнической вкусовой дискриминации приводит к снижению цен на рынке недвижимости (Veterinarov, Ivanov, 2018; Avetian, Veterinarov, 2024)
🟤Адаптация северокавказских мигрантов в Санкт-Петербурге во многом определяется культурными особенностями мегаполиса. Первое поколение мигрантов стремится сохранить свою культуру, а второе уже становится частью городской среды. Мигранты сталкиваются с предвзятым отношением в отдельных сферах (работа, аренда жилья), но системной дискриминации нет (Стародубровская, Ситкевич, 2023)
🟤В России доверие по отношению к тем, кто живет с вами в одном городе, систематически выше, чем к представителям других городов. При этом есть отличия в межрегиональном доверии: например, участники из Махачкалы довольно доверчивы (67%), но им доверяет гораздо меньший процент жителей других городов участников (43%), тогда как для Хабаровска эта зависимость обратная (Belianin et al., 2018, краткие тезисы исследования)

Чаще всего дискриминация основана на суждениях, а не на реальных фактах, основанных на репрезентативных обследованиях, поэтому мы призываем всех мыслить критически и проверять свои суждения! 💞

#канал_обозревает
@causal_channel

18.03.202506:29

📊 Causal Inference для качественных данных

В конце февраля Риккардо Ди Франческо и Джованни Меллаче из Университета Южной Дании опубликовали препринт, где предложили новый подход, позволяющий корректно измерять причинные эффекты в случае качественных (qualitative, категориальных) зависимых переменных - то есть мультиномиальных (multinomial) или порядковых (ordered)

📖 А где до этого возникала проблема?
🟢Часто исследователей интересует, как что-то влияет на качественную переменную (исход представляет собой категорию) - например, уровень удовлетворенности, выбор вида транспорта, уровень образования, диагноз в медицине и т.д.
🟢Стандартно в таких случаях оценивается средний эффект (ATE, ATT, ATnT), но нельзя просто брать разницу между "доволен" и "очень доволен", как если бы это были непрерывные переменные
🟢В этой ситуации исследователям нужно перейти к другому способу измерения зависимой переменной или оценки эффекта

🆕 Что предлагают авторы?
🟢Они вводят Probability Shift (PS) — показатель, отражающий, как воздействие изменяет вероятность попадания в разные категории
🟢Вместо классического усреднения они оценивают, как изменяется распределение вероятностей между группами

🖥 Пакет causalQual
Риккардо Ди Франческо и Джованни Меллаче разработали R-пакет causalQual, который
🟢Адаптирует методы IV, DiD, RDD к категориальным данным
🟢Оценивает Probability Shift вместо средних эффектов

🔗 Исследование: arXiv
🔗 Документация пакета: GitHub

#канал_рекомендует
@causal_channel

11.02.202519:01

🟩 Неделя любви к данным… и благодарности их создателям!❤️

В честь недели любви к данным (Love Data Week 2025) мы решили сделать для вас подборку с обзором некоторых отраслевых данных, которые лежат в нашем «хранилище всего интересного» -- да-да, у нас такое есть) 🛒

🌻 Наши коллеги из ИПП ЕУ выложили в открытый доступ несколько интересных наборов данных и алгоритмов:
🧡Недавно ребята выложили данные бухгалтерской отчетности -- если у вас нет доступа к СПАРКу или вы хотите использовать его альтернативу, то вам сюда. А подробнее об этом наборе данных можно будет послушать на семинаре в ближайший четверг
🧡Если вы увлекаетесь исследованиями в области экономики права или давно искали корпус текстов для освоения NLP, то вам может быть интересно поработать с корпусом текстов российского законодательства
🧡Для тех, кто вынужден работать с запутанными структурами владения компаний, коллеги из ЕУ и Сколтеха разработали алгоритм для определения контролирующих владельцев

⚫️➕✅ Как же в признании в любви не рассказать, как можно объединить два прекрасных проекта? - Никак. Поэтому расскажем вам про Если быть точным и Сбериндекс:
🧡Если быть точным обрабатывает данные муниципальной статистики, которые уже можно использовать - там данные аж до 2024 года! Присмотритесь и к другим датасетам проекта, там много интересного
🧡Но границы муниципальных образований изменяются -- тут вам поможет версионный справочник СберИндекса, в котором есть данные по муниципальным образованиям и пространственный слой с границами муниципалитетов

♥️ Любовь к миру рождается из любви к себе ❤️❤️, поэтому расскажем вам и о тех данных, которые собраны нашими ручками и бережно положены в гитхаб:
🧡С дорогими коллегами собрали и обработали данные о ковидных ограничениях и заявках на пособия по безработице (за данные по пособиям отдельно благодарим ЦПУР) -- настоящий кладезь, который при объединении с другими датасетами может дать неиссякаемый источник работ
🧡Два года назад мы собрали и обработали данные о сделках с российскими стартапами -- с ними можно сделать много всего интересного (особенно если вы дополните ее ИНН)

И, конечно, не забывайте ссылаться на авторов, когда используете их данные -- это не просто часть концепции воспроизводимости исследований, форма поддержки авторов и возможность сделать им приятно, но и способ узнать о данных для кого-то еще. Это действительно важно, и даже тема недели любви к данным в этом году - Whose Data Is It, Anyway? 👍

#канал_рекомендует
@causal_channel

सभी पोस्ट

विज्ञापित0 सेकंड

11.04.202506:38доказательный ⎵ пробел

विवरण

रिकॉर्ड

23.04.202523:59

418सदस्य

31.03.202523:59

300उद्धरण सूचकांक

27.03.202518:50

1.1Kप्रति पोस्ट औसत दृश्य

27.03.202518:50

1.1Kप्रति विज्ञापन पोस्ट औसत दृश्य

04.04.202523:59

47.37%ER

27.02.202518:50

333.69%ERR

विकास

विवरण

सदस्य

उद्धरण सूचकांक

एक पोस्ट का औसत दृश्य

एक विज्ञापन पोस्ट का औसत दृश्य

ERR

विवरण