Григорий Баженов

Колонки, посвященные вкладу нобелиатов по экономике 2021 года, уже появились на многих русскоязычных сайтах. Есть статья The Bell с комментарием ректора РЭШ Рубена Ениколопова, есть колонка профессора РЭШ Сергея Измалкова на портале Econs, есть материал на сайте РБК (там много странного, поэтому лучше читать Econs или The Bell). Чтобы получить общее представление — этих материалов достаточно. Но есть проблема.

И проблема эта лежит в очень важной плоскости: в чем собственно "методологический вклад в анализ причинно-следственных связей" Джошуа Ангриста и Гвидо Имбенса? Коротко об этом.

1. То, что корреляция не означает причинно-следственной связи, слышали, наверное, уже все. В самом деле, как справедливо пишет в колонке Измалков: "Если сравнить или отследить среднюю зарплату в регионах, куда едут мигранты, то может оказаться, что она растет быстрее, чем в тех, где их нет. Мигранты могут ехать в те регионы, которые растут быстрее и в которых легче найти работу. В итоге рынок труда реагирует на мигрантов или мигранты на рынок труда?" Именно поэтому нам важно отличает совпадающую динамику переменных от реальной причинно-следственной связи. Это важно в процессе формирования любой политики: сработает мера, навредит или будет нейтральной?

2. В социальных науках часто приходится работать с теми данными, что у нас есть, а эксперименты часто невозможны (впрочем, экономика здесь не сказать, чтобы одинока — вспомним ту же эпидемиологию или метеорологию). Именно поэтому так популярны естественные эксперименты — ситуации, когда мы можем на данных как бы провести эксперимент, несмотря на то, что проводим его не мы (это происходит или стихийно, или в результате политических решений). Допустим, есть два штата, соседствующих друг с другом. При этом их рынки труда очень похожи. Более того, в конкретных сегментах одни и те же компании занимают примерно одну и ту же долю рынка. Но в одном штате повысили минимальную заработную плату, а в другом — нет. Это произошло помимо воли исследователей. Просто есть вот такой кейс. И при умелом обращении с данными мы можем установить: как с точки зрения причинно-следственных связей повлияло повышение МРОТ на занятость?

3. Звучит здорово? Да. Но не все так просто. Дело в том, что в случае естественного эксперимента мы не знаем, кто именно и на самом деле участвует в эксперименте, поэтому стандартные метрики оценки причинного эффекта, как в хорошо спроектированных РКИ, не сказать, чтобы применимы. Классический пример — статья Дж. Минцера, которая показала, что мужчины, которые учились дольше зарабатывали больше (средний эффект оценивался как 7% за 1 год обучения). Но даже в таком интуитивно понятном случае все не так просто. Можем ли мы строго утверждать, что именно дополнительный год обучения является причиной больших заработков? Нет. Ведь вполне возможно, что те, кто в принципе более талантлив, легче проходит обучение и способнее к заработку. В общем, после не означает вследствие. Но в случае естественных экспериментов проблема усугубляется, ведь у исследователя нет возможности контролировать участников (кто в контрольной группе, а кто в группе воздействия (treatment group) Так как же именно идентифицировать эффект воздействия (treatment effect)?

4. Ангрист и Имбенс разработали подход, который помогает это сделать. Сегодня одним из ключевых понятий анализа причинно-следственных связей является локальный средний эффект воздействия (Local Average Treatment Effect — LATE). Эта двухступенчатая процедура работает так: первый этап — оценка вероятности "участия" в естественном эксперименте; второй этап — учет этой вероятности при подсчете среднего эффекта воздействия. Короче говоря, этот инструментарий позволяет оценить каково было влияние воздействия на тех, кто поменял свое поведение в ходе естественного эксперимента. LATE позволяет сделать поправку на смещенность данных и выудить эффект, обусловленный причинно-следственной связью.

www.tgoop.com/furydrops/635

5.6K viewsOct 12, 2021 at 15:31

Колонки, посвященные вкладу нобелиатов по экономике 2021 года, уже появились на многих русскоязычных сайтах. Есть статья The Bell с комментарием ректора РЭШ Рубена Ениколопова, есть колонка профессора РЭШ Сергея Измалкова на портале Econs, есть материал на сайте РБК (там много странного, поэтому лучше читать Econs или The Bell). Чтобы получить общее представление — этих материалов достаточно. Но есть проблема.

И проблема эта лежит в очень важной плоскости: в чем собственно "методологический вклад в анализ причинно-следственных связей" Джошуа Ангриста и Гвидо Имбенса? Коротко об этом.

1. То, что корреляция не означает причинно-следственной связи, слышали, наверное, уже все. В самом деле, как справедливо пишет в колонке Измалков: "Если сравнить или отследить среднюю зарплату в регионах, куда едут мигранты, то может оказаться, что она растет быстрее, чем в тех, где их нет. Мигранты могут ехать в те регионы, которые растут быстрее и в которых легче найти работу. В итоге рынок труда реагирует на мигрантов или мигранты на рынок труда?" Именно поэтому нам важно отличает совпадающую динамику переменных от реальной причинно-следственной связи. Это важно в процессе формирования любой политики: сработает мера, навредит или будет нейтральной?

2. В социальных науках часто приходится работать с теми данными, что у нас есть, а эксперименты часто невозможны (впрочем, экономика здесь не сказать, чтобы одинока — вспомним ту же эпидемиологию или метеорологию). Именно поэтому так популярны естественные эксперименты — ситуации, когда мы можем на данных как бы провести эксперимент, несмотря на то, что проводим его не мы (это происходит или стихийно, или в результате политических решений). Допустим, есть два штата, соседствующих друг с другом. При этом их рынки труда очень похожи. Более того, в конкретных сегментах одни и те же компании занимают примерно одну и ту же долю рынка. Но в одном штате повысили минимальную заработную плату, а в другом — нет. Это произошло помимо воли исследователей. Просто есть вот такой кейс. И при умелом обращении с данными мы можем установить: как с точки зрения причинно-следственных связей повлияло повышение МРОТ на занятость?

3. Звучит здорово? Да. Но не все так просто. Дело в том, что в случае естественного эксперимента мы не знаем, кто именно и на самом деле участвует в эксперименте, поэтому стандартные метрики оценки причинного эффекта, как в хорошо спроектированных РКИ, не сказать, чтобы применимы. Классический пример — статья Дж. Минцера, которая показала, что мужчины, которые учились дольше зарабатывали больше (средний эффект оценивался как 7% за 1 год обучения). Но даже в таком интуитивно понятном случае все не так просто. Можем ли мы строго утверждать, что именно дополнительный год обучения является причиной больших заработков? Нет. Ведь вполне возможно, что те, кто в принципе более талантлив, легче проходит обучение и способнее к заработку. В общем, после не означает вследствие. Но в случае естественных экспериментов проблема усугубляется, ведь у исследователя нет возможности контролировать участников (кто в контрольной группе, а кто в группе воздействия (treatment group) Так как же именно идентифицировать эффект воздействия (treatment effect)?

4. Ангрист и Имбенс разработали подход, который помогает это сделать. Сегодня одним из ключевых понятий анализа причинно-следственных связей является локальный средний эффект воздействия (Local Average Treatment Effect — LATE). Эта двухступенчатая процедура работает так: первый этап — оценка вероятности "участия" в естественном эксперименте; второй этап — учет этой вероятности при подсчете среднего эффекта воздействия. Короче говоря, этот инструментарий позволяет оценить каково было влияние воздействия на тех, кто поменял свое поведение в ходе естественного эксперимента. LATE позволяет сделать поправку на смещенность данных и выудить эффект, обусловленный причинно-следственной связью.

BY Григорий Баженов