2.4.3 ປະສົບການປະມານ

ພວກເຮົາສາມາດປະມານປະສົບການທີ່ພວກເຮົາບໍ່ໄດ້ຫລືບໍ່ສາມາດເຮັດໄດ້. ສອງວິທີທີ່ໄດ້ຮັບຜົນປະໂຫຍດໂດຍສະເພາະຈາກແຫຼ່ງຂໍ້ມູນໃຫຍ່ແມ່ນການທົດລອງແລະການຈັບຄູ່ທໍາມະຊາດ.

ບາງຄໍາຖາມທີ່ສໍາຄັນທາງດ້ານວິທະຍາສາດແລະນະໂຍບາຍແມ່ນເຫດຜົນ. ຕົວຢ່າງ, ຜົນກະທົບຂອງໂຄງການຝຶກອົບຮົມວຽກກ່ຽວກັບຄ່າແຮງງານແມ່ນຫຍັງ? ນັກຄົ້ນຄວ້າທີ່ພະຍາຍາມຕອບຄໍາຖາມນີ້ອາດຈະປຽບທຽບລາຍໄດ້ຂອງຜູ້ທີ່ເຂົ້າຮ່ວມການຝຶກອົບຮົມໃຫ້ກັບຜູ້ທີ່ບໍ່ໄດ້. ແຕ່ວິທີການແຕກຕ່າງກັນໃດໆກ່ຽວກັບຄ່າແຮງງານລະຫວ່າງກຸ່ມເຫຼົ່ານີ້ແມ່ນຍ້ອນການຝຶກອົບຮົມແລະວິທີການແມ່ນຍ້ອນວ່າຄວາມແຕກຕ່າງກັນລະຫວ່າງຜູ້ທີ່ລົງທະບຽນແລະຜູ້ທີ່ບໍ່? ນີ້ແມ່ນຄໍາຖາມທີ່ມີຄວາມຫຍຸ້ງຍາກ, ແລະມັນແມ່ນຫນຶ່ງໃນທີ່ບໍ່ອັດຕະໂນມັດໄປກັບຂໍ້ມູນເພີ່ມເຕີມ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ຄວາມກັງວົນກ່ຽວກັບຄວາມແຕກຕ່າງທີ່ມີຢູ່ໃນອະນາຄົດທີ່ເກີດຂື້ນກໍ່ເກີດຂື້ນບໍ່ວ່າບັນດາຄົນວຽກຢູ່ໃນຂໍ້ມູນຂອງທ່ານເທົ່າໃດ.

ໃນຫຼາຍສະຖານະການ, ວິທີການທີ່ສູງທີ່ສຸດໃນການຄາດຄະເນຜົນກະທົບຂອງການປິ່ນປົວຈໍານວນຫນຶ່ງເຊັ່ນການຝຶກອົບຮົມວຽກງານແມ່ນການດໍາເນີນການທົດລອງຄວບຄຸມແບບສຸ່ມທີ່ນັກຄົ້ນຄວ້າໄດ້ສະຫນອງການປິ່ນປົວໃຫ້ຄົນບາງຄົນແລະບໍ່ແມ່ນຄົນອື່ນ. ຂ້າພະເຈົ້າຈະອຸທິດທຸກພາກທີ 4 ໃຫ້ກັບປະສົບການ, ດັ່ງນັ້ນຂ້າພະເຈົ້າຈະມຸ່ງເນັ້ນໃສ່ສອງຍຸດທະສາດທີ່ສາມາດນໍາໃຊ້ກັບຂໍ້ມູນທີ່ບໍ່ມີການທົດລອງ. ຍຸດທະສາດທໍາອິດແມ່ນຂຶ້ນກັບການຊອກຫາສິ່ງທີ່ເກີດຂື້ນໃນໂລກທີ່ສຸ່ມໆ (ຫຼືເກືອບເຂົ້າ) ໃຫ້ການປິ່ນປົວແກ່ຄົນບາງຄົນແລະບໍ່ແມ່ນຄົນອື່ນ. ຍຸດທະສາດທີສອງແມ່ນຂຶ້ນກັບການປັບປຸງຂໍ້ມູນທີ່ບໍ່ມີການທົດລອງເພື່ອປັບປຸງຄວາມແຕກຕ່າງກັນລະຫວ່າງຜູ້ທີ່ບໍ່ແລະບໍ່ໄດ້ຮັບການປິ່ນປົວ.

ຄວາມສົງໄສອາດຈະຮຽກຮ້ອງວ່າທັງສອງຍຸດທະສາດດັ່ງກ່າວຄວນໄດ້ຮັບການຫຼີກເວັ້ນເພາະວ່າພວກເຂົາຕ້ອງການສົມມຸດຕິຖານທີ່ເຂັ້ມແຂງ, ສົມມຸດຕິຖານທີ່ມີຄວາມຫຍຸ້ງຍາກໃນການປະເມີນແລະວ່າ, ໃນການປະຕິບັດ, ມັກຈະຖືກລະເມີດ. ໃນຂະນະທີ່ຂ້າພະເຈົ້າເຫັນພ້ອມກັບຄໍາຮ້ອງຂໍນີ້, ຂ້າພະເຈົ້າຄິດວ່າມັນຈະໄປໄກເກີນໄປ. ມັນແນ່ນອນວ່າມັນເປັນການຍາກທີ່ຈະເຊື່ອຖືໄດ້ເຮັດໃຫ້ການຄາດຄະເນກ່ຽວກັບເຫດຜົນຈາກຂໍ້ມູນທີ່ບໍ່ມີການທົດລອງ, ແຕ່ຂ້ອຍບໍ່ຄິດວ່ານັ້ນກໍ່ແມ່ນວ່າພວກເຮົາບໍ່ຄວນພະຍາຍາມ. ໂດຍສະເພາະ, ວິທີການທີ່ບໍ່ມີການທົດລອງສາມາດເປັນປະໂຫຍດຖ້າການຈໍາກັດການຂົນສົ່ງປ້ອງກັນທ່ານຈາກການດໍາເນີນການທົດລອງຫຼືຖ້າມີຂໍ້ຈໍາກັດດ້ານຈັນຍາບັນຫມາຍເຖິງວ່າທ່ານບໍ່ຕ້ອງການທົດລອງ. ນອກຈາກນັ້ນ, ວິທີການທີ່ບໍ່ມີການທົດລອງສາມາດຊ່ວຍທ່ານໄດ້ຖ້າທ່ານຕ້ອງການນໍາໃຊ້ຂໍ້ມູນທີ່ມີຢູ່ແລ້ວໃນການອອກແບບທົດລອງຄວບຄຸມແບບສຸ່ມ.

ກ່ອນທີ່ຈະດໍາເນີນການ, ມັນກໍ່ຄວນມີຄວາມລະມັດລະວັງວ່າການຄາດຄະເນກ່ຽວກັບເຫດຜົນແມ່ນຫນຶ່ງໃນຫົວຂໍ້ທີ່ສະລັບສັບຊ້ອນທີ່ສຸດໃນການຄົ້ນຄວ້າທາງດ້ານສັງຄົມແລະຫນຶ່ງທີ່ສາມາດນໍາໄປສູ່ການໂຕ້ວາທີລະອຽດແລະສັບສົນ. ໃນສິ່ງທີ່ຕໍ່ມາ, ຂ້ອຍຈະສະຫນອງຄໍາອະທິບາຍທີ່ດີກວ່າຂອງແຕ່ລະວິທີເພື່ອສ້າງຄວາມເຂົ້າໃຈກ່ຽວກັບມັນ, ຫຼັງຈາກນັ້ນຂ້ອຍຈະອະທິບາຍບາງສິ່ງທ້າທາຍທີ່ເກີດຂື້ນເມື່ອນໍາໃຊ້ວິທີການນັ້ນ. ຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບແຕ່ລະວິທີການແມ່ນມີຢູ່ໃນອຸປະກອນໃນຕອນທ້າຍຂອງບົດນີ້. ຖ້າທ່ານມີແຜນການນໍາໃຊ້ວິທີການໃດຫນຶ່ງໃນການຄົ້ນຄວ້າຂອງທ່ານເອງ, ຂ້າພະເຈົ້າຂໍແນະນໍາໃຫ້ອ່ານຫນັງສືທີ່ດີເລີດຈໍານວນຫຼາຍກ່ຽວກັບການຄິດໄລ່ causal (Imbens and Rubin 2015; Pearl 2009; Morgan and Winship 2014) .

ວິທີຫນຶ່ງທີ່ເຮັດໃຫ້ການຄາດຄະເນກ່ຽວກັບເຫດຜົນຈາກຂໍ້ມູນທີ່ບໍ່ມີການທົດລອງແມ່ນເພື່ອຊອກຫາເຫດການທີ່ໄດ້ມອບຫມາຍໃຫ້ການປິ່ນປົວແບບສຸ່ມກັບບາງຄົນແລະບໍ່ໃຫ້ຄົນອື່ນ. ສະຖານະການເຫຼົ່ານີ້ເອີ້ນວ່າ ທົດລອງທໍາມະຊາດ . ຫນຶ່ງໃນຕົວຢ່າງທີ່ຊັດເຈນທີ່ສຸດຂອງການທົດລອງແບບທໍາມະຊາດແມ່ນມາຈາກການຄົ້ນຄວ້າຂອງ Joshua Angrist (1990) ວັດຜົນຂອງການບໍລິການດ້ານການທະຫານໃນລາຍໄດ້. ໃນໄລຍະສົງຄາມຢູ່ຫວຽດນາມ, ສະຫະລັດໄດ້ເພີ່ມຂະຫນາດຂອງກໍາລັງປະກອບອາວຸດຂອງຕົນຜ່ານຮ່າງຮ່າງ. ເພື່ອຕັດສິນໃຈເລືອກເອົາພົນລະເມືອງທີ່ຈະຖືກເອີ້ນໃຫ້ບໍລິການ, ລັດຖະບານສະຫະລັດໄດ້ຈັດຂື້ນ lottery. ວັນເດືອນປີເກີດທຸກໆລາຍໄດ້ຖືກຂຽນໄວ້ໃນແຜ່ນເຈ້ຍແລະໃນຮູບທີ່ 2.7, ກະດາດເຫຼົ່ານີ້ໄດ້ຖືກເລືອກໄວ້ຫນຶ່ງໃນເວລາເພື່ອກໍານົດຄໍາສັ່ງທີ່ຊາຍຫນຸ່ມຈະຖືກເອີ້ນໃຫ້ຮັບໃຊ້ (ຍິງຫນຸ່ມບໍ່ໄດ້ຖືກຕ້ອງ ກັບຮ່າງ). ອີງຕາມຜົນໄດ້ຮັບ, ຜູ້ຊາຍທີ່ເກີດໃນວັນທີ 14 ເດືອນກັນຍາໄດ້ຖືກເອີ້ນວ່າຄັ້ງທໍາອິດ, ຜູ້ຊາຍເກີດໃນວັນທີ 24 ເດືອນເມສາໄດ້ຖືກເອີ້ນວ່າທີສອງ, ແລະອື່ນໆ. ໃນທີ່ສຸດ, ໃນປື້ມນີ້, ຜູ້ຊາຍເກີດໃນ 195 ມື້ທີ່ແຕກຕ່າງກັນໄດ້ຖືກ drafted, ໃນຂະນະທີ່ຜູ້ຊາຍເກີດໃນ 171 ມື້ແມ່ນບໍ່.

ຮູບພາບ 2.7: ສະພາ Congressman Alexander Pirnie (R-NY) ຮວບຮວມແກັດທໍາອິດສໍາລັບການເລືອກບໍລິການເລືອກໃນວັນທີ 1 ເດືອນທັນວາປີ 1969. Joshua Angrist (1990) ລວມຂໍ້ມູນລ່ວງຫນ້າກັບຂໍ້ມູນລາຍໄດ້ຈາກອົງການຮັກສາຄວາມປອດໄພສັງຄົມເພື່ອປະເມີນຜົນຂອງການບໍລິການທາງທະຫານ ໃນລາຍໄດ້. ນີ້ແມ່ນຕົວຢ່າງຂອງການຄົ້ນຄວ້ານໍາໃຊ້ທົດລອງແບບທໍາມະຊາດ. ແຫຼ່ງຂໍ້ມູນ: US Selective Service System (1969) / Wikimedia Commons .

ເຖິງແມ່ນວ່າມັນອາດຈະບໍ່ທັນໄດ້ເຫັນເທື່ອແລ້ວ, ຮ່າງຂອງ lottery ມີຄວາມຄ້າຍຄືກັນທີ່ສໍາຄັນກັບການທົດລອງຄວບຄຸມແບບສຸ່ມ: ໃນສະຖານະການທັງສອງ, ຜູ້ເຂົ້າຮ່ວມໄດ້ຖືກມອບຫມາຍໃຫ້ໄດ້ຮັບການປິ່ນປົວ. ໃນການສຶກສາຜົນກະທົບຂອງການປິ່ນປົວແບບນີ້, Angrist ໄດ້ໃຊ້ປະໂຫຍດຈາກລະບົບຂໍ້ມູນທີ່ມີຄວາມສະເຫມີພາບກັນ: ອົງການຮັກສາຄວາມປອດໄພສັງຄົມຂອງສະຫະລັດ, ເຊິ່ງເກັບກໍາຂໍ້ມູນກ່ຽວກັບຜົນປະໂຫຍດຂອງທຸກໆຄົນຂອງອາເມລິກາຈາກການຈ້າງງານ. ໂດຍການສົມທົບຂໍ້ມູນກ່ຽວກັບຜູ້ທີ່ຖືກຄັດເລືອກຢ່າງສຸ່ມຢູ່ໃນຮ່າງແຜນການຫຼີ້ນກັບຂໍ້ມູນລາຍໄດ້ທີ່ເກັບໃນບັນທຶກການບໍລິຫານຂອງລັດຖະບານ, Angrist ສະຫຼຸບວ່າລາຍໄດ້ຂອງນັກຮົບເກົ່າແມ່ນປະມານ 15% ຫນ້ອຍກ່ວາລາຍໄດ້ຂອງນັກລົງທຶນທີ່ບໍ່ແມ່ນນັກລົງທຶນທີ່ທຽບເທົ່າ.

ເມື່ອຕົວຢ່າງນີ້ສະແດງໃຫ້ເຫັນບາງຄັ້ງກໍາລັງສັງຄົມ, ທາງດ້ານການເມືອງ, ຫຼືທໍາມະຊາດກໍາຫນົດການປິ່ນປົວໃນວິທີການທີ່ສາມາດນໍາໃຊ້ໂດຍນັກຄົ້ນຄວ້າແລະບາງຄັ້ງຜົນກະທົບຂອງການປິ່ນປົວເຫຼົ່ານີ້ຖືກເກັບໄວ້ໃນແຫຼ່ງຂໍ້ມູນສະເຫມີ. ຍຸດທະສາດການຄົ້ນຄວ້ານີ້ສາມາດສະຫຼຸບໄດ້ດັ່ງລຸ່ມນີ້: \[\text{random (or as if random) variation} + \text{always-on data} = \text{natural experiment}\]

ເພື່ອສະແດງໃຫ້ເຫັນກົນລະຍຸດນີ້ໃນອາຍຸດິຈິຕອນ, ໃຫ້ພິຈາລະນາການສຶກສາໂດຍ Alexandre Mas ແລະ Enrico Moretti (2009) ທີ່ພະຍາຍາມຄາດຄະເນຜົນກະທົບຂອງການເຮັດວຽກຮ່ວມກັບເພື່ອນຮ່ວມງານທີ່ມີຜົນຜະລິດໃນຜະລິດຕະພັນຂອງແຮງງານ. ກ່ອນທີ່ຈະເຫັນຜົນໄດ້ຮັບ, ມັນຄວນຈະຊີ້ໃຫ້ເຫັນວ່າມີຄວາມຄາດຫວັງທີ່ແຕກຕ່າງກັນທີ່ທ່ານອາດຈະມີ. ໃນທາງກົງກັນຂ້າມ, ທ່ານອາດຈະຄາດຫວັງວ່າການເຮັດວຽກຮ່ວມກັບເພື່ອນຮ່ວມງານທີ່ມີຜົນຜະລິດຈະເຮັດໃຫ້ຜູ້ເຮັດວຽກເພີ່ມກໍາລັງຜະລິດຂອງນາງຍ້ອນຄວາມກົດດັນຂອງເພື່ອນມິດ. ຫຼື, ໃນທາງກົງກັນຂ້າມ, ທ່ານອາດຈະຄາດຫວັງວ່າການມີເພື່ອນຮ່ວມງານທີ່ເຮັດວຽກຫນັກອາດເຮັດໃຫ້ຜູ້ເຮັດວຽກລຸດລົງເນື່ອງຈາກວ່າວຽກງານຂອງເຈົ້າຈະເຮັດໄດ້ໂດຍຄົນອື່ນ. ວິທີທີ່ຊັດເຈນສໍາລັບການສຶກສາຜົນກະທົບຕໍ່ການຜະລິດຈະເປັນການທົດລອງຄວບຄຸມແບບສຸ່ມທີ່ພະນັກງານກໍາຫນົດໃຫ້ການປ່ຽນແປງກັບແຮງງານທີ່ມີລະດັບການຜະລິດທີ່ແຕກຕ່າງກັນແລະຫຼັງຈາກນັ້ນຜະລິດຕະພັນທີ່ໄດ້ຮັບຜົນກະທົບແມ່ນສໍາລັບທຸກໆຄົນ. ແຕ່ນັກຄົ້ນຄວ້າບໍ່ໄດ້ຄວບຄຸມກໍານົດເວລາຂອງພະນັກງານໃນທຸລະກິດທີ່ແທ້ຈິງໃດໆ, ແລະດັ່ງນັ້ນ Mas ແລະ Moretti ຕ້ອງໄດ້ທົດແທນການທົດລອງທໍາມະຊາດທີ່ກ່ຽວຂ້ອງກັບຜູ້ຮັບເງິນໃນສັບພະສິນຄ້າ.

ໃນສັບພະສິນຄ້າສະເພາະນີ້, ເນື່ອງຈາກວ່າວິທີການທີ່ກໍານົດເວລາຖືກເຮັດແລ້ວແລະວິທີທີ່ປ່ຽນແປງກັນ, ນັກເງິນສົດແຕ່ລະຄົນມີຜູ້ຮ່ວມງານທີ່ແຕກຕ່າງກັນໃນເວລາທີ່ແຕກຕ່າງກັນໃນແຕ່ລະມື້. ນອກຈາກນັ້ນ, ຢູ່ໃນສັບພະສິນຄ້າສະເພາະນີ້, ການມອບຫມາຍຂອງນັກເກັບເງິນແມ່ນບໍ່ກ່ຽວຂ້ອງກັບຜົນຜະລິດຂອງເພື່ອນຮ່ວມງານຂອງພວກເຂົາຫຼືວິທີການເຮັດວຽກຢູ່ຮ້ານຄ້າ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ເຖິງແມ່ນວ່າການວາງແຜນຂອງນັກເກັບເງິນບໍ່ໄດ້ຖືກກໍານົດໂດຍການສະຫມັກ, ມັນຄືກັບວ່າພະນັກງານບາງຄົນໄດ້ຖືກມອບຫມາຍໃຫ້ເຮັດວຽກຮ່ວມກັບຄົນທີ່ມີກໍາລັງສູງ (ຫຼືຕ່ໍາ). ໂຊກດີ, ສັບພະສິນຄ້ານີ້ຍັງມີລະບົບການກວດສອບລະບົບດິຈິຕອນ, ທີ່ຕິດຕາມລາຍະການທີ່ຜູ້ຮັບເງິນໄດ້ scan ຢູ່ທຸກເວລາ. ຈາກຂໍ້ມູນບັນທຶກນີ້, Mas ແລະ Moretti ສາມາດສ້າງມາດຕະການທີ່ຊັດເຈນ, ສ່ວນບຸກຄົນ, ແລະສະເຫມີໄປກ່ຽວກັບຜະລິດຕະພັນ: ຈໍານວນຂອງລາຍການສະແກນຕໍ່ວິນາທີ. ການປະສົມປະສານສອງດ້ານເຫຼົ່ານີ້ - ການປ່ຽນແປງຕາມທໍາມະຊາດໃນຜະລິດຕະພັນຂອງຫມູ່ເພື່ອນແລະມາດຕະການສະເຫມີໄປຂອງການຜະລິດ - Mas ແລະ Moretti ຄາດວ່າຖ້າຜູ້ຮັບເງິນໄດ້ຖືກມອບຫມາຍໃຫ້ຜູ້ຮ່ວມງານທີ່ມີຜະລິດຕະພັນຫຼາຍກວ່າ 10% ທີ່ຢູ່ ນອກຈາກນັ້ນ, ພວກເຂົາເຈົ້າໄດ້ນໍາໃຊ້ຂະຫນາດແລະຄວາມອຸດົມສົມບູນຂອງຂໍ້ມູນຂອງເຂົາເຈົ້າເພື່ອຄົ້ນຫາສອງບັນຫາທີ່ສໍາຄັນ: ຄວາມ ບໍ່ເປັນເອກະລາດ ຂອງຜົນກະທົບນີ້ (ສໍາລັບປະເພດແຮງງານແມ່ນຫຍັງ?) ແລະ ກົນໄກທີ່ ຢູ່ເບື້ອງຫລັງຜົນກະທົບ (ເປັນຫຍັງຈຶ່ງມີມິດຕະພາບທີ່ມີຜົນຜະລິດສູງ ຜະລິດຕະພັນທີ່ສູງຂຶ້ນ?). ພວກເຮົາຈະກັບຄືນໄປຫາບັນດາບັນຫາທີ່ສໍາຄັນເຫຼົ່ານີ້ - ຄວາມບໍ່ສະເຫມີພາບຂອງຜົນກະທົບດ້ານການປິ່ນປົວແລະກົນໄກ - ໃນພາກ 4 ເມື່ອພວກເຮົາສົນທະນາກ່ຽວກັບການທົດລອງໃນລາຍລະອຽດເພີ່ມເຕີມ.

ໂດຍທົ່ວໄປແລ້ວຈາກການສຶກສາສອງຄັ້ງນີ້, ຕາຕະລາງ 2.3 summarizes ການສຶກສາອື່ນໆທີ່ມີໂຄງສ້າງດຽວກັນນີ້: ການນໍາໃຊ້ແຫຼ່ງຂໍ້ມູນສະເຫມີໄປເພື່ອວັດແທກຜົນກະທົບຂອງການປ່ຽນແປງບາງຢ່າງ. ໃນການປະຕິບັດ, ນັກຄົ້ນຄວ້າໃຊ້ສອງຍຸດທະສາດທີ່ແຕກຕ່າງກັນເພື່ອຊອກຫາການທົດລອງແບບທໍາມະຊາດ, ທັງສອງສາມາດຜະລິດໄດ້. ນັກຄົ້ນຄວ້າຈໍານວນຫນຶ່ງເລີ່ມຕົ້ນດ້ວຍແຫຼ່ງຂໍ້ມູນສະເຫມີໄປແລະຊອກຫາເຫດການຕ່າງໆໃນໂລກ; ຄົນອື່ນເລີ່ມຕົ້ນເຫດການທີ່ເປັນອັນຕະລາຍໃນໂລກແລະຊອກຫາແຫລ່ງຂໍ້ມູນທີ່ຈັບຜົນກະທົບຂອງມັນ.

ໃນການສົນທະນາເຖິງປະຈຸບັນກ່ຽວກັບການທົດລອງແບບທໍາມະດາ, ຂ້າພະເຈົ້າໄດ້ປະຖິ້ມຈຸດທີ່ສໍາຄັນ: ໄປຈາກສິ່ງທີ່ທໍາມະຊາດໄດ້ສະຫນອງໃຫ້ສິ່ງທີ່ທ່ານຕ້ອງການບາງຄັ້ງອາດຈະເປັນເລື່ອງທີ່ຂ້ອນຂ້າງເຄັ່ງຄັດ. ໃຫ້ກັບຄືນໄປຫາຕົວຢ່າງຂອງໂຄງການວຽດນາມ. ໃນກໍລະນີນີ້, Angrist ມີຄວາມສົນໃຈໃນການຄາດຄະເນຜົນກະທົບຂອງການບໍລິການທາງທະຫານໃນລາຍໄດ້. ແຕ່ຫນ້າເສຍດາຍ, ການບໍລິການດ້ານການທະຫານບໍ່ໄດ້ຖືກມອບຫມາຍຢ່າງສຸ່ມ ແທນທີ່ຈະໄດ້ຮັບການແຕ່ງຕັ້ງທີ່ໄດ້ຮັບການແຕ່ງຕັ້ງຢ່າງສຸ່ມ. ຢ່າງໃດກໍຕາມ, ບໍ່ແມ່ນທຸກຄົນທີ່ໄດ້ຮັບການແຕ່ງຕັ້ງ (ມີການຍົກເວັ້ນຕ່າງໆ), ແລະບໍ່ແມ່ນທຸກຄົນທີ່ໄດ້ຮັບການແຕ່ງຕັ້ງ (ຜູ້ທີ່ສາມາດເຮັດວຽກໄດ້). ເນື່ອງຈາກວ່າການຖືກຮ່າງສ້າງແມ່ນໄດ້ຖືກມອບຫມາຍໃຫ້ກັນ, ນັກຄົ້ນຄວ້າສາມາດຄາດຄະເນຜົນກະທົບຂອງການຖືກຮ່າງສໍາຫຼັບຜູ້ຊາຍທັງຫມົດໃນຮ່າງ. ແຕ່ Angrist ບໍ່ຕ້ອງການຮູ້ຜົນກະທົບຂອງການຖືກ drafted; ລາວຕ້ອງການຮູ້ວ່າຜົນກະທົບຂອງການຮັບໃຊ້ໃນການທະຫານ. ເພື່ອເຮັດໃຫ້ການຄາດຄະເນນີ້, ຢ່າງໃດກໍຕາມ, ສົມມຸດຕິຖານເພີ່ມເຕີມແລະຄວາມສັບສົນແມ່ນຕ້ອງການ. ຫນ້າທໍາອິດ, ນັກວິທະຍາສາດຈໍາເປັນຕ້ອງຄິດວ່າວິທີດຽວທີ່ຖືກກໍານົດຜົນກະທົບຕໍ່ຜົນໄດ້ຮັບແມ່ນຜ່ານການບໍລິການທາງທະຫານ, ການສົມມຸດວ່າ ການຈໍາກັດການປະຕິເສດ . ຕົວຢ່າງນີ້ອາດຈະເປັນເລື່ອງທີ່ຜິດຖ້າຕົວຢ່າງຜູ້ຊາຍທີ່ໄດ້ຮັບການແຕ່ງຕັ້ງຢູ່ໃນໂຮງຮຽນອີກຕໍ່ໄປເພື່ອຫຼີກເວັ້ນການຮັບໃຊ້ຫຼືຖ້າວ່ານາຍຈ້າງມີໂອກາດຫນ້ອຍທີ່ຈະຈ້າງຜູ້ຊາຍທີ່ຖືກແຕ່ງຕັ້ງ. ໂດຍທົ່ວໄປ, ການຈໍາກັດການປະຕິເສດແມ່ນການສົມມຸດຕິຖານທີ່ສໍາຄັນ, ແລະມັນມັກຈະຍາກທີ່ຈະກວດສອບ. ເຖິງແມ່ນວ່າການຈໍາກັດການຍົກເວັ້ນແມ່ນຖືກຕ້ອງ, ມັນກໍ່ຍັງບໍ່ສາມາດຄາດຄະເນຜົນກະທົບຂອງການບໍລິການຕໍ່ຜູ້ຊາຍທັງຫມົດ. ແທນທີ່ຈະເຮັດໃຫ້ນັກຄົ້ນຄວ້າສາມາດຄາດຄະເນຜົນກະທົບຕໍ່ກຸ່ມຜູ້ຊາຍທີ່ເອີ້ນວ່ານັກຄອມພິວເຕີ້ (ຄົນທີ່ຈະຮັບໃຊ້ໃນເວລາທີ່ຖືກຮ່າງ, ແຕ່ຈະບໍ່ຮັບໃຊ້ໃນເວລາທີ່ບໍ່ໄດ້ຮ່າງ) (Angrist, Imbens, and Rubin 1996) . ບັນດາຜູ້ປະສານງານ, ແຕ່ວ່າ, ບໍ່ແມ່ນປະຊາກອນທີ່ມີຄວາມສົນໃຈ. ສັງເກດເຫັນວ່າບັນຫາເຫຼົ່ານີ້ເກີດຂຶ້ນເຖິງແມ່ນວ່າຢູ່ໃນກໍລະນີທີ່ສະອາດຂ້ອນຂ້າງຂື້ນຂອງຮ່າງກົດຫມາຍ. ຊຸດກໍານົດຂອງ complications ເພີ່ມເຕີມເກີດຂຶ້ນເມື່ອການປິ່ນປົວບໍ່ໄດ້ຖືກມອບຫມາຍໂດຍ lottery ທາງດ້ານຮ່າງກາຍ. ສໍາລັບຕົວຢ່າງ, ໃນການສຶກສາຂອງ Mas ແລະ Moretti ຂອງນັກເກັບເງິນ, ຄໍາຖາມເພີ່ມເຕີມກ່ຽວກັບການສົມມຸດວ່າການແຕ່ງຕັ້ງຂອງເພື່ອນຮ່ວມງານແມ່ນມີຄວາມສຸ່ມ. ຖ້າສົມມຸດຕິຖານນີ້ຖືກລະເມີດຢ່າງເຂັ້ມງວດ, ມັນອາດຈະເປັນການຄາດຄະເນຂອງພວກເຂົາ. ເພື່ອສະຫຼຸບແລ້ວ, ການທົດລອງແບບທໍາມະຊາດສາມາດເປັນຍຸດທະສາດທີ່ມີປະສິດທິພາບສໍາລັບການຄາດຄະເນກ່ຽວກັບເຫດຜົນຈາກຂໍ້ມູນທີ່ບໍ່ມີການທົດລອງ, ແລະແຫຼ່ງຂໍ້ມູນທີ່ໃຫຍ່ຫຼວງເພີ່ມຄວາມສາມາດຂອງພວກເຮົາໃນການປະຕິບັດຕົວຈິງກ່ຽວກັບການທົດລອງແບບທໍາມະຊາດ. ຢ່າງໃດກໍ່ຕາມ, ມັນອາດຈະຕ້ອງມີການດູແລຢ່າງຫຼວງຫຼາຍ - ແລະບາງຄັ້ງການສົມມຸດຖານທີ່ເຂັ້ມແຂງ - ໄປຈາກສິ່ງທີ່ທໍາມະຊາດໄດ້ສະຫນອງໃຫ້ກັບການຄາດຄະເນທີ່ທ່ານຕ້ອງການ.

ແຜນຍຸດທະສາດທີສອງຂ້າພະເຈົ້າຢາກບອກທ່ານກ່ຽວກັບການເຮັດໃຫ້ການຄາດຄະເນກ່ຽວກັບເຫດຜົນຈາກຂໍ້ມູນທີ່ບໍ່ມີການທົດລອງແມ່ນຂຶ້ນກັບຂໍ້ມູນທີ່ບໍ່ມີການທົດລອງທາງສະຖິຕິໃນຄວາມພະຍາຍາມທີ່ຈະບັນທຶກຄວາມແຕກຕ່າງກັນລະຫວ່າງຜູ້ທີ່ບໍ່ແລະບໍ່ໄດ້ຮັບການປິ່ນປົວ. ມີຫລາຍວິທີແກ້ໄຂດັ່ງກ່າວ, ແຕ່ຂ້ອຍຈະສຸມໃສ່ຫນຶ່ງທີ່ເອີ້ນວ່າການ ຈັບຄູ່ . ໃນການສົມທຽບ, ນັກຄົ້ນຄວ້າໄດ້ເບິ່ງຂໍ້ມູນທີ່ບໍ່ມີການທົດລອງເພື່ອສ້າງຄູ່ຂອງຜູ້ທີ່ມີຄວາມຄ້າຍຄືກັນ, ຍົກເວັ້ນວ່າຄົນຫນຶ່ງໄດ້ຮັບການປິ່ນປົວແລະຄົນບໍ່ມີ. ໃນຂະບວນການຂອງການຈັບຄູ່, ນັກຄົ້ນຄວ້າແມ່ນຕົວຈິງແລ້ວຍັງ ຕັດກິ່ງງ່າ ; ນັ້ນແມ່ນ, ການຍົກເວັ້ນກໍລະນີທີ່ບໍ່ມີຄໍາວ່າຈະແຈ້ງ. ດັ່ງນັ້ນ, ວິທີການນີ້ຈະຖືກນໍາໃຊ້ຢ່າງຖືກຕ້ອງຕາມຄວາມເຫມາະສົມ, ແຕ່ຂ້າພະເຈົ້າຈະຕິດຕາມຄໍາສັບພື້ນເມືອງ: ການຈັບຄູ່.

ຕົວຢ່າງຫນຶ່ງຂອງພະລັງງານຂອງຍຸດທະສາດທີ່ກົງກັນຂ້າມກັບແຫຼ່ງຂໍ້ມູນທີ່ບໍ່ມີການທົດລອງອັນໃຫຍ່ຫຼວງມາຈາກການຄົ້ນຄວ້າກ່ຽວກັບພຶດຕິກໍາຂອງຜູ້ບໍລິໂພກໂດຍ Liran Einav ແລະເພື່ອນຮ່ວມງານ (2015) . ພວກເຂົາສົນໃຈໃນການປະມູນທີ່ eBay, ແລະໃນການອະທິບາຍເຖິງການເຮັດວຽກຂອງພວກເຂົາ, ຂ້ອຍຈະສຸມໃສ່ຜົນກະທົບຂອງລາຄາເລີ່ມຕົ້ນໃນການປະມູນໃນການປະມູນລາຄາ, ເຊັ່ນ: ລາຄາການຂາຍຫຼືຄວາມຫນ້າຈະເປັນຂອງການຂາຍ.

ວິທີ naive ທີ່ສຸດເພື່ອປະເມີນຜົນກະທົບຂອງລາຄາເລີ່ມຕົ້ນໃນລາຄາຂາຍຈະເປັນການຄິດໄລ່ລາຄາສຸດທ້າຍສໍາລັບການປະມູນທີ່ມີລາຄາເລີ່ມຕົ້ນທີ່ແຕກຕ່າງກັນ. ວິທີການນີ້ຈະດີຖ້າທ່ານຕ້ອງການຄາດຄະລາລາຄາການຂາຍທີ່ໄດ້ຮັບລາຄາເລີ່ມຕົ້ນ. ແຕ່ຖ້າຄໍາຖາມຂອງທ່ານກ່ຽວກັບຜົນກະທົບຂອງລາຄາເລີ່ມຕົ້ນ, ວິທີການນີ້ຈະບໍ່ເຮັດວຽກຍ້ອນວ່າມັນບໍ່ແມ່ນອີງໃສ່ການປຽບທຽບທີ່ເຫມາະສົມ; ການປະມູນທີ່ມີລາຄາເລີ່ມຕົ້ນທີ່ຕ່ໍາກວ່າອາດຈະແຕກຕ່າງຈາກຜູ້ທີ່ມີລາຄາເລີ່ມຕົ້ນທີ່ສູງຂຶ້ນ (ເຊັ່ນ: ພວກເຂົາອາດຈະມີສິນຄ້າຕ່າງໆຫຼືປະກອບມີຜູ້ຂາຍທີ່ແຕກຕ່າງກັນ).

ຖ້າທ່ານຮູ້ແລ້ວວ່າບັນຫາທີ່ເກີດຂື້ນໃນເວລາທີ່ການຄາດຄະເນກ່ຽວກັບເຫດຜົນຈາກຂໍ້ມູນທີ່ບໍ່ມີການທົດລອງ, ທ່ານອາດຈະຂ້າມວິທີການທີ່ບໍ່ມີປະໂຫຍດແລະຄິດໄລ່ການທົດລອງພາກສະຫນາມທີ່ທ່ານຈະຂາຍລາຍການສະເພາະໃດຫນຶ່ງ - ກໍານົດລາຄາກໍານົດການປະມູນ - ເວົ້າ, ການຂົນສົ່ງຟຣີແລະການປະມູນເປີດສໍາລັບສອງອາທິດ - ແຕ່ມີລາຄາເລີ່ມຕົ້ນທີ່ໄດ້ຮັບການມອບຫມາຍ. ໂດຍການປຽບທຽບຜົນໄດ້ຮັບຂອງຕະຫຼາດທີ່ຜົນໄດ້ຮັບ, ການທົດລອງພາກສະຫນາມນີ້ຈະສະຫນອງການວັດແທກທີ່ຊັດເຈນຂອງຜົນກະທົບຂອງລາຄາເລີ່ມຕົ້ນໃນລາຄາຂາຍ. ແຕ່ການວັດແທກນີ້ພຽງແຕ່ຈະນໍາໃຊ້ກັບຜະລິດຕະພັນແລະຜະລິດຕະພັນທີ່ກໍານົດໄວ້ໂດຍສະເພາະ. ຜົນໄດ້ຮັບອາດຈະແຕກຕ່າງກັນ, ສໍາລັບຕົວຢ່າງ, ສໍາລັບຜະລິດຕະພັນທີ່ແຕກຕ່າງກັນ. ໂດຍບໍ່ມີທິດສະດີທີ່ເຂັ້ມແຂງ, ມັນເປັນການຍາກທີ່ຈະພິຈາລະນາຈາກການທົດລອງດຽວນີ້ໄປສູ່ການທົດລອງທີ່ເປັນໄປໄດ້ທີ່ສາມາດດໍາເນີນການໄດ້. ຍິ່ງໄປກວ່ານັ້ນ, ການທົດລອງພາກສະຫນາມແມ່ນມີລາຄາແພງພຽງພໍທີ່ມັນຈະບໍ່ສາມາດນໍາໃຊ້ການປ່ຽນແປງທີ່ທ່ານອາດຈະຕ້ອງການ.

ໃນທາງກົງກັນຂ້າມກັບວິທີການທີ່ບໍ່ມີປະສົບການແລະທົດລອງ, Einav ແລະເພື່ອນຮ່ວມງານໄດ້ໃຊ້ວິທີການທີສາມ: ການຈັບຄູ່. trick ຕົ້ນຕໍໃນຍຸດທະສາດຂອງພວກເຂົາແມ່ນເພື່ອຄົ້ນພົບສິ່ງທີ່ຄ້າຍຄືກັນກັບການທົດລອງໃນພາກສະຫນາມທີ່ໄດ້ເກີດຂຶ້ນແລ້ວໃນອີເບ. ຕົວຢ່າງເຊັ່ນຮູບທີ່ 2.8 ສະແດງໃຫ້ເຫັນບາງສ່ວນຂອງ 31 ລາຍການສໍາລັບສະໂມສອນ Golf ດຽວກັນ - ຄູ່ມື Taylormade Burner 09 ຖືກຂາຍໂດຍຜູ້ຂາຍດຽວກັນ - "budgetgolfer". ຢ່າງໃດກໍຕາມ, 31 ລາຍການເຫຼົ່ານີ້ມີລັກສະນະແຕກຕ່າງກັນເລັກນ້ອຍເຊັ່ນ: ລາຄາ, ວັນທີສຸດທ້າຍ, ແລະຄ່າຂົນສົ່ງ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ມັນແມ່ນວ່າ "budgetgolfer" ກໍາລັງແລ່ນທົດລອງສໍາລັບນັກຄົ້ນຄວ້າ.

ບັນດາລາຍການເຫຼົ່ານີ້ຂອງຜູ້ຂາຍ Taylormade Burner 09 ຖືກຂາຍໂດຍ "budgetgolfer" ເປັນຕົວຢ່າງຫນຶ່ງຂອງບັນດາລາຍການທີ່ກໍານົດໄວ້ເຊິ່ງລາຄາດຽວກັນນັ້ນແມ່ນຂາຍໂດຍຜູ້ຂາຍດຽວກັນແຕ່ແຕ່ລະຄັ້ງມີລັກສະນະທີ່ແຕກຕ່າງກັນເລັກນ້ອຍ. ພາຍໃນບັນທຶກໃຫຍ່ຂອງ eBay ມີຄວາມຫມາຍແທ້ໆຫລາຍຮ້ອຍພັນຊຸດຂອງຄູ່ທີ່ກ່ຽວຂ້ອງກັບລ້ານລາຍການ. ດັ່ງນັ້ນ, ແທນທີ່ຈະປຽບທຽບລາຄາສຸດທ້າຍສໍາລັບການປະມູນທັງຫມົດທີ່ມີລາຄາທີ່ເລີ່ມຕົ້ນ, Einav ແລະເພື່ອນຮ່ວມງານໄດ້ປຽບທຽບໃນຊຸດທີ່ສົມທຽບ. Einav ແລະເພື່ອນຮ່ວມງານໄດ້ສະແດງລາຄາເລີ່ມຕົ້ນແລະລາຄາສຸດທ້າຍກ່ຽວກັບມູນຄ່າການອ້າງອີງຂອງແຕ່ລະລາຍະການ (ຕົວຢ່າງລາຄາຂາຍສະເລ່ຍ). ຕົວຢ່າງເຊັ່ນຖ້າຄົນຂັບ Taylormade Burner 09 ມີມູນຄ່າ 100 ໂດລາຕໍ່ປີ (ອີງຕາມການຂາຍຂອງມັນ) ແລ້ວລາຄາເລີ່ມຕົ້ນຂອງ $ 10 ຈະສະແດງເປັນ 0.1 ແລະລາຄາສຸດທ້າຍຂອງ $ 120 ເປັນ 1.2.

ຮູບທີ 28: ຕົວຢ່າງຂອງຊຸດທີ່ສົມທຽບ. ນີ້ແມ່ນສະໂມສອນ Golf ດຽວກັນ (Taylormade Burner 09 Driver) ຖືກຂາຍໂດຍຄົນດຽວກັນ ("budgetgolfer"), ແຕ່ບາງສ່ວນຂອງການຂາຍເຫຼົ່ານີ້ໄດ້ຖືກດໍາເນີນໃນເງື່ອນໄຂທີ່ແຕກຕ່າງກັນ (ຕົວຢ່າງ, ລາຄາເລີ່ມຕົ້ນທີ່ແຕກຕ່າງກັນ). Einav et al. (2015) ໂດຍການອະນຸຍາດຈາກ Einav et al. (2015) , ຮູບ 1b.

ຈື່ໄວ້ວ່າ Einav ແລະເພື່ອນຮ່ວມງານໄດ້ສົນໃຈຜົນກະທົບຂອງລາຄາເລີ່ມຕົ້ນກ່ຽວກັບຜົນໄດ້ຮັບການປະມູນ. ຫນ້າທໍາອິດ, ພວກເຂົາເຈົ້າໄດ້ນໍາໃຊ້ການກະຕຸ້ນເສັ້ນຜ່າສູນກາງເພື່ອຄາດຄະເນວ່າລາຄາເລີ່ມຕົ້ນທີ່ສູງຂຶ້ນຫຼຸດລົງຄວາມຫນ້າຈະເປັນຂອງການຂາຍ, ແລະລາຄາເລີ່ມຕົ້ນທີ່ສູງຂຶ້ນຈະເພີ່ມລາຄາຂາຍສຸດທ້າຍ (ເງື່ອນໄຂການຂາຍ). ໂດຍຕົວເອງ, ການຄາດຄະເນເຫຼົ່ານີ້ - ເຊິ່ງອະທິບາຍກ່ຽວກັບສາຍພົວພັນແບບສາຍພັນແລະມີຄ່າເສລີ່ຍຕໍ່ຜະລິດຕະພັນທັງຫມົດ - ບໍ່ແມ່ນສິ່ງທີ່ຫນ້າສົນໃຈ. ຫຼັງຈາກນັ້ນ, Einav ແລະເພື່ອນຮ່ວມງານໄດ້ນໍາໃຊ້ຂະຫນາດໃຫຍ່ຂອງຂໍ້ມູນຂອງເຂົາເຈົ້າເພື່ອສ້າງຄວາມຫລາກຫລາຍຂອງການຄາດຄະເນສະຫລາດຫຼາຍ. ຕົວຢ່າງ, ໂດຍການຄາດຄະເນຜົນກະທົບແຍກຕ່າງຫາກສໍາລັບລາຄາເລີ່ມຕົ້ນທີ່ແຕກຕ່າງກັນ, ພວກເຂົາເຈົ້າເຫັນວ່າສາຍພົວພັນລະຫວ່າງລາຄາເລີ່ມຕົ້ນແລະລາຄາການຂາຍແມ່ນບໍ່ແມ່ນສາຍຕາ (ຮູບທີ່ 29). ໂດຍສະເພາະ, ສໍາລັບລາຄາເລີ່ມຕົ້ນລະຫວ່າງ 0.05 ແລະ 0.85, ລາຄາເລີ່ມຕົ້ນມີຜົນກະທົບຫນ້ອຍລົງຕໍ່ລາຄາການຂາຍ, ການຄົ້ນພົບທີ່ຫມົດໄປຫມົດແລ້ວໂດຍການວິເຄາະຄັ້ງທໍາອິດຂອງພວກເຂົາ. ນອກຈາກນັ້ນ, Einav ແລະເພື່ອນຮ່ວມງານໄດ້ຄາດຄະເນຜົນກະທົບຂອງລາຄາເລີ່ມຕົ້ນສໍາລັບ 23 ປະເພດທີ່ແຕກຕ່າງກັນຂອງສິນຄ້າ (ຕົວຢ່າງ, ອຸປະກອນສັດລ້ຽງ, ເຄື່ອງໃຊ້ໄຟຟ້າແລະກິລາ) (ຮູບທີ່ 2.10). ການຄາດຄະເນເຫຼົ່ານີ້ສະແດງໃຫ້ເຫັນວ່າສໍາລັບລາຍການທີ່ແຕກຕ່າງກັນຫຼາຍເຊັ່ນ: ລາຄາເລີ່ມຕົ້ນທີ່ມີຄວາມຈໍາເປັນຈະມີຜົນກະທົບຫນ້ອຍລົງກ່ຽວກັບຄວາມເປັນໄປໄດ້ຂອງການຂາຍແລະຜົນກະທົບທີ່ສູງກວ່າໃນລາຄາຂາຍສຸດທ້າຍ. ນອກຈາກນັ້ນ, ສໍາລັບລາຍການສິນຄ້າຫຼາຍຂຶ້ນເຊັ່ນ: DVDs, ລາຄາເລີ່ມຕົ້ນມີເກືອບບໍ່ມີຜົນກະທົບຕໍ່ລາຄາສຸດທ້າຍ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ສະເລ່ຍປະສົມປະສານຂອງຜົນໄດ້ຮັບຈາກ 23 ປະເພດທີ່ແຕກຕ່າງກັນຂອງບັນດາລາຍການເກັບຮັກສາຄວາມແຕກຕ່າງທີ່ສໍາຄັນລະຫວ່າງລາຍການເຫຼົ່ານີ້.

ຮູບທີ່ 29: ຄວາມສໍາພັນລະຫວ່າງລາຄາເລີ່ມຕົ້ນການປະມູນແລະການຂາຍ (a) ແລະລາຄາຂາຍ (ຂ). ມີປະລິມານການພົວພັນລະຫວ່າງລາຄາເລີ່ມຕົ້ນແລະຄວາມຫນ້າຈະເປັນຂອງການຂາຍ, ແຕ່ຄວາມສໍາພັນທີ່ບໍ່ແມ່ນສາຍພົວພັນລະຫວ່າງລາຄາເລີ່ມຕົ້ນແລະລາຄາຂາຍ; ສໍາລັບການເລີ່ມຕົ້ນລາຄາລະຫວ່າງ 0.05 ແລະ 0.85, ລາຄາເລີ່ມຕົ້ນມີຜົນກະທົບຫນ້ອຍລົງຕໍ່ລາຄາຂາຍ. ໃນທັງສອງກໍລະນີ, ການພົວພັນແມ່ນພື້ນຖານທີ່ເປັນເອກະລາດຂອງມູນຄ່າຂອງລາຍການ. ດັດແປງຈາກ Einav et al. (2015) , ຕົວເລກ 4a ແລະ 4b.

ຮູບທີ 2.10: ຄາດຄະເນຈາກແຕ່ລະປະເພດຂອງລາຍການ; ຈຸດແຂງແມ່ນການຄາດຄະເນສໍາລັບປະເພດທັງຫມົດທີ່ຮ່ວມກັນກັນ (Einav et al. 2015) . ການຄາດຄະເນເຫຼົ່ານີ້ສະແດງໃຫ້ເຫັນວ່າສໍາລັບລາຍການທີ່ແຕກຕ່າງກັນຫຼາຍເຊັ່ນ: ຄວາມຊົງຈໍາ, ລາຄາເລີ່ມຕົ້ນມີຜົນກະທົບຫນ້ອຍລົງກ່ຽວກັບການຂາຍ ( \(x\) -axis) ແລະມີຜົນກະທົບຫຼາຍຕໍ່ລາຄາຂາຍສຸດທ້າຍ ( \(y\) -axis) ດັດແປງຈາກ Einav et al. (2015) , ຮູບທີ່ 8.

ເຖິງແມ່ນວ່າທ່ານບໍ່ສົນໃຈກ່ຽວກັບການປະມູນໃນ eBay, ທ່ານຕ້ອງຂອບໃຈວິທີການທີ່ຮູບທີ່ 2.9 ແລະຮູບທີ່ 2.10 ສະເຫນີຄວາມເຂົ້າໃຈທີ່ກວ້າງຂວາງຂອງ eBay ກ່ວາການຄາດຄະເນທີ່ງ່າຍໆທີ່ອະທິບາຍເຖິງສາຍພົວພັນແບບສາຍພັນແລະປະສົມປະເພດຂອງປະເພດຕ່າງໆ. ນອກຈາກນັ້ນ, ເຖິງແມ່ນວ່າມັນຈະເປັນໄປໄດ້ທາງວິທະຍາສາດທີ່ຈະສ້າງການຄາດຄະເນທີ່ຫນ້າເບົາກວ່າເຫຼົ່ານີ້ກັບການທົດລອງພາກສະຫນາມ, ຄ່າໃຊ້ຈ່າຍຈະເຮັດໃຫ້ການທົດລອງດັ່ງກ່າວບໍ່ສາມາດເປັນໄປໄດ້.

ເຊັ່ນດຽວກັບການທົດລອງແບບທໍາມະຊາດ, ມີຫລາຍວິທີທີ່ສາມາດນໍາໄປສູ່ການຄາດຄະເນທີ່ບໍ່ດີ. ຂ້າພະເຈົ້າຄິດວ່າຄວາມກັງວົນທີ່ໃຫຍ່ທີ່ສຸດກ່ຽວກັບການຄາດຄະເນການສົມທຽບແມ່ນວ່າພວກເຂົາສາມາດຖືກກະທົບໂດຍສິ່ງທີ່ບໍ່ຖືກນໍາໃຊ້ໃນການຈັບຄູ່. ສໍາລັບຕົວຢ່າງ, ໃນຜົນໄດ້ຮັບຕົ້ນຕໍຂອງພວກເຂົາ, Einav ແລະເພື່ອນຮ່ວມງານໄດ້ມີຄວາມສອດຄ່ອງກັນກັບສີ່ລັກສະນະຄື: ຫມາຍເລກຜູ້ຂາຍ, ປະເພດລາຍການ, ຫົວຂໍ້ລາຍຊື່ແລະຄໍາບັນຍາຍ. ຖ້າລາຍການດັ່ງກ່າວແຕກຕ່າງກັນໃນວິທີທີ່ບໍ່ຖືກນໍາໃຊ້ສໍາລັບການຈັບຄູ່, ຫຼັງຈາກນັ້ນ, ນີ້ອາດຈະສ້າງການປຽບທຽບບໍ່ຍຸດຕິທໍາ. ຕົວຢ່າງ: ຖ້າ "budgetgolfer" ຫຼຸດລົງລາຄາສໍາລັບ Driver Taylormade Burner 09 ໃນລະດູຫນາວ (ໃນເວລາທີ່ສະໂມສອນກອຟມີຫນ້ອຍທີ່ສຸດ) ແລ້ວມັນອາດຈະປາກົດວ່າລາຄາເລີ່ມຕົ້ນທີ່ຕ່ໍາຈະນໍາໄປສູ່ລາຄາຕ່ໍາສຸດ, ໃນເວລາທີ່ມັນເປັນສິ່ງປະດິດຂອງ ການປ່ຽນແປງຕາມລະດູການໃນຄວາມຕ້ອງການ. ວິທີຫນຶ່ງໃນການແກ້ໄຂຄວາມກັງວົນນີ້ແມ່ນພະຍາຍາມປະເພດຕ່າງໆທີ່ແຕກຕ່າງກັນ. ຕົວຢ່າງເຊັ່ນ Einav ແລະເພື່ອນຮ່ວມງານຂອງເຂົາເຈົ້າຊ້ໍາການວິເຄາະຂອງພວກເຂົາໃນຂະນະທີ່ແຕກຕ່າງກັນກັບເວລາທີ່ໃຊ້ສໍາລັບການຈັບຄູ່ (ຊຸດປະສົມປະກອບມີລາຍະການຂາຍພາຍໃນຫນຶ່ງປີ, ພາຍໃນຫນຶ່ງເດືອນ, ແລະໃນເວລາດຽວກັນ). ໂຊກດີ, ພວກເຂົາເຈົ້າໄດ້ພົບເຫັນຜົນໄດ້ຮັບທີ່ຄ້າຍຄືກັນສໍາລັບທຸກໆປ່ອງຢ້ຽມ. ຄວາມກັງວົນຕໍ່ການເພີ່ມຂື້ນຈາກການຕີຄວາມຫມາຍ. ການຄາດຄະເນຈາກການຈັບຄູ່ເທົ່ານັ້ນທີ່ນໍາໃຊ້ກັບຂໍ້ມູນທີ່ຖືກຈັບຄູ່; ພວກເຂົາບໍ່ໄດ້ນໍາໃຊ້ກັບກໍລະນີທີ່ບໍ່ສາມາດຈັບຄູ່. ຕົວຢ່າງ, ໂດຍການຈໍາກັດການຄົ້ນຄວ້າຂອງເຂົາເຈົ້າຕໍ່ລາຍການທີ່ມີບັນຊີລາຍຊື່ຫຼາຍ, Einav ແລະເພື່ອນຮ່ວມງານແມ່ນສຸມໃສ່ຜູ້ຂາຍທີ່ເປັນມືອາຊີບແລະເຄິ່ງຫນຶ່ງ. ດັ່ງນັ້ນ, ໃນເວລາທີ່ຕີລາຄາການປຽບທຽບເຫຼົ່ານີ້ພວກເຮົາຕ້ອງຈື່ວ່າພວກເຂົາຈະນໍາໃຊ້ກັບຊຸດຂອງ eBay ນີ້ເທົ່ານັ້ນ.

ການຈັບຄູ່ແມ່ນກົນລະຍຸດທີ່ມີປະສິດທິພາບສໍາລັບການຊອກຫາການປຽບທຽບທີ່ເຫມາະສົມໃນຂໍ້ມູນທີ່ບໍ່ມີການທົດລອງ. ກັບນັກວິທະຍາສາດສັງຄົມຈໍານວນຫຼາຍ, ການຈັບຄູ່ແມ່ນຄວາມຮູ້ສຶກທີ່ດີທີ່ສຸດໃນການທົດລອງ, ແຕ່ວ່າມັນແມ່ນຄວາມເຊື່ອທີ່ສາມາດແກ້ໄຂໄດ້ເລັກຫນ້ອຍ. ການຈັບຄູ່ໃນຂໍ້ມູນທີ່ມີຂະຫນາດໃຫຍ່ອາດຈະດີກ່ວາການທົດລອງພາກສະຫນາມເລັກນ້ອຍເມື່ອ (1) ຄວາມບໍ່ເປັນເອກະລາດໃນຜົນກະທົບແມ່ນມີຄວາມສໍາຄັນແລະ (2) ຕົວແປທີ່ສໍາຄັນທີ່ຕ້ອງການສໍາຫຼັບໄດ້ຖືກວັດແທກ. ຕາຕະລາງ 2.4 ສະຫນອງຕົວຢ່າງອື່ນ ໆ ກ່ຽວກັບວິທີທີ່ສາມາດນໍາໃຊ້ໄດ້ກັບແຫຼ່ງຂໍ້ມູນໃຫຍ່.

ໃນການສະຫຼຸບ, ການຄາດຄະເນຜົນກະທົບທາງດ້ານຜົນກະທົບຈາກຂໍ້ມູນທີ່ບໍ່ມີການທົດລອງແມ່ນມີຄວາມຫຍຸ້ງຍາກ, ແຕ່ວິທີການຕ່າງໆເຊັ່ນການທົດລອງແບບທໍາມະຊາດແລະການປັບສະຖິຕິ (ເຊັ່ນການຈັບຄູ່) ສາມາດໃຊ້ໄດ້. ໃນບາງສະຖານະການ, ວິທີການເຫຼົ່ານີ້ອາດຈະຜິດພາດຢ່າງຫນັກ, ແຕ່ເມື່ອນໍາໃຊ້ຢ່າງລະມັດລະວັງ, ວິທີການເຫຼົ່ານີ້ສາມາດເປັນປະໂຫຍດຕໍ່ວິທີການທົດລອງທີ່ຂ້າພະເຈົ້າໄດ້ອະທິບາຍຢູ່ໃນບົດທີ 4. ນອກຈາກນີ້ວິທີການເຫຼົ່ານີ້ມັກຈະໄດ້ຮັບຜົນປະໂຫຍດຈາກການເຕີບໂຕຂອງສະເຫມີ - on, ລະບົບຂໍ້ມູນຂະຫນາດໃຫຍ່.