2.4.3.1 പ്രകൃതി പരീക്ഷണങ്ങൾ

പ്രകൃതി പരീക്ഷണങ്ങൾ ലോകത്തിലെ റാൻഡം സംഭവങ്ങളുടെ പ്രയോജനപ്പെടുത്തുന്നതിന്. റാൻഡം ഇവന്റ് + എപ്പോഴും-ഡാറ്റ സിസ്റ്റം = സ്വാഭാവിക പരീക്ഷണം

ന്യായമായ താരതമ്യത്തിന് പ്രാപ്തരാക്കുകയെന്ന ക്രമരഹിതമായ നിയന്ത്രിത പരീക്ഷണങ്ങൾ താക്കോൽ റാൻഡമൈസേഷനും ആണ്. എന്നാൽ ഇടയ്ക്കിടെ എന്തെങ്കിലും വ്യത്യസ്തമായിരുന്നില്ല മരുന്നുകളോട് ക്രമരഹിതമായി ക്രമരഹിതമായി അല്ലെങ്കിൽ ഏതാണ്ട് ജനം നല്കുന്നതായും ലോകത്തിൽ സംഭവിക്കുന്നു. പ്രകൃതി പരീക്ഷണങ്ങൾ ഉപയോഗിച്ച് തന്ത്രം വ്യക്തമായ ഉദാഹരണമാണ് ഗവേഷണ നിന്ന് വരുന്നു Angrist (1990) വരുമാനം പട്ടാള സേവനങ്ങളുടെ പ്രാബല്യത്തിൽ അളക്കുന്നു എന്നു.

വിയറ്റ്നാം യുദ്ധകാലത്ത്, യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് കരട് അതിന്റെ സായുധസേനയുടെ വലിപ്പം വർദ്ധിച്ചു. സേവനത്തിൽ വിളിക്കപ്പെടും ഏത് പൗരന്മാർക്ക് തീരുമാനിക്കാൻ വേണ്ടി, അമേരിക്കൻ സർക്കാർ ലോട്ടറി നടത്തി. ഓരോ ജനനത്തീയതി പേപ്പർ ഒരു കഷണം പ്രാതിനിധ്യം ലഭിച്ചത്, ഈ പേപ്പറുകൾ ഒരു വലിയ ഗ്ലാസ് പാത്രത്തിൽ സ്ഥാപിച്ചത്. ചിത്രം 2.5 കാണിച്ചിരിക്കുന്നതുപോലെ, കടലാസ് ഈ സ്ലിപ്പിൽ ബാല്യക്കാർ (യുവതികളാണ് ഡ്രാഫ്റ്റ് വിധേയമല്ല ആയിരുന്നു) സേവിക്കാൻ വിളിക്കപ്പെടും എന്നു ഓർഡർ നിർണ്ണയിക്കാൻ ഒരു സമയം തുരുത്തി ഒറ്റ വിട്ടു പുറത്തായി. ഫലങ്ങൾ അടിസ്ഥാനമാക്കി സെപ്റ്റംബർ 14 ന് ജനിച്ചു അവർ അങ്ങനെ ആദ്യത്തെ ഏപ്രിൽ 24 ന് ജനിച്ചു പുരുഷന്മാർ രണ്ടാം വിളിച്ചിരിക്കുന്ന വിളിച്ചു ചെയ്തു. ആത്യന്തികമായി, ഈ ലോട്ടറിയിലെ, 195 വ്യത്യസ്ത ദിവസങ്ങളിൽ ജനിച്ച പുരുഷന്മാർ 171 ദിവസങ്ങളിൽ ജനിച്ച വിളിച്ചു സമയം സേവനം വിളിക്കപ്പെട്ടത്.

ചിത്രം 2.5: കോൺഗ്രസ് അലക്സാണ്ടർ Pirnie (ആർ-ന്യൂയോർക്ക്) ഡിസംബർ 1 ന് സെലക്ടീവ് സേവന കരട് ആദ്യ കായ ഡ്രോയിംഗ്, 1969 ജോഷ്വാ Angrist (1990) സൈനിക സേവനം പ്രഭാവം കണക്കാക്കാൻ സാമൂഹിക സുരക്ഷാ അഡ്മിനിസ്ട്രേഷൻ നിന്നുള്ള വരുമാനം ഡാറ്റ ഉപയോഗിച്ച് ഡ്രാഫ്റ്റ് ലോട്ടറി കൂട്ടിച്ചേർക്കാം വരുമാനം ന്. ഇത് ഒരു പ്രകൃതി പരീക്ഷണം ഉപയോഗിച്ച് ഗവേഷണ ഉദാഹരണം. അവലംബം: വിക്കിമീഡിയ കോമൺസിൽ

ചിത്രം 2.5: കോൺഗ്രസ് അലക്സാണ്ടർ Pirnie (ആർ-ന്യൂയോർക്ക്) ഡിസംബർ 1 ന് സെലക്ടീവ് സേവന കരട് ആദ്യ കായ ഡ്രോയിംഗ്, 1969 ജോഷ്വാ Angrist (1990) സൈനിക സേവനം പ്രഭാവം കണക്കാക്കാൻ സാമൂഹിക സുരക്ഷാ അഡ്മിനിസ്ട്രേഷൻ നിന്നുള്ള വരുമാനം ഡാറ്റ ഉപയോഗിച്ച് ഡ്രാഫ്റ്റ് ലോട്ടറി കൂട്ടിച്ചേർക്കാം വരുമാനം ന്. ഇത് ഒരു പ്രകൃതി പരീക്ഷണം ഉപയോഗിച്ച് ഗവേഷണ ഉദാഹരണം. അവലംബം: വിക്കിമീഡിയ കോമൺസിൽ

ഇരുവരും സാഹചര്യങ്ങളിൽ പങ്കെടുക്കുന്നവർ ക്രമരഹിതമായി ഒരു ചികിത്സ നിയോഗിച്ചിട്ടുണ്ട്: ഉടൻ പ്രകടമാണ് ആത്മവിശ്വാസവും പകരുന്നു, ഒരു കരട് ലോട്ടറി ഒരു ക്രമരഹിതമായ നിയന്ത്രിത പരീക്ഷണം ഒരു നിർണ്ണായക സാമ്യം ഉണ്ട്. ഡ്രാഫ്റ്റ് ലോട്ടറി കേസിൽ, ഞങ്ങൾ ഡ്രാഫ്റ്റ്-യോഗ്യത തുടർന്നുള്ള തൊഴിൽ വിപണി വരുമാനം പട്ടാള സേവന ഇഫക്റ്റുകൾ കുറിച്ച് പഠന താല്പര്യം ഉണ്ടെങ്കിൽ, ഞങ്ങൾ ആരുടെ birthdates ലോട്ടറി പരിധിയനിസരിച്ച് (ഉദാ സെപ്റ്റംബർ 14, ഏപ്രിൽ താഴെ ആയിരുന്നു ജനങ്ങൾക്ക് പാടുന്നവർ താരതമ്യം ചെയ്യാം 24 മുതലായവ) ആരുടെ ജന്മദിനങ്ങൾ പരിധിയനിസരിച്ച് (ഉദാ, ഫെബ്രുവരി 20, ഡിസംബർ 2, മുതലായവ) ശേഷം ആയിരുന്നു ജനങ്ങൾക്ക് പാടുന്നവർ.

തയാറാക്കിയ ചെയ്തുകൊണ്ടിരിക്കുന്നു ഈ ചികിത്സ ക്രമരഹിതമായി നിർണ്ണയിച്ച നൽകിയ ഞങ്ങൾ അളന്നു ചെയ്തു ഏതെങ്കിലും ഫലമാണ് ഈ ചികിത്സയുടെ പ്രഭാവം അളക്കാൻ കഴിയും. ഉദാഹരണത്തിന്, Angrist (1990) ക്രമരഹിതമായി വെളുത്ത വെറ്ററൻസ് വരുമാനം താരതമ്യപ്പെടുത്താവുന്ന നോൺ-വെറ്ററൻസ് സമ്പാദ്യത്തിൽ ഏതാണ്ട് 15% കുറവാണ് നിഗമനം ലേക്ക് സാമൂഹിക സുരക്ഷാ അഡ്മിനിസ്ട്രേഷൻ ശേഖരിച്ച വരുമാനം ഡാറ്റ ഉപയോഗിച്ച് ഡ്രാഫ്റ്റ് തെരഞ്ഞെടുക്കപ്പെട്ടതോടെ ആർ കുറിച്ചുള്ള വിവരങ്ങൾ കൂട്ടിച്ചേർക്കാം . മറ്റു ഗവേഷകർ പോലെ സമാനമായ ഹാട്രിക് ഉപയോഗിച്ചു. ഉദാഹരണത്തിന്, Conley and Heerwig (2011) ക്രമരഹിതമായി 2000 സെൻസസ് 2005 അമേരിക്കൻ സമൂഹം സർവേ നിന്ന് ശേഖരിച്ച കുടുംബസഹിതം ഡാറ്റ ഉപയോഗിച്ച് കരട് തിരഞ്ഞെടുത്ത അങ്ങനെ നീണ്ട കരട് ശേഷം അല്പം ദീർഘകാല പ്രഭാവം ഉണ്ടായിരുന്നു എന്ന് കണ്ടെത്തി ആർ കുറിച്ചുള്ള വിവരങ്ങൾ കൂട്ടിച്ചേർക്കാം പോലുള്ള ഭവന നിയമനം (വാടകയ്ക്കു പ്രബലം ഉടമസ്ഥതയുള്ള) റസിഡൻഷ്യൽ സ്ഥിരത (മുൻ അഞ്ച് വർഷത്തിനുള്ളിൽ നീക്കി കരുതിയിരുന്നു സാധ്യത) പാടുന്നവർ വൈവിധ്യമാർന്ന പട്ടാള സേവനം.

ഈ ഉപമ വിവരിച്ചുതന്നിരിക്കുന്നു പോലെ, ചിലപ്പോൾ സാമൂഹികവും രാഷ്ട്രീയവും, അല്ലെങ്കിൽ പ്രകൃതി ശക്തികൾ ഗവേഷകർ സാധായതകളെക്കുറിച്ച്് കഴിയുന്ന പരീക്ഷണങ്ങൾ സമീപത്തോ-പരീക്ഷണങ്ങൾ സൃഷ്ടിക്കുക. പലപ്പോഴും പ്രകൃതി പരീക്ഷണങ്ങൾ അതു ക്രമരഹിതമായ നിയന്ത്രിത പരീക്ഷണങ്ങൾ പ്രവർത്തിപ്പിക്കാൻ നൈതിക അല്ലെങ്കിൽ പ്രായോഗിക ഇല്ലാത്ത ക്രമീകരണങ്ങളിൽ വ്യവഹാരം-ആൻഡ്-പ്രഭാവം ബന്ധങ്ങൾ കണക്കാക്കാൻ മികച്ച മാർഗ്ഗമാണ്. അവർ നോൺ-പരീക്ഷണ ഡാറ്റ നിയമാനുസൃത താരതമ്യത്തിനും കണ്ടെത്തുന്നതിനുള്ള ഒരു പ്രധാന തന്ത്രത്തിന്റെ ആകുന്നു. ഈ ഗവേഷണ സ്ട്രാറ്റജി ഈ സമവാക്യം ചുരുക്കാം:

\ [\ ടെക്സ്റ്റ് {റാൻഡം (അല്ലെങ്കിൽ റാൻഡം പോലെ) ഇവന്റ്} + \ ടെക്സ്റ്റ് {ഡാറ്റ സ്ട്രീം എപ്പോഴും-ന്} = \ ടെക്സ്റ്റ് {സ്വാഭാവിക പരീക്ഷണം} \ qquad (2.1) \]

എന്നാൽ, പ്രകൃതിജന്യമായ പരീക്ഷണങ്ങളെ വിശകലനം വളരെ കരവിരുതോടെ ചെയ്യണം. ഉദാഹരണത്തിന്, വിയറ്റ്നാം ഡ്രാഫ്റ്റ് കാര്യത്തിൽ, ഡ്രാഫ്റ്റ്-യോഗ്യതയുള്ള ആരെന്നു എല്ലാവർക്കും നൽകുന്നതിനായി (ഇളവുകൾ മുറികൾ ഉണ്ടായിരുന്നു) അവസാനിച്ചു. പിന്നെ, ഒരേ സമയം, ഡ്രാഫ്റ്റ്-യോഗ്യമല്ല ആരായിരുന്നു ചില ആളുകൾ സേവനം സന്നദ്ധസേവനത്തിനു. ഒരു പുതിയ മരുന്ന് ഒരു ക്ലിനിക്കൽ ട്രയലിൽ, ചികിത്സ ഗ്രൂപ്പിൽ ചില ആളുകൾ അവരുടെ മരുന്ന് എടുത്തു നിയന്ത്രണ ഗ്രൂപ്പ് എങ്ങനെയോ മരുന്ന് ലഭിച്ച ആളുകളെ ചില അല്ല പോലെ ചെയ്തു നിറഞ്ഞുകവിഞ്ഞു. ഈ അധ്യായത്തിൽ അവസാനം ശുപാർശ വായനക്കിടയിൽ ചില വിശദമായി ഈ പ്രശ്നം രണ്ടു ഏകപക്ഷീയമായ noncompliance വിളിച്ചു, അതുപോലെ മറ്റ് പല പ്രശ്നങ്ങളും വിവരിക്കുന്നു.

സ്വാഭാവികമായി റാൻഡം നിയമനം സംഭവിച്ചുകൊണ്ടിരിക്കുന്ന മുതലെടുത്ത് തന്ത്രം ഡിജിറ്റൽ യുഗത്തിൽ മുമ്പേ, പക്ഷേ വലിയ ഡാറ്റ വിളയാട്ടമാണ് ഉപയോഗിക്കാൻ ഈ തന്ത്രത്തിന്റെ വളരെ ആകാംക്ഷയുണര്ത്തിയിരുന്നു. നിങ്ങൾ ചില ചികിത്സ ക്രമരഹിതമായി നിർണ്ണയിക്കപ്പെട്ടതാണ് ഗ്രഹിക്കാൻ കഴിഞ്ഞാൽ, വലിയ ഡാറ്റ ഉറവിടങ്ങളിൽ നിങ്ങൾക്ക് ചികിത്സ നിയന്ത്രണവും സാഹചര്യങ്ങളിൽ ജനങ്ങൾക്ക് ഫലങ്ങളിൽ താരതമ്യം വേണ്ടി വേണമെങ്കിൽ എന്ന് ചിദംബരത്തിനും ഡാറ്റ നൽകാൻ കഴിയും. ഉദാഹരണത്തിന്, ഡ്രാഫ്റ്റും സൈനിക സേവന ഇഫക്റ്റുകൾ തന്റെ പഠനത്തിൽ, Angrist സമ്പാദ്യം രേഖകള് ഉപയോഗം സാമൂഹിക സുരക്ഷാ അഡ്മിനിസ്ട്രേഷൻ നിന്ന് ഉണ്ടാക്കി; ഈ അനന്തരഫലം ഡാറ്റ ഇല്ലാതെ തന്റെ പഠനത്തിൽ സാധ്യത ചെയ്യില്ല. ഈ സാഹചര്യത്തിൽ, സാമൂഹിക സുരക്ഷാ അഡ്മിനിസ്ട്രേഷൻ എപ്പോഴും വലിയ ഡാറ്റ ഉറവിടം. കൂടുതൽ കൂടുതൽ സ്വയം ശേഖരിച്ച ഡാറ്റ ഉറവിടങ്ങളിൽ നിലവിലില്ല പോലെ, ഞങ്ങൾ എൻസോഗമസ്സ് വ്യത്യാസങ്ങളെ സൃഷ്ടിച്ച മാറ്റങ്ങളുടെ ഇഫക്റ്റുകൾ അളക്കാൻ കഴിയുന്ന കൂടുതൽ അനന്തരഫലം ഡാറ്റ ഉണ്ടായിരിക്കും.

ഡിജിറ്റൽ യുഗത്തിൽ ഈ തന്ത്രത്തിന്റെ മനസ്സിലാക്കാനായി ന്റെ മാസ് ആൻഡ് Moretti ന്റെ നോക്കാം (2009) ഉൽപാദനക്ഷമത സഹപ്രവർത്തകരാണ് പ്രാബല്യത്തിൽ ത്ത ഗവേഷണ. ഉപരിതലത്തിൽ ആണെങ്കിലും അതു ഇരുവരും EQ പാറ്റേൺ പിന്തുടരുന്നത് ഘടനയിൽ വിയറ്റ്നാം ഡ്രാഫ്റ്റ് ഇഫക്റ്റുകൾ, ഏകദേശം Angrist പഠനത്തെ വ്യത്യസ്തമാണ് തോന്നാം. 2.1.

മാസ് ആൻഡ് Moretti ഉറ്റുനോക്കുക തൊഴിലാളികളുടെ ഉൽപാദനക്ഷമത എങ്ങനെ ബാധിക്കുന്നു അളന്നു. ഒരു വശത്ത്, ഒരു കഠിനമായി പരിശ്രമിക്കുകയാണ് പിയർ ഇല്ലാതെ കാരണം സമ്മർദ്ദത്തിന് അവരുടെ ഉത്പാദനക്ഷമത വർദ്ധിപ്പിക്കുന്നതിന് തൊഴിലാളികളെ നയിച്ചേക്കാവുന്ന. അല്ലെങ്കിൽ, മറുവശത്ത്, ഹാർഡ് അധ്വാനിക്കുന്ന പിയർ മറ്റ് തൊഴിലാളികൾ കൂടുതൽ അലസ്സമാകുമ്പോൾ നയിക്കും വേണ്ടി. ഉൽപാദനക്ഷമത പിയർ ഇഫക്റ്റുകൾ പഠിക്കാൻ ഏറ്റവും വ്യക്തമായ വഴി തൊഴിലാളികൾ ക്രമരഹിതമായി വിവിധ ഉത്പാദനക്ഷമത തലത്തിലുമുള്ള തൊഴിലാളി സമരം ഷിഫ്റ്റുകൾ നിയോഗിച്ചിട്ടുള്ള തുടർന്ന് എവിടെ തത്ഫലമായുണ്ടാകുന്ന ഉത്പാദനക്ഷമത എല്ലാവർക്കും അളക്കുന്നത് ഒരു ക്രമരഹിതമായ നിയന്ത്രിത പരീക്ഷണം തന്നെ. ഗവേഷകർ എന്നാൽ, യഥാർത്ഥ ബിസിനസ്സ് തൊഴിലാളികളുടെ ഷെഡ്യൂൾ നിയന്ത്രിക്കാൻ പോകരുത്, അങ്ങനെ മാസ് ആൻഡ് Moretti ഒരു സൂപ്പർമാർക്കറ്റിൽ നടന്ന ഒരു സ്വാഭാവിക പരീക്ഷണം ആശ്രയിക്കേണ്ടിവരുമായിരുന്നില്ലേ.

വെറും EQ പോലെ. 2.1 അവരുടെ പഠനം രണ്ടു ഭാഗങ്ങൾ ഉണ്ടായിരുന്നു. ആദ്യം അവർ ഉത്പാദനക്ഷമത ഒരു, കൃത്യമായ വ്യക്തിയെ എപ്പോഴും അളവു ലേക്കുള്ള സൂപ്പർമാർക്കറ്റ് ഒഴിയേണ്ട സിസ്റ്റത്തിൽ നിന്നും രേഖകൾ ഉപയോഗിച്ച: സെക്കന്റിൽ ഇനങ്ങൾ സ്കാൻ എണ്ണം. രണ്ടാമത്തെ കാരണം ഷെഡ്യൂളുചെയ്യൽ ഈ സൂപ്പർമാർക്കറ്റിൽ സംഭവിച്ചതു വഴി അവർ സഹപ്രവർത്തകരാണ് റാൻഡം രചനയാണ് സമീപം ഞങ്ങൾക്കുണ്ട്. മറ്റു വാക്കുകളിൽ, കാഷ്യറേയും എന്ന ഷെഡ്യൂൾ ചെയ്യുന്നത് ഒരു ലോട്ടറി നിർണയിക്കപ്പെടുന്നത് പോലും അത് അടിസ്ഥാനപരമായി അപകടമരണം ആയിരുന്നു. പ്രായോഗികമായി പ്രകൃതി പരീക്ഷണങ്ങളിൽ നമുക്കുണ്ടോ ആത്മവിശ്വാസം പതിവായി "പോലെ-ഉണ്ടെങ്കിൽ" റാൻഡം ക്ലെയിം സാദ്ധ്യതയെങ്കിലുമുള്ളതുകൊണ്ടാണ് അടിവസ്ത്രം. ഈ റാൻഡം വ്യതിയാനങ്ങളുടെ മുതലെടുത്ത മാസ് ആൻഡ് Moretti കൂടിയ ഉല്പാദനക്ഷമത ഉറ്റുനോക്കുക പ്രവർത്തിച്ചും ഉത്പാദനക്ഷമത വർദ്ധിപ്പിക്കുന്നു എന്ന് കണ്ടെത്തി. ഈ പ്രഭാവം എന്ന heterogeneity (ഏത് തൊഴിലാളികളുടെ തരത്തിലുള്ള പ്രഭാവം വലുത്) മെക്കാനിസം: കൂടുതൽ, മാസ് ആൻഡ് Moretti രണ്ട് പ്രാധാന്യമേറിയ ഉപായം പ്രശ്നങ്ങൾ പര്യവേക്ഷണം വരുത്തിയാൽ-ആൻഡ്-പ്രഭാവമുള്ള മതിപ്പു പോകാനുള്ള അവരുടെ ഡാറ്റാഗണത്തിന്റെ വലുപ്പവും സാക്ഷൃപ്പെടുത്തുന്നു ഉപയോഗിച്ച ഫലത്തിൽ പിന്നിൽ (എന്തുകൊണ്ട് ഉയർന്ന ഉൽപാദനക്ഷമത ഉറ്റുനോക്കുക ഇല്ലാത്ത ഇല്ല കൂടിയ ഉല്പാദനക്ഷമത നയിക്കും). ഞങ്ങൾ കൂടുതൽ വിശദമായി പരീക്ഷണങ്ങൾ ചർച്ച ചെയ്യുമ്പോൾ നാം 5-ാം അധ്യായത്തിൽ അവയിലൊന്നാണ്-ചികിത്സ ഇഫക്റ്റുകളും ഈ രണ്ടു പ്രധാനപ്പെട്ട പ്രശ്നങ്ങൾ-heterogeneity തിരിച്ചുവരും.

വരുമാനം വിയറ്റ്നാം ഡ്രാഫ്റ്റ് പ്രാബല്യത്തിൽ ഉത്പാദനക്ഷമതയും ന് സഹപ്രവർത്തകരാണ് പ്രാബല്യത്തിൽ പഠനത്തിന് പഠനം നിന്നും സാമാന്യവൽക്കരിക്കാനുമുള്ള, ടേബിൾ 2.3 ഈ കൃത്യമായ ഒരേ ഘടന മറ്റ് പഠനങ്ങൾ സംഗ്രഹിക്കുന്നു: ചില ഇവന്റ് ആഘാതം അളക്കുന്നതിന് ഒരു എപ്പോഴും-ഡാറ്റ സോഴ്സ് . പട്ടിക 2.3 വിവരിച്ചുതരുന്നു നിലയിൽ, വെറും അവ കാണുന്നതിനായി എങ്ങനെ അറിയുന്നു എങ്കിൽ സ്വാഭാവിക പരീക്ഷണങ്ങൾ എല്ലായിടത്തുമുണ്ട്.

പട്ടിക 2.3: ബിഗ് ഡാറ്റ ഉറവിടങ്ങൾ ഉപയോഗിച്ച് സ്വാഭാവിക പരീക്ഷണങ്ങളുടെ ഉദാഹരണങ്ങൾ. റാൻഡം (അല്ലെങ്കിൽ റാൻഡം പോലെ) ഇവന്റ് + എപ്പോഴും-ഡാറ്റ സിസ്റ്റം: എല്ലാ ഈ പഠനങ്ങൾ ഒരേ അടിസ്ഥാന പാചകക്കുറിപ്പ് പിന്തുടരുന്നത്. കാണുക Dunning (2012) കൂടുതൽ ഉദാഹരണങ്ങൾ.
കഴമ്പുള്ള ഫോക്കസ് സ്വാഭാവിക പരീക്ഷണത്തിന്റെ ഉറവിടം എല്ലായ്പ്പോഴും-ഡാറ്റ ഉറവിടം ഉദ്ധരണി
ഉൽപാദനക്ഷമത ഇഫക്റ്റുകൾ പിയർ ഷെഡ്യൂളിംഗ് പ്രക്രിയ ഒഴിയേണ്ട ഡാറ്റ Mas and Moretti (2009)
സൌഹൃദ രൂപീകരണം കൊടുങ്കാറ്റുകളുമാണ് ഫേസ്ബുക്ക് Phan and Airoldi (2015)
വികാരങ്ങളുടെ സ്പ്രെഡ് മഴ ഫേസ്ബുക്ക് Coviello et al. (2014)
സാമ്പത്തിക കൈമാറ്റങ്ങൾ പിയർ ടു പിയർ ഭൂമികുലുക്കം മൊബൈൽ പണം ഡാറ്റ Blumenstock, Fafchamps, and Eagle (2011)
വ്യക്തിഗത ഉപഭോഗം പെരുമാറ്റം 2013 അമേരിക്കൻ സർക്കാർ ഷട്ട്ഡൌൺ സ്വകാര്യ ധനകാര്യ ഡാറ്റ Baker and Yannelis (2015)
recommender സിസ്റ്റങ്ങളുടെ സാമ്പത്തിക വിവിധ ആമസോൺ ന് ബ്രൌസിംഗ് ഡാറ്റ Sharma, Hofman, and Watts (2015)
ഗർഭസ്ഥ കുഞ്ഞുങ്ങളുടെ ന് സമ്മർദ്ദം സ്വാധീനം 2006 ഇസ്രായേൽ-ജനാധിപത്യ ശക്തികള്ക്കും ദോഷകരമാകും യുദ്ധം ജനന റെക്കോർഡുകൾ Torche and Shwed (2015)
വിക്കിപീഡിയയിൽ വായന പെരുമാറ്റം സ്നോഡൻ വെളിപ്പെടുത്തലുകൾ വിക്കിപീഡിയ രേഖകൾ Penney (2016)

പ്രായോഗികമായി ഗവേഷകർ പെരുകുകയും കഴിയും രണ്ടും പ്രകൃതി പരീക്ഷണങ്ങൾ കണ്ടെത്തുന്നതിനുള്ള രണ്ടു വ്യത്യസ്ത തന്ത്രങ്ങൾ ഉപയോഗിക്കുന്നു. ചില ഗവേഷകർ എപ്പോഴും-ഡാറ്റ സോഴ്സ് ഉപയോഗിച്ച് ആരംഭിക്കാൻ ലോകത്തിലെ റാൻഡം സംഭവങ്ങളുടെ പേരിൽ നോക്കൂ; മറ്റുള്ളവരെ ലോകത്തിലെ റാൻഡം സംഭവങ്ങളെക്കുറിച്ചു അവരുടെ ഇംപാക്ട് പിടിച്ചടക്കാൻ ഡാറ്റ സ്രോതസ്സുകളിൽ നോക്കി. അവസാനമായി, പ്രകൃതി പരീക്ഷണങ്ങളെ ശക്തി സ്ഥിതിവിവര വിശകലനം വച്ചുപുലർത്തുന്നുണ്ട് നിന്ന് അല്ല, ചരിത്രത്തിന്റെ ഒരു ഭാഗ്യമായി അപകടത്തിൽ സൃഷ്ടിച്ചത് ന്യായമായ ഒത്തുനോക്കിയാൽ കണ്ടെത്തുകയെന്ന ലെ കെയർ നിന്ന് വരുന്നു എന്ന് ശ്രദ്ധിക്കുക.