2.4.3.1 Mtindo majaribio

Majaribio ya asili kuchukua faida ya matukio random duniani. random tukio + daima-juu ya mfumo wa data = asili majaribio

muhimu kwa randomized kudhibitiwa majaribio kuwezesha haki kulinganisha ni Ubahatishaji. Hata hivyo, mara kwa mara kitu kinachotokea katika ulimwengu kwamba kimsingi inateua watu nasibu au karibu nasibu kwa matibabu tofauti. Moja ya mifano ya wazi ya mkakati wa kutumia majaribio ya asili linatokana na utafiti wa Angrist (1990) kuwa hatua ya athari za huduma za kijeshi juu ya mapato.

Wakati wa vita katika Vietnam, Marekani kuongezeka kwa ukubwa wa majeshi yake ya silaha kupitia rasimu. Ili kuamua ni raia itakuwa kuitwa katika huduma, serikali ya Marekani uliofanyika bahati nasibu. Kila tarehe ya kuzaliwa iliwakilishwa kwenye kipande cha karatasi, na karatasi hizi waliwekwa katika kubwa kioo jar. Kama inavyoonekana katika Kielelezo 2.5, hizi vipande vya karatasi walikuwa inayotolewa kutoka jar moja kwa wakati mmoja kuamua utaratibu kwamba vijana itakuwa inaitwa kutumikia (wanawake vijana walikuwa si chini ya rasimu). Kutokana na matokeo, watu waliozaliwa Septemba 14 waliitwa kwanza, watu waliozaliwa tarehe 24 Aprili waliitwa pili, na kadhalika. Hatimaye, katika bahati nasibu hii, wanaume alizaliwa katika siku 195 tofauti waliitwa huduma wakati wanaume alizaliwa katika siku 171 hawakuitwa.

Kielelezo 2.5: Congress Alexander Pirnie (R-NY) kuchora capsule kwanza kwa rasimu Teule ya Huduma Desemba 1, 1969. Joshua Angrist (1990) pamoja rasimu ya bahati nasibu na mapato data kutoka Tawala wa Hifadhi ya Jamii kukadiria athari za huduma za kijeshi juu ya mapato. Huu ni mfano wa utafiti kwa kutumia majaribio ya asili. Chanzo: Wikimedia Commons

Kielelezo 2.5: Congress Alexander Pirnie (R-NY) kuchora capsule kwanza kwa rasimu Teule ya Huduma Desemba 1, 1969. Joshua Angrist (1990) pamoja rasimu ya bahati nasibu na mapato data kutoka Tawala wa Hifadhi ya Jamii kukadiria athari za huduma za kijeshi juu ya mapato. Huu ni mfano wa utafiti kwa kutumia majaribio ya asili. Chanzo: Wikimedia Commons

Ingawa inaweza kuwa mara moja dhahiri, rasimu bahati nasibu ina kufanana muhimu kwa randomized majaribio kudhibitiwa: katika hali zote washiriki ni nasibu kwa ajili ya kupata matibabu. Katika kesi ya rasimu ya bahati nasibu, kama sisi ni nia ya kujifunza kuhusu madhara ya rasimu-uhakiki na huduma za kijeshi juu ya mapato ya soko la ajira baadae, tunaweza kulinganisha matokeo kwa watu ambao birthdates walikuwa chini ya bahati nasibu cutoff (kwa mfano, Septemba 14, Aprili 24, nk) na matokeo kwa watu ambao siku za kuzaliwa yalikuwa baada ya cutoff (kwa mfano, Februari 20, Desemba 2, nk).

Kutokana na kwamba matibabu hayo ya zinaandaliwa imekuwa nasibu kwa ajili, tunaweza kisha kupima athari za matibabu hayo kwa matokeo yoyote ambayo imekuwa kipimo. Kwa mfano, Angrist (1990) pamoja taarifa kuhusu ambaye alikuwa nasibu kuchaguliwa katika rasimu na data mapato kwamba zilikusanywa na Utawala wa Hifadhi ya Jamii kuhitimisha kwamba mapato ya maveterani nyeupe walikuwa kuhusu 15% chini ya mapato ya kulinganishwa zisizo maveterani . Watafiti wengine wametumia hila sawa pia. Kwa mfano, Conley and Heerwig (2011) pamoja taarifa kuhusu ambaye alikuwa nasibu kuchaguliwa katika rasimu na data kaya zilizokusanywa kutoka Survey 2000 sensa na 2005 Jumuiya ya na kugundua kwamba kwa muda mrefu baada ya rasimu, kulikuwa na kidogo ya muda mrefu athari za huduma za kijeshi juu ya aina ya matokeo kama vile umiliki makazi (kumiliki dhidi kukodisha) na utulivu makazi (uwezekano wa baada ya kuhamia katika miaka mitano iliyopita).

Kama mfano huu unaeleza, wakati mwingine kijamii, kisiasa, au asili vikosi kujenga majaribio au karibu-majaribio ambayo inaweza kuwa leveraged na watafiti. Mara nyingi majaribio ya asili ni njia bora ya kukadiria mahusiano kusababisha-na-athari katika mazingira ambapo si kimaadili au vitendo kuendesha randomized majaribio kudhibitiwa. Wao ni mkakati muhimu kwa ajili ya kugundua kulinganisha haki katika data zisizo majaribio. Mkakati huu utafiti inaweza kuwa muhtasari na swala hilo:

\ [\ maandishi {random (au kama random) tukio} + \ maandishi {daima-on data mkondo} = \ maandishi {asili majaribio} \ qquad (2.1) \]

Hata hivyo, uchambuzi wa majaribio ya asili inaweza kabisa suala gumu. Kwa mfano, katika kesi ya rasimu Vietnam, si kila mtu ambaye alikuwa rasimu-wanaotafuta kuishia kuwahudumia (kulikuwa na aina ya misamaha). Na, wakati huo huo, baadhi ya watu ambao hawakuwa rasimu-wanaotafuta alijitolea kwa ajili ya huduma. Ilikuwa ni kama katika kesi ya kliniki ya dawa mpya, baadhi ya watu katika kundi matibabu hakuwa na kuchukua dawa zao na baadhi ya watu katika kundi la kudhibiti namna fulani alipokea madawa ya kulevya. Tatizo hili, iitwayo kuwili noncompliance, kama vile matatizo mengine mengi ni maelezo kwa undani zaidi katika baadhi ya masomo ilipendekeza mwishoni mwa sura hii.

mkakati wa kuchukua faida ya zinazotokea zoezi random inafuatilia umri digital, lakini kiwango cha maambukizi ya data kubwa hufanya mkakati huu rahisi sana kutumia. Mara baada ya kutambua baadhi ya matibabu imekuwa assigned nasibu, vyanzo big data inaweza kutoa data matokeo kwamba unahitaji ili kulinganisha matokeo kwa watu katika matibabu na udhibiti masharti. Kwa mfano, katika utafiti wake wa madhara ya rasimu na huduma za kijeshi, Angrist alifanya matumizi ya kumbukumbu za mapato kutoka Utawala wa Hifadhi ya Jamii; bila data hii matokeo, utafiti wake isingekuwa iwezekanavyo. Katika kesi hiyo, Utawala wa Hifadhi ya Jamii ni daima-on big data chanzo. Kama zaidi na zaidi moja kwa moja zilizokusanywa vyanzo data zipo, tutakuwa na zaidi matokeo data kwamba unaweza kupima athari za mabadiliko kuundwa kwa tofauti exogenous.

Ili kuonyesha mkakati huu katika umri digital, hebu fikiria Mas na Moretti ya (2009) utafiti kifahari juu ya athari za wenzao juu ya tija. Ingawa juu ya uso inaweza kuangalia tofauti kuliko utafiti Angrist kuhusu madhara ya Vietnam Draft, katika muundo wote wawili kufuata mfano katika eq. 2.1.

Mas na Moretti kipimo namna rika kuathiri tija ya wafanyakazi. Kwa upande mmoja tu, na rika kufanya kazi kwa bidii inaweza kusababisha wafanyakazi kuongeza uzalishaji wao kwa sababu ya shinikizo la rika. Au, kwa upande mwingine, kufanya kazi kwa bidii rika inaweza kusababisha wafanyakazi wengine slack mbali hata zaidi. njia ya dhahiri kabisa kujifunza madhara rika juu ya tija ingekuwa kuwa randomized kudhibitiwa majaribio ambapo wafanyakazi ni nasibu kwa ajili ya mabadiliko na wafanyakazi wa ngazi mbalimbali tija na kisha kusababisha tija ni kipimo kwa kila mtu. Watafiti, hata hivyo, si kudhibiti ratiba ya wafanyakazi katika biashara yoyote halisi, na hivyo Mas na Moretti alikuwa kuwategemea majaribio asili ambao ulifanyika katika maduka makubwa.

Tu kama eq. 2.1, masomo yao alikuwa sehemu mbili. Kwanza, walitumia magogo kutoka mfumo maduka makubwa Checkout kuwa na sahihi, mtu binafsi, na daima-on kipimo cha tija: idadi ya vitu scanned kwa pili. Na, pili, kwa sababu ya njia ambayo ratiba ilifanyika katika maduka makubwa hii, wana karibu random muundo wa rika. Kwa maneno mengine, ingawa ratiba ya mtunza fedha si kuamua na bahati nasibu, ilikuwa kimsingi random. Katika mazoezi, ujasiri tulio nao katika majaribio ya asili mara nyingi yanatokana na plausibility ya hii "kama-kama" madai random. Kuchukua faida ya tofauti hii random, Mas na Moretti iligundua kuwa kufanya kazi na wenzao tija ya juu kuongezeka kwa tija. Zaidi ya hayo, Mas na Moretti kutumika ukubwa na utajiri wa seti ya data yao kwa hoja zaidi ya makadirio ya kusababisha-na-athari ya kuchunguza masuala mawili muhimu zaidi na hila: heterogeneity ya athari hii (ambayo aina ya wafanyakazi ni athari kubwa) na utaratibu nyuma ya athari (kwa nini kuwa na high wenzao tija kusababisha tija ya juu). Sisi kurudi hizi mbili muhimu masuala-heterogeneity ya madhara ya matibabu na taratibu katika Sura ya 5 wakati sisi kujadili majaribio kwa undani zaidi.

Generalizing kutoka masomo juu ya athari za Draft Vietnam juu ya mapato na utafiti wa athari za wenzao juu ya tija, Jedwali 2.3 muhtasari masomo mengine ambayo yana hii halisi muundo huo: kutumia daima-juu ya chanzo data kupima matokeo ya tukio baadhi . Kama Jedwali 2.3 hufanya wazi, majaribio ya asili ni kila mahali kama wewe tu kujua jinsi ya kuangalia kwa ajili yao.

Jedwali 2.3: Mifano ya majaribio ya asili kwa kutumia big vyanzo data. masomo haya yote kufuata huo kichocheo msingi: random (au kama random) tukio + daima-juu ya mfumo wa data. Angalia Dunning (2012) kwa mifano zaidi.
lengo makubwa Chanzo cha majaribio ya asili Kila mara data chanzo citation
Rika kuathiri tija mchakato wa ratiba data Checkout Mas and Moretti (2009)
urafiki malezi vimbunga Picha Phan and Airoldi (2015)
Kuenea kwa hisia mvua Picha Coviello et al. (2014)
Rika kwa rika uhamisho wa kiuchumi tetemeko data pesa mkononi Blumenstock, Fafchamps, and Eagle (2011)
tabia binafsi matumizi 2013 shutdown serikali ya Marekani data binafsi fedha Baker and Yannelis (2015)
athari za kiuchumi za mifumo MDHAMINI mbalimbali data ya kuvinjari katika Amazon Sharma, Hofman, and Watts (2015)
Athari ya dhiki juu ya watoto ambao hawajazaliwa 2006 Israel-Hezbollah vita rekodi ya kuzaliwa Torche and Shwed (2015)
Kusoma tabia katika Wikipedia Snowden Aya Wikipedia magogo Penney (2016)

Katika mazoezi, watafiti kutumia mikakati mbili tofauti kwa ajili ya kutafuta majaribio ya asili, wote wawili ambao unaweza kuwa na matunda. Baadhi ya watafiti kuanza na daima-on data chanzo na kuangalia kwa ajili ya matukio random katika dunia; wengine kuanza na matukio random katika dunia na kutafuta vyanzo data kwamba kukamata athari zake. Hatimaye, taarifa kwamba nguvu ya majaribio ya asili usiotokana na sophistication ya uchambuzi wa takwimu, lakini kutokana na huduma katika kugundua haki kulinganisha kuundwa kwa ajali bahati ya historia.