❤️Пост имени заботы о себе и эмпатии❤️

Экономисты занимаются не только подсчетом денег, но также размышляют о счастье людей -- а для того, чтобы это делать, счастье надо для начала измерить. Счастье -- субъективное чувство, которое зависит от многих факторов, но один из подходов, приближающий нас к оценке счастья, -- оценка субъективного благополучия.

🟠Субъективное благополучие
Оценки субъективного благополучия собираются по всему миру в опросах института Гэллапа. Для оценки субъективного благополучия используется «лестница Кантрила» (Cantril ladder): вас просят подумать о лестнице, где наверху лестницы лучшая возможная для вас жизнь, а внизу -- худшая. Потом респондент должен отметить себя в настоящий момент на этой лестнице.

🟠А что в России?
По данным оценкам ООН (World Happiness Report), в 2021-23 гг. средняя оценка субъективного благополучия в России составила 5.785 [у нас получилось 6.482* 📊]. Более 50% этой оценки объясняет ВВП и социальная защита, а наименьший вклад вносят ожидаемая продолжительность жизни, свобода выбора, щедрость и оценка коррупции🕵️‍♂️

🟠А правильно ли мы спросили?*
В недавнем препринте Джеймс Андреони (одна из ключевых фигур в современной поведенческой экономике) с соавторами показали, что для оценки субъективного благополучия важен контекст (где, когда и в каких обстоятельствах вам задают вопрос), но также респонденты могут неправильно отвечать на вопрос о текущем благополучии, завышая оценки в случаях, когда в их жизни происходят негативные события (например, расставание с партнером). Исследователи просили респондентов представить ситуацию и предсказать свой уровень благополучия и того, как они бы его оценили, если бы им задали этот вопрос после события. Смещения в сторону более высоких оценок участники эксперимента могли сами предсказывать заранее: в случае негативных событий в жизни предсказание о фактическом благополучии в среднем оказывалось ниже, чем предсказание о заявленном благополучии 💁‍♂️

🟠В чем счастье, брат?
Исследованию факторов, которые могут быть связаны со субъективным благополучием, посвящено множество статей. Но мы хотим с вами поделиться очень красивым материалом проекта Pudding о невидимой эпидемии, которая незаметно поразила наше общество -- одиночестве. Исследуя данные отдельных людей, Алвин Чанг (здесь можно подробнее почитать о том, как он дошел до жизни такой готовил материал) показал, что для субъективного благополучия важно не то, чем именно мы занимаемся, а с кем мы этим занимаемся 👋

Если у вас еще есть свободные вечера на неделе/выходные, выходите из изоляции и встречайтесь с другими людьми! ❤️

* ТГ не дает сделать 10 вариантов в опросе, поэтому наши оценки даже с учетом всех смещений в выборке могут быть немного завышенными

#канал_объясняет
#канал_обозревает
#канал_рекомендует
@causal_channel

Создаем словарь исследователя: А — Академический туризм ❤️

Одно из преимуществ в работе исследователем — академический туризм —возможность посещать научные мероприятия за пределами своего города или даже страны. С одной стороны, это отличная возможность сменить обстановку и контекст, чтобы встретиться с коллегами, завести новые знакомства, обсудить проекты и идеи. С другой стороны, узнать новое, а заодно посмотреть новые локации и потуристить чуть-чуть 🍦

Например, на этой неделе мы вдохновлялись на новые посты и исследования на IV Конгрессе молодых ученых, который сейчас проходит в Сириусе (Сочи) 💕

Новые и старые знакомства, интересные доклады и стенды и море идей, впечатлений и Чёрное море, конечно ☀️

Спонсор поста и начала академического алфавита на нашем канале — 😊

#канал_уведомляет
#канал_создаёт_словарь_исследователя
@causal_channel

Декабрь - месяц тяжелый🤯, поэтому на этой неделе мы решили расчехлить нашу любимую рубрику, (почти) ради которой и создавался этот канал 👏
#канал_пытается_шутить
@causal_channel

🕵️‍♂️ Как найти причину? История развития причинного анализа

Причинно-следственный анализ стал одним из самых мощных инструментов современной науки. Сегодня он лежит в основе доказательной политики и помогает отвечать на вопросы о том, что действительно работает. Но откуда он появился? Давайте разберемся!

⛳ 1. Философские истоки: как всё начиналось?

Идея причинности уходит корнями в философию 🤯 С древних времен люди пытались понять, как одно событие влияет на другое, но систематический подход появился лишь в XVIII-XIX веках

⭐️Дэвид Юм сомневался, что мы можем доказать истинные причинно-следственные связи. Мы видим только последовательность событий, а не сами причины
⭐️Джон Стюарт Милль предложил методы согласия и различия — логические основы для анализа причинности

Эти идеи не были математически формализованы, но задали направление для будущих поколений исследователей

⛳ 2. Начало количественного подхода: статистическая революция XX века

С развитием статистики в начале XX века причинно-следственный анализ стал более строгим и количественным

⭐️Ежи Нейман предложил концепцию потенциальных исходов (potential outcomes). Каждый объект имеет два возможных результата: с воздействием и без него. Однако мы можем наблюдать только один из них. Этот факт носит название фундаментальная проблема причинного вывода (fundamental problem of causal inference)
⭐️Рональд Фишер популяризировал рандомизированные контролируемые эксперименты (Randomized controlled trial, RCT) 🎲 Показал, что случайное назначение групп позволяет устранить предвзятость и определить истинные несмещенные причинные эффекты

Эти идеи стали основой для строгого анализа данных в науке, включая исследования в сельском хозяйстве и медицине

⛳ 3. Революция в социальной науке: роль Принстона в 1970-х годах

В 1970-х годах Принстонский отдел трудовых отношений стал центром инноваций в эмпирической экономике 👍

⭐️Орли Ашенфельтер предложил метод разности разностей (Difference-in-Differences, DiD), который позволяет измерять влияние событий или программ, сравнивая изменения в двух группах — участвующих и не участвующих в программе
⭐️Роберт Лалонд показал, что традиционные методы, такие как обычный метод наименьших квадратов (Ordinary least squares, OLS), не всегда могут выявить истинные причинно-следственные связи. Это привело к повышению интереса к экспериментам и квазиэкспериментам

Принстонская школа сделала акцент на прозрачности и достоверности эмпирических исследований, критикуя недостатки существующих методов

⛳ 4. Инструментальные переменные и Гарвардская теорема LATE

В 1980–1990-х годах развитие причинно-следственного анализа вышло на новый уровень благодаря междисциплинарному подходу 👋

⭐️Джошуа Ангрист использовал метод инструментальных переменных (Instrumental variables, IV), чтобы оценить эффект службы в армии на доходы. Его работа основывалась на случайной лотерее призыва, что сделало его результаты валидными и убедительными
⭐️Хидо Имбенс и Дональд Рубин совместно разработали теорему о локальной оценке эффекта воздействия (LATE, Local Average Treatment Effect), которая объясняет, как можно измерить эффекты в условиях несоблюдения назначения групп воздействия

Теорема LATE стала важной вехой, предоставив строгую теоретическую базу для анализа сложных данных и сделав инструментальные переменные доступными для широкой аудитории

⛳ 5. Современные достижения: интеграция теории и практики

Сегодня причинно-следственный анализ — мощный инструмент для принятия решений

⭐️Доказательная политика (evidence-based policy): методы каузального анализа применяются повсеместно — от оценки образовательных программ до экономической политики
⭐Много внимания ученых сосредаточено на разработке методов для оценки сложных дизайнов воздействия 👨‍💻
⭐️Слияние теории и эмпирики: объединение философии, статистики и экономики позволило сделать революционные открытия и решать сложные социальные задачи

Источник: подготовлено на основе материалов Скотта Канингема [1, 2, 3]

#канал_обозревает
#канал_рекомендует
@causal_channel

📝 С чего начать свой путь в causal inference?

🟠Изучение новой сферы всегда проходит быстрее и эффективнее, когда рядом есть качественный проводник. Выбор литературы по причинно-следственному анализу довольно велик и очень быстро увеличивается. Обилие разных книг, учебников и хэндбуков может вызывать сложности и растерянность у начинающих 📖 Про то, с каким темпом появляются новые статьи, вообще молчим, но может расскажем в следующий раз 📖

🟠Несколько лет назад мы нашли отличную схему выбора, которая поможет вам определить, какая книга подходит именно вам, в зависимости от ваших целей, уровня подготовки и интересов, составленную Брэди Нилом. Она нам так понравилась, что мы решили её дополнить свежими изданиями, которых с тех пор появилось довольно много, и поделиться с вами (внутри ячеек издания отсортированы по году)

🟠Будем рады, если она поможет вам и станет путеводителем в этой динамичной и быстро меняющейся теме!

🟠Эти и другие полезные источники по эконометрике вы можете найти в нашем репозитории на гитхаб. Также на гитхабе есть материалы к некоторым нашим исследованиям и собранные нами данные

Дисклеймер: мы не читали все книги от начала до конца, но считаем, что достаточно с ними знакомы, чтобы учесть их специфику при составлении схемы

#канал_рекомендует
@causal_channel

А что у вас на графике и где оно живет? 👍

Мы обещали вам пост про графики, а заодно собрали наиболее часто встречающиеся ошибки, которые мы с коллегами обнаружили в домашках студентов по курсу, не связанному со статистикой 👨‍💻

📟О чем вообще график?
График - самостоятельное произведение, которое (даже если оно вписано в текст) грустит без заголовков/названия, легенды и подписей осей (с указанием единиц измерения). В идеале к графику делать заголовки, рассказывающие некоторую историю, которую видно на графике. С одной стороны, это позволит читателю, который невнимательно читает ваш текст, тоже что-то понять из того, что вы хотели сказать. С другой стороны, например, если график вдруг вырвут из контекста, им сложно будет пользоваться для манипуляций 😤

📟Форма графика и разбиение данных
Для того, чтобы график был информативным, необходимо правильно подобрать для него форму и агрегирование данных: базовые разбиения на бины в статистических пакетах могут искажать смысл (например, если у вас целочисленные значения) или скрывать аномалии, которые были бы вам полезны у исследовании
🟢Наиболее частые ошибки🕵️‍♂️, которые нам встретились в этой части: (1) для категориальных переменных использование дробных бинов (для целочисленных ответов) или использование их как числовых (у нас были рыбаки, ловящие рыбу на море "1" и на озере "0" -- 0.5 по месту проживания -- это где?); (2) для распределения взносов в экспериментах некоторые строят распределение ответов по порядку их кодировки. Обычно такие графики малоинформативны, но доапдейченные до хитмэпа их можно использовать для оценки частотности вариантов ответа или пропусков (например, как наш график в этом посте)

📟Контекст 👍
Не стесняйтесь отмечать отдельные области, периоды, давать пояснения к аномалиям - это не только красиво, но облегчит восприятие вашего графика. На графике можно также использовать цветовые акценты

📚 Что еще почитать про визуализацию (источников много, рекомендации субъективны):
➖ Графики, которые убеждают всех (Александр Богачев)
➖ Основы визуализации данных. Пособие по эффективной и убедительной подаче информации (Клаус Уилке)
➖ Данные: визуализируй, расскажи, используй. Сторителлинг в аналитике (Коул Нафлик)
➖ Если вы пользуетесь R, то есть много хороших источников для вдохновения: например, вот или вот
➖ Совсем для новичков или тем, у кого нет времени, могут быть полезны слайды лекции Ани Мальковой, которую она читала на «Кружке любителей эконометрики» - прародителе «Экономики за жизнь», которую мы горячо всем рекомендуем
➖ А еще коллеги, занимающиеся датавизом, собрали хорошую папку с тематическими каналами

#канал_рекомендует
@causal_channel

🤔 Образовательные программы для тех, кто хочет освоить современные методы анализа причинно-следственных связей

Конец года🎄— не только время для подведения итогов, но и для мечтания и планирования будущих дел.
Обратите внимание на эти программы, если в новом году вы хотите развить навыки в эконометрике, каузальном анализе и оценке воздействия.
Состав спикеров отличный! 🔥

🎓 MITx: Designing and Running Randomized Evaluations
📍 Онлайн
⏰ Дедлайн подачи заявок: только дедлайн оплаты 5 марта 2025 года
🗓 Время проведения: январь-апрель 2025 года
📝 Темы: проектирование и проведение рандомизированных контролируемых экспериментов; сэмплинг, рандомизация и размер выборки; оценка; сбор и управление данными; дизайн анкеты; целостность, прозрачность и воспроизводимость исследований
💵 Цена: доступ бесплатный, сертификат — $1000
👨‍🏫 Преподаватели: Рэйчел Гленнерстер (University of Chicago) — специалист по экономике развития; Эстер Дюфло (MIT) — лауреат Нобелевской премии по экономике, эксперт по борьбе с бедностью

🎓 MITx: Data Analysis for Social Scientists
📍 Онлайн
⏰ Дедлайн подачи заявок: только дедлайн оплаты 5 марта 2025 года
🗓 Время проведения: январь-апрель 2025 года
📝 Темы: анализ данных в R; основы теории вероятностей и математической статистики; сбор и описание данных; причинно-следственная связь, анализ рандомизированных экспериментов и непараметрическая регрессия; линейные модели; практические проблемы регрессий и смещение из-за пропущенных переменных; эндогенность, инструментальные переменные и планирование эксперимента; машинное обучение и визуализация данных
💵 Цена: доступ бесплатный, сертификат — $1000
👨‍🏫 Преподаватели: Эстер Дюфло (MIT) — лауреат Нобелевской премии по экономике, эксперт по борьбе с бедностью, Сара Фишер Эллисон (MIT) — специалист в области отраслевых рынков, автор учебника "Data Analysis for Social Scientists: A Foundational Crash Course"

🎓 CodeChella Madrid
📍 CUNEF Universidad, Мадрид, Испания
⏰ Дедлайн подачи заявок: регистрация открыта до заполнения мест
🗓 Время проведения: 27–30 мая 2025 года
📝 Темы: обзор разности разностей; разность разностей с ковариатами и дважды устойчивый DiD; как написать исследовательскую работу с DiD; проблемы со ступенчатым воздействием; современные подходы к оценке DiD; синтетический контроль; продвинутый синтетический контроль и факторные модели
💵 Цена: $220 для студентов, $300 для постдоков, $500 для преподавателей
👨‍🏫 Преподаватели: Скотт Каннингем (Baylor University) — эксперт по DiD, Кайл Баттс (Colorado State University) — специалист по синтетическому контролю

🎓 Summer School in Advanced Economics
📍 University of Ioannina, University of Piraeus, Остров Спецес, Греция
⏰ Дедлайн подачи заявок: 12 июня 2025 года (10 мая 2025 года -- для ранней регистрации)
🗓 Время проведения: 22–27 июня 2025 года
📝 Темы: инструментальные переменные, разность разностей, синтетический контроль, машинное обучение
💶 Цена: 650 € (при оплате до 10 мая 2025 года), 750 € — при поздней оплате. 300 € для сопровождающего лица
👨‍🏫 Преподаватели: Джеффри Вулдридж (Michigan State University) — эксперт в эконометрике, Педро Сант'Анна (Emory University) — специалист по каузальному анализу

#канал_зовёт
@causal_channel

Недавно мы делились с вами большой подборкой книг по анализу причинно-следственных связей, которая нашла много откликов и реакций 🤩
Хороших источников много не бывает, поэтому сегодня в предпраздничный выходной хотим с вами поделиться подборкой ресурсов, связанных с анализом данных, от Евгения Матерова -- автора канала Наука и данные
А еще вы всегда можете предложить свой источник и нам (например, написать на адрес в описании канала), и Евгению -- будем развивать комьюнити вместе 👋

#канал_рекомендует
@causal_channel

📖 Обновление книги по причинно-следственному анализу

Мы постепенно возвращаемся с каникул и собираемся вновь начать радовать вас постами! 👋

А пока все отдыхали, 2 января Джеймс Робинс и Мигель Эрнан опубликовали новую версию своей книги, посвящённой методам каузального анализа -- «Causal Inference: What If». Книга будет полезна всем, кто занимается изучением причинно-следственных связей: эпидемиологам, статистикам, психологам, экономистам, социологам, политологам и специалистам в области Data Science

📥 Скачать актуальную версию книги

Кроме того, вы можете пройти бесплатный онлайн-курс Мигеля Эрнана «Causal Diagrams: Draw Your Assumptions Before Your Conclusions», который доступен на платформе edX. В курсе вы научитесь использовать причинно-следственные диаграммы для улучшения проектирования исследований и анализа данных

Что вы узнаете на курсе:
🟠Как перевести экспертные знания в причинно-следственную диаграмму
🟠Как строить диаграммы при разных предположениях
🟠Как выявлять распространённые типы смещения
🟠Как использовать диаграммы для корректного анализа данных

#канал_рекомендует
@causal_channel

👁 Что мы видим — в то и верим: как выборочная информация искажает наше восприятие?

Мы часто делаем выводы, основываясь на той информации, которая у нас перед глазами. А что, если многое из того, что нам нужно знать, скрыто? Сегодня мы расскажем об исследовании профессора Гарварда Бенджамина Энке (Benjamin Enke), которое показывает, как наше мышление обманывает нас и почему мы «доверяем» только видимой части реальности

👨‍🔬 Суть эксперимента
🟠Исследование, опубликованное в The Quarterly Journal of Economics, изучало, как люди делают выводы, когда им показывают лишь часть данных. Участникам предлагали оценить «состояние мира» — среднее значение из шести случайных чисел. Примерно так же, как если бы вам предложили предсказать среднюю температуру дня, зная температуру только нескольких часов
🟠Участники делали два прогноза: сначала бинарный — среднее выше или ниже определённого порога, а затем — точное значение. Хитрость и красота эксперимента в том, что одним показывали только те числа, которые совпадают с их предварительными убеждениями (например, числа выше 100), другим — полный набор данных
🟠В процессе чтения статьи это напомнило нам другую, но очень похожую ситуацию, когда начинающие аналитики данных заполняют пропуски, чтобы получить «чистую» таблицу. Однако пропуск — это не всегда плохие данные. Иногда он сам по себе является информацией. Например, пропуски в анкетах иногда говорят не о невнимательности респондента или нерадивости интервьюера, а о чувствительности вопроса. Если множество опрошенных пропускают вопрос о доходах или политических предпочтениях, это может указывать на их дискомфорт или недоверие к исследованию

💡 Что получилось?
🟠Те, кто видел выборочные данные, делали систематические ошибки: их прогнозы значительно отличались от тех, кто видел полную картину
🟠 60% участников полностью полагались на видимую информацию, не задумываясь о том, что они пропустили «невидимую» часть. Они буквально следовали правилу «то, что вижу, — и есть правда». В научной литературе это называют принципом «What You See Is All There Is» (WYSIATI). Самое пугающее здесь -- что, согласно оценкам мета-исследования Ксавье Габэ (Xavier Gabaix), мы воспринимаем около 44% информации, которая потенциально есть в нашем распоряжении

❓ Почему так происходит?
🟠Причина кроется в ментальных моделях (иногда их называют эвристиками, шорткатами - shortcuts) — упрощённых шаблонах, которые мозг создаёт для обработки информации. Когда сложность задачи возрастала (например, сигналы были более разнообразными), ошибки усиливались
🟠Но самое интересное: если участникам давали подсказку, обращающую их внимание на недостающую информацию, ошибки снижались на 50%! Это свидетельствует о том, что проблема не в сложности расчётов, а в том, что люди просто забывали подумать о том, чего они не видят

🤑 А что, если людям просто заплатить за внимательность?
🟠В другом исследовании Бенджамин Энке с соавторами показывают, что, если людям платят за выполнение заданий, то число допускаемых ошибок не снижается, хотя увеличивается время, потраченное на выполнение задания

👩‍💻 Примеры из жизни
🟠В соцсетях вы видите публикации, которые согласуются с вашими интересами и мнением, но не видите противоположной стороны. Например, новости про любимого кандидата могут быть исключительно позитивными, в то время как его ошибки остаются за кадром. Усиливать эффект от неполноты информации в этом случае может смещение к подтверждению*, которое вызывает мотивированные убеждения (motivated reasoning) (Thaler, 2024)

⁉️ Почему это важно?
Мы сталкиваемся с выборочной информацией каждый день: новости, соцсети, личные разговоры — всё это фильтруется в соответствии с нашими ожиданиями. Представьте заголовок «Сегодня ни одна страна не ввела новых санкций» — такие сообщения практически не появляются в лентах, хотя они важны для понимания общей динамики

#канал_обозревает
@causal_channel