アカデミックな計量経済学者はしばしば因果関係の決定に興味を持っています。私が聞く民間部門の統計/データサイエンスの仕事はすべて、予測モデルのみを探しているようです。

因果関係を調査する民間部門の仕事（または政府の仕事）はありますか？

私は、観測データまたは欠陥のある実験データとの因果推論に取り組む技術のエコノミストです。ほとんどの大手テクノロジー企業には、価格設定、マーケティング、および製品設計に関する応用研究を行う私のような人々がいます。一部の企業には公共政策チームもあります。

ウェブの実験に携わる人もたくさんいます。これははるかに大きなグループです。

最後に、特定の種類の経済コンサルティング、特に反トラストもあります。これが主な焦点です。

[最初の5つの感情的な応答は打ち切られました。]

それは、率直に言って、このサイトで最も奇妙な質問の1つです。そして、あなたの教授の言うことと実際の生活、つまり象牙の塔の外の生活との間にどれほどの隔たりがあるかを示しています。あなたがそれを覗いているのは良いことです...しかし、あなた（つまり、経済学の博士課程の学生）は間違いなくこれをもっと頻繁に行う必要があります。

はい、学問の外では、人々（驚き、驚き）が因果推論方法を使用する仕事があります。そして（驚き、驚き）論文を発表します。私の回答は米国固有ですが、他の国でも同様の組織を見つけることができると確信しています。

• 例1（仕事で社内でよく知っているからです）。私は、大規模な契約研究機関であるAbt Associatesの子会社で働いています。50か国で約2,300人を雇用しており、そのほとんどが評価調査の実施または支援、介入の実施に取り組んでいます。トップ6の技術者（シニアフェローと呼ばれる）の1人であるJacob Klermanは、評価レビューの編集者です。、編集者の委員会を監督し、そのうち約5/6が所属している学術機関。それはあなたのための民間部門の例です。（会社のポジション広告をチェックして、そのような会社がどのようなスキルを求めているかを具体的に確認してください-誰もがJOEで宣伝しているのは確かではありません。 craftな計量経済学者を雇うために。）
• 例2（このプロジェクトを他の会場から始めた人々を知っているので、私はそれにはなじみがあります）：What Works Clearinghouse米国連邦教育省のウェブサイトは、教育プログラムの公開された分析のメタ分析に専念しています。WWCは、因果関係の主張を裏付けるのに十分な厳密さを備えた研究と見なされるものとそうでないものについて具体的な指示が与えられるレビューアーのネットワークを通じて運営されています。その公開された研究のほとんどは絶対にがらくたであることがわかりました。でたらめ。コントロールグループなし。人口統計学的共変量/ベースライン等​​価のバランスのチェックはありません。研究の約3〜5％（査読文献に掲載されているため）は、「留保なしに基準を満たします」-つまり、無作為化、制御された消耗、および実験群の相互汚染の類似性がありました。そして、多少なりとも許容可能な方法で分析を行いました。（ベイズの定理により、「しかし、チューインガムが数学の達成度を高めることが発表された」と誰かが言うのを聞いたとき、「BS」と答えることができます。そして、あなたは90％以上の確率で正しいでしょう。）とにかく、これは連邦ですこれは、政府機関が原因推論ツールの適切な使用を検討する場合の例です。（あなたの名前を研究レビューアとして帽子に投げ入れてください。これはあなたにとって素晴らしい教育経験です。プログラム評価を教えていたら、これを学生に要求していました。）（FDAで働く生物統計学者の場合、データを収集する前に分析コードを送信する必要がありますが、WWC標準はまだ非常に緩いです。）d常に90 +％である。）とにかく、これは連邦政府のプロジェクトであるため、政府機関が因果推論ツールの適切な使用を検討する例です。（あなたの名前を研究レビューアとして帽子に投げ入れてください。これはあなたにとって素晴らしい教育経験です。プログラム評価を教えていたら、これを学生に要求していました。）（FDAで働く生物統計学者の場合、データを収集する前に分析コードを送信する必要がありますが、WWC標準はまだ非常に緩いです。）d常に90 +％である。）とにかく、これは連邦政府のプロジェクトであるため、政府機関が因果推論ツールの適切な使用を検討する例です。（あなたの名前を研究レビューアとして帽子に投げ入れてください。これはあなたにとって素晴らしい教育経験です。プログラム評価を教えていたら、これを学生に要求していました。）（FDAで働く生物統計学者の場合、データを収集する前に分析コードを送信する必要がありますが、WWC標準はまだ非常に緩いです。）

医薬品統計と多くの関連分野では、介入と健康転帰の因果関係が、介入を使用すべきかどうかを決定する際の重要な問題です。無作為化試験（臨床または前臨床）、非無作為化試験または単群試験、実験室試験、メタ分析、有害事象の自発報告に基づく薬物安全性監視、疫学などのサブフィールドがありますマンデリアンランダム化などのアイデアと有効性の調査（保険請求データベースなどの観測データを使用）。もちろん、設計されたランダム化された実験（ランダム化された臨床試験など）では、因果関係の帰属は他のアプリケーションのいくつかよりもやや簡単です。

私は、国内最大の高齢者の紹介サービスであるA Place for Momの研究者です。私たちは、生活支援コミュニティへの移行が生活の質にどのように影響するかを理解することを目的とした調査を設計しました。因果推論はこの研究の中心であり、因果分析の方法（マッチング、選択プロセスのモデリング、平均治療効果の推定など）が不可欠です。

ほとんどの民間部門の状況では、因果関係は気にしません

実際には、一般的な言語の使用にもかかわらず、人々は（よく理解された）因果関係ではなく、よく理解された影響に興味を持っています。

学術的な観点から、知ることは非常に興味深いです：

Aを行うと、結果はBになります

しかし、実用的な観点から見ると、ほとんどすべての状況で、人々が本当に知りたいことは次のとおりです。

Aを実行すると、結果はBになります

確かに、Aの影響に興味があるかもしれませんが、それが本当に原因なのか、この相関関係を作成するために偶然に隠れた原因があるのか​​は、通常それほど興味深いものではありません。

制限に関する注意

あなたは思うかもしれません：しかし、AがBを引き起こすことを知らない場合、その仮定で作業することは非常に危険です。

これはある意味では真実ですが、実際には、心配するだけです。それは機能するのでしょうか、それとも例外がありますか？

これを説明するために、この状況に注意してください。

私がAを行うと、状況Xで、Aのために結果はBになり、Xのために結果はデルタだけ逸脱します。

この状況よりもはるかに有用ではありません（影響を等しく定量化できると仮定）：

状況XでAを実行すると、結果はBになり、結果はデルタだけずれます

簡単な例：引き起こす相関関係

• A：エンジンオイルを補給してください
• B：ブレーキの失敗の減少
• C：車検

論理：Cは常にAとBを引き起こす

結果の関係：Aが上がるとBは上がりますが、AとBの間に因果関係はありません。

私のポイント：AがBに与える影響をモデル化できます。AはBを引き起こしませんが、モデルは依然として正しいので、Aに関する情報があれば、Bに関する情報が得られます。

Aに関する情報を備えたブレーキの失敗に興味がある人は、AとBの関係を知りたいだけで、この関係が因果関係であるかどうかに関係なく、関係が正しいかどうかだけを気にします。