Ранее мы уже рассказывали про развитие микросимуляционных моделей с открытым кодом, позволяющих моделировать эффекты от реформ в налоговом администрировании. Такие модели получают развитие, и вслед за Policy Simulation Library (PSL), которая - с последнего нашего упоминания о ней - заапгредилась в части новых библиотек (появились модели оценки поведенческих факторов населения при изменении подоходного налога, макроэкономические оценки общего равновесия, новые python-библиотеки Tax-Brain) к PSL подключился новый проект PolicyEngine, который использует репрезентативные микроданные опросов домохозяйств (US, UK) и позволяет пользователям моделировать системы налогообложения и льгот в США и Великобритании, предоставляя в том числе low-code платформы (подробнее на странице youtube проекта), которые дают возможность разрабатывать индивидуальные реформы налоговых льгот и видеть, как они влияют на население (бюджет домохозяйств, уровень бедности и неравенство).

Проекты, аналогичные PSL, кратно повышают ценность микроданных выборочных опросов населения, позволяя видеть потенциальные эффекты от планируемых реформ, повышая открытость данных и популяризируя культуру доказательной политики. К сожалению, на сегодняшний день такие решения на данных выборочных обследований Росстата имплементированы только в нескольких российских вузах, не являясь при этом открытыми. Зачастую эти решения выступают инструментами монополии на определенного рода экспертизу конкретного вуза. Отсутствует open-source площадка, где научные школы могли бы развивать подходы к микросимулированию налоговых (и не только) реформ в стране. Такая площадка могла бы стать хорошим проектом для организаций из научной отечественной институциональной среды. А солидарность исследовательских школ к подходам, порядку и механикам расчетов микросимуляционных моделей могла бы лечь в основу стандартов оценки реформ на уровне реализации госполитики. «Так поставим перед собою цель — высшее благо, чтобы стремиться к ней изо всех сил и иметь ее в виду в каждом деле, в каждом слове» )

@evidencespace

Всем привет!
На майской конференции МТС у меня было выступление с докладом про Causal Inference (причинно-следственный анализ) по мотивам проекта, который мы реализовывали вместе с командой.
На примере оценки эффекта от нетаргетированной кампании рассказываю про этапы в работе по оценке эффекта от нетаргетированного предложения.
Этапы:
- построение причинно-следственного графа
- определение корректного набора переменных для оценки эффекта
- непосредственно оценка эффекта

Делюсь ссылкой. Будем рады вопросам😉

https://www.youtube.com/watch?v=oyQsIx-JjAU

#учебники #textbook #методы #methods #learning #Causal_Inference #CI

В преддверии стремительно (особенно для преподавателей) приближающейся летней школы ЛССИ по методам статистического причинно-следственного вывода (ака causal inference) публикуем небольшой список учебников и других образовательных ресурсов по теме, который читатели нашего канала могут найти для себя полезными.

Перечень, разумеется, далеко не полный: в этой области давно уже наступила технологическая текстовая сингулярность - пока прочитаешь один учебник, опубликуют ещё восемь. Представленные в списке источники отображают в первую очередь читательский опыт авторов курса, чьи память и свободное время ограничены и не позволяют объять необъятное. Поэтому не ругайтесь сильно, если мы упустили что-то интересное и важное - лучше просто напишите нам и поставьте в известность.

Итак, вот что мы рекомендуем:


Основные учебники

Cunningham, S. (2021). Causal Inference: The Mixtape. Yale University Press. Доступен в электронном виде: https://mixtape.scunning.com/index.html

Hernán M., and J.M. Robins. (2020). Causal Inference: What if. Boca Raton: Chapman & Hall/CRC. Обновленный вариант препринта доступен в электронном виде (и с примерами кода, причём не только в R!): https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/


Дополнительные учебники:

Ding, P. (2024). A first course in causal inference. CRC Press. Препринт доступен в электронном виде: https://arxiv.org/abs/2305.18793. Много примеров в R, которые позволяют понять механику соответствующих расчётов в терминах кода. Может быть сложновато для новичков, но зато идеально для тех, кто хочет понять, как статистический причинно-следственный вывод работает «под капотом» с программно-вычислительной точки зрения.

Morgan, S. L., & Winship, C. (2015). Counterfactuals and causal inference. Cambridge University Press. Используют много каузальных диаграмм (DAGs/НАГов). Однако и стандартную перспективу Рубина и др., а также классические дизайны эти авторы излагают неплохо.

Imbens, G. W., & Rubin, D. B. (2015). Causal inference in statistics, social, and biomedical sciences. Cambridge University Press. Самый математически нагруженный учебник из всех. Для тех, кто любит формулы и доказательства, а также готов разбираться с ними без соответствующего кода. Зато написан нобелиатом вместе с крёстным отцом всей дисциплины.

Angrist, J., and J. Pischke. (2008). Mostly Harmless Econometrics: An Empiricist's Companion. Princeton University Press. Не баян, а Классика, но примерно гомеровских времён. База изложена понятно и достойно, хотя детали относительно конкретных методов во многом уже устарели.

Chernozhukov, V., Hansen, C., Kallus, N., Spindler, M., & Syrgkanis, V. (2024). Applied causal inference powered by ML and AI. Доступен в электронном виде (с примерами в Python и R): https://causalml-book.org/. Помимо классических тем (потенциальные исходы, стандартные обсервационные дизайны, НАГи) много внимания уделяется интеграции каузального вывода и методов машинного обучения с акцентом на сценарии с реально большими данными. Много математики, зато очень пригодится, если вы хотите решать по-настоящему сложные прикладные задачи. Также есть отличный сайт-компаньон, посвященный одному из семейств методов, рассматриваемых в книге: https://docs.doubleml.org/stable/

Deng, A. (2021). Causal Inference and Its Applications in Online Industry. Доступен в электронном виде: https://alexdeng.github.io/causal/. Это черновик, причём, насколько можно судить, заброшенный. Однако даёт хорошее представление о том, как с методами каузального вывода работают в онлайн-индустрии. Впрочем, будет полезен и для тех, кто планирует научную карьеру и интересуется онлайн-процессами и/или большими данными.

Blair, G., Coppock, A., & Humphreys, M. (2023). Research design in the social sciences: declaration, diagnosis, and redesign. Princeton University Press. Доступен в электронном виде: https://book.declaredesign.org/. Это не про причинно-следственный вывод в чистом виде, а про ex ante количественную оценку сильных и слабых сторон исследовательского дизайна с помощью статистических экспериментов, но идеи и принципы, изложенные в этой книге, окажут вам неоценимую помощь при анализе каузальных вопросов на практике.

Pearl, J., Glymour, M., & Jewell, N. P. (2016). Causal inference in statistics: A primer. John Wiley & Sons. Хорошее нетехническое введение в теорию направленных ациклических диаграмм (НАГов), но (мнение первого автора курса, а также, например, лауреата премии Шве́дского национа́льного ба́нка по экономи́ческим нау́кам па́мяти А́льфреда Но́беля Гвидо Имбенса) не особо полезное с точки зрения решения прикладных задач в социальных науках/оценке эффективности. То же самое замечание можно в целом предъявить и другим учебникам Пёрла и соавторов, да и математики в них больше, а их доступных бесплатных pdf-версий в информационно-телекоммуникационной сети «Интернет» – меньше.

Еще более дополнительные учебники

Вот ещё несколько учебников, которые могут кому-то оказаться полезными и доступны онлайн. Однако доступные ресурсы памяти и свободного времени у авторов ограничены, поэтому подробные отзывы предоставить [пока] не можем. Так что ограничимся ссылками:

Huntington-Klein, N. (2021). The effect: An introduction to research design and causality. Chapman and Hall/CRC. Доступен в электронном виде (с примерами в R, Python и Stata): https://theeffectbook.net/.

Barrett, M., D’Agostino McGowan, L. (2024). Causal Inference in R. Черновик. Доступен в электронном виде: https://www.r-causal.org/.

Bauer, P. (2020). Applied Causal Analysis (with R). Черновик. Доступен в электронном виде: https://bookdown.org/paul/applied-causal-analysis/.

Chabe-Ferre, S. (2024). Statistical Tools for Causal Inference. Черновик. Доступен в электронном виде: https://chabefer.github.io/STCI/.

Brumback, B.A. (2021). Fundamentals of causal inference: With R. Chapman and Hall/CRC.


P.S. И вот ещё немного полезных ссылок на закуску:

- Материалы курса (для политологов) Мэттью Блэквелла, прочитанного в Гарварде в 2022 году: https://mattblackwell.github.io/gov2003-f21-site/.

- Материалы курса (для политологов) Сайруса Самии, прочитанного в Нью-Йоркском университете (NYU) в 2024 году: https://cyrussamii.com/?page_id=3893.

-Материалы курса (для экономистов) Кирилла Боруcяка, прочитанного в Беркли в 2023 году: https://github.com/borusyak/are213.

- Материалы курса (для политологов) Косуке Имаи, прочитанного в Гарварде (NYU) в 2021 году: https://imai.fas.harvard.edu/teaching/cause.html

- Список пакетов R, в той или иной сфере затрагивающих проблематику статистического причинно-следственного вывода: https://cran.r-project.org/web/views/CausalInference.html.

- Личная страница Джуды Пёрла на сайте UCLA: https://bayes.cs.ucla.edu/jp_home.html. А также его блог, в котором в том числе публикуются интересные обзоры на свежую литературу: https://causality.cs.ucla.edu/blog/.

#wylse

Сейчас должно быть интересно исследователям вопросов неравенства. Oxford Open Economics опубликовал один из обзоров IFs Deaton на тему взаимосвязи неравенства и здоровья населения. Основной вопрос, на который пытается ответить обзор: «Какова причинно-следственная связь между здоровьем и неравенством?». Вот некоторые инсайты обзора:

I. Приводит ли плохое здоровье к экономическому неравенству? (умеренная связь)
1. Ухудшение здоровья объясняет до 15% снижения занятости населения в возрасте от 50 до 70 лет [1]
2. Шоки связанные с ухудшением здоровья детей в перинатальный и / или в ранние периоды после рождения (инфекционные заболевания, вирусы, материнский стресс, отсутствие доступа к первичной медико-санитарной помощи) имеют долгосрочные негативные последствия в части снижения доходов [2] [3] [4]
3. Начало депрессии, биполярного расстройства и шизофрении связано с сокращением доходов на 34%, 38% и 74% [5]

II. Приводит ли экономическое неравенство к ущербу здоровья? (слабая связь)
1. Экономическое неравенство имеет опосредованное влияние на ущерб здоровью, прежде всего, через депривацию и ограничение доступности к качественной медицинской помощи [6] [7] [8]
2. Один из механизмов снижения дифференциации в части доступа различных слоев населения к медицинской помощи - ОМС (косвенно эту гипотезу авторы обсуждают здесь - [9])

III. Приводит ли экономическое неравенство к росту «смертности от отчаяния»? (слабая связь)
1. Эксплицитной связи не наблюдается, но наблюдается влияние на смертность от отчаяния (суицид, смертность от наркотических веществ и пр.) среди мужчин в результате потери работы [10]

Также обзор рассматривает оценки известных программ Food Stamp Program, Medicare и перечень законов, которые снизили смертность в США от опиоидов.

@evidencespace

#wylse

В продолжение темы выше. NBER публикует работу профессорски экономики Калифорнийского университета в Лос-Анджелесе Адрианы Льерас-Мани, в которой коллеги продолжаю исследовать доказательства (на массиве данных США) того, как бедность / уровень доходов населения влияют на общие показатели здоровья (поскольку доступ к статьям NBER иногда лимитирован - прикрепляем статью к посту). Исследователям работа может быть интересна, так как в ней подробно обсуждаются подходы к моделям оценки влияния дохода на здоровье, в частности: разбирается гипотеза того, что доход сам по себе является функцией здоровья (обратная причинно-следственная связь); рассматриваются много конфаундеров (см. подробнее в работе), которые дополнительно влияют на переменные дохода и здоровья. Фактически статья открывает большой спектр исследовательских вопросов, которые можно брать в работу, особенно актуальными в этом смысле являются исследования по сравнению стратегий гос. воздействия на здоровье населения.

Некоторые инсайты:
1. Здоровье улучшается с увеличением дохода, причем в большей степени среди бедных.
2. Бедность не обрекает людей на плохое здоровье: иными словами деньги или их отсутствие напрямую не влияют на здоровье.
3. Трансферты, субсидии и иные аналогичные программы прямого воздействия на доходы населения значительно влияют на материнское здоровье и здоровье детей.
4. Ранние образовательные программы обладают потенциалом для улучшения здоровья бедных слоев населения и снижения неравенства.

Кроме самого исследования интересны свежие референсы на другие смежные работы, которые освещают в т.ч. результаты различных РКИ по теме госполитики в области здравоохранения и роста уровня дохода.

@evidencespace

Statistical rethinking

Книга Statistical rethinking пережила второе издание, готовится третье и дала повод для основы известного курса по анализу данных, в котором используется байесовский анализ данных. Также, книга породила ряд различных "переосмыслений", например:

▪️ Statistical rethinking with brms, ggplot2, and the tidyverse: Second edition (A Solomon Kurz)

▪️ Statistical Rethinking 2 with Stan and R (Vincent Arel-Bundock)

▪️ Statistical Rethinking 2 with Stan and the tidyverse (Vincent Arel-Bundock)

▪️ Statistical Rethinking: Solutions (2nd Edition)

В настоящий момент A. Solomon Kurz работает над еще одной книгой Statistical rethinking 2 with rstan and the tidyverse, код в этой книге в большей мере сосредоточен на воспроизведении моделей и первичном анализе данных с помощью связки rstan + tidyverse, а James H Wade сделал набросок Statistical Rethinking with Tidymodels.

Имплементация разности разностей с многовременными периодами (Difference-in-Differences with Multiple Time Periods - csdid), - вариация DiD, разработанная Каллауэй и Сант-Анной, - подробно описанная в части инструментов Stata и рассказанная на их же воркшопе, о котором мы писали в древние времена, теперь доступна и в пакетах python 🐍.

Классический DiD - одна из самых популярных исследовательских конструкций, используемых для оценки причинно-следственных эффектов политических вмешательств. На отечественных данных DiD отлично разобран в работе Центра перспективных управленческих решений: От избрания к назначению. Оценка эффекта смены модели управления муниципалитетами в России. А вот csdid отличается от последнего тем, что оценивает ни один эффект на одном промежутке времени, а их совокупность (эффекты для группы, подвергшейся воздействию, в заданные моменты времени). На то, как работают оценки csdid можно посмотреть в таких работах, как:

1. Оценка влияния минимальной заработной платы на занятость подростков (собственно работа Каллауэй и Сант-Анны)
2. Влияние повышения минимальной заработной платы на курение: квазиэкспериментальное исследование в Южной Корее
3. Влияние обязательного оплачиваемого отпуска по болезни на занятость женщин и экономическую безопасность
4. Оценка влияния субсидий на уход за детьми на рождаемость

Just DiD it 🙂🙃

@evidencespace

Open AI анонсировала старт грантового конкурса по линии фондов AI for Economic Opportunity Fund, GitLab Foundation и Ballmer Group. Основной целью конкурса является развитие и продвижение больших языковых моделей (LLM - large language models) для создания экономических возможностей и стимулирования роста доходов. На первом этапе 14 проектов получат финансирование минимум от $3,5 млн, на втором - фонды предоставят 1-летние или 2-летние гранты от $500 тыс. до $1,5 млн для масштабирования 6 лучших проектов первого этапа. Прием заявок до 16 октября 2024 года.

@evidencespace

Китайская ByteDance (одна из совладельцев TikTok) зарелизила библиотеку CausalMatch python, позволяющую использовать такие методы балансировки и корректировки исходных данных (мэтчинга), как Coarsened Exact Matching (CEM) и Propensity Score Matching (PSM), и, судя по всему, планирует развивать репозиторий, как «исследовательский проект, направленный на интеграцию передовых методов машинного обучения и эконометрики для автоматизации процесса принятия решений». Имплементацию библиотеки CausalMatch можно посмотреть в разделе репозитория Usage Examples.

Методы балансировки или псевдорандомизации часто используются в ходе применения квазиэкспериментальных механик, с помощью которых мы пытаемся восстановить состояние контрольной группы до вмешательства (контрфактическое состояние), и позволяют нам, собственно, определить / выявить псевдо-контрольную группу в нашей выборке. Например, в работе Оценка политики слияний вузов в российской системе высшего образования PSM используется для того, чтобы выявить ВУЗы, которые не были подвергнуты слиянию, но по своим производственным характеристикам очень похожи на те ВУЗы, которые такому слиянию подвергнуты были. В дальнейшем, используя разрывную регрессию (о ней мы писали здесь) и сравнивая экспериментальную и псевдо-контрольную группы, мы можем наблюдать и оценивать наличие или отсутствие эффектов от проведения политики слияния ВУЗов. Вот некоторые выводы исследования #wylse:

1. Объединенные университеты демонстрируют больший прирост эффективности в течение рассматриваемого периода
2. Обнаруженный эффект может быть интерпретирован именно как влияние политики слияний на эффективность вузов
3. Однако этот эффект обнаруживается только около точки разрыва (это значит, что наиболее выражен он среди ВУЗов близких друг к другу по производственным характеристикам)
4. Ограничение: эффект работает в кратко- и среднесрочном периоде; является ли эффект долгосрочным?

@evidencespace