📚Всего пару лет назад мы радовались тому, что по теме причинного вывода начали появляться современные и доступные книги, а теперь наступил новый этап – их авторы выпускают переработанные издания с учётом последних трендов и новых методов

📗 Летом 2025 года увидело свет второе издание книги «The Effect» Ника Хантингтон-Кляйна – одной из самых популярных и доступных по эконометрике и анализу причинно-следственных связей.
В книге появилась новая глава про partial identification, обновились разделы по современным эмпирическим методам, а навигация и практические примеры стали ещё удобнее
🔗 Последняя версия книги
🔗 Видеоуроки к книге

Обзоры первого издания книги делали авторы каналов This is Data и H0H1: про HR-аналитику – рекомендуем и их ревью, и каналы в целом, они отличные!

Кроме того, напомним, что в начале этого года было обновление книги «Causal Inference: What If» Джеймса Робинса и Мигеля Эрнана. А также напоминаем о нашем посте-путеводителе по книгам в сфере причинного вывода

Успехов в учёбе и исследованиях!

#канал_рекомендует
@causal_channel

👎 Как «накрутить» связь между переменными, не подделывая данные?

В своем исследовании Кфир Элиаз, Ран Шпиглер и Яир Вайс (Eliaz, Spiegler, Weiss, 2021) задаются простым, но фундаментальным вопросом:
Насколько сильно может быть искажена оценка корреляции между переменными, если модель, используемая для интерпретации данных, является ошибочной, но при этом проходит тест на корректность?

😢 Почему это важно?
🟤Модели – основа решений: научных, политических, экономических. Ошибки в модели могут приводить к ложным выводам и дорогостоящим последствиям (Piccione, Rubinstein, 2003; Eyster, Piccione, 2013)
🟤Манипуляции нарративами: политики и медиа могут использовать ложные причинные объяснения для искажения реальности и влияния на общественное мнение (Eliaz, Spiegler, 2018)
🟤Стимулы к преувеличению: учёные заинтересованы в демонстрации «сильных» результатов, что подталкивает к оппортунистическому выбору структуры модели (Eyster, Rabin, 2005)
🟤Когнитивные искажения: люди плохо распознают каузальные ошибки и легко верят правдоподобно выглядящим моделям (Spiegler, 2020)
Формальные основы этих искажений: ограниченная рациональность (Piccione, Rubinstein, 2003; Jehiel, 2005), «проклятые убеждения» (cursed beliefs) (Eyster, Rabin, 2005), конкурирующие нарративы и модели (Eliaz, Spiegler, 2018; Montiel Olea et al., 2018)

😢 Базовая постановка задачи
🟤У вас есть реальные, «чистые» данные по многим переменным
🟤Вы не фальсифицируете данные
🟤Но вы можете выбирать какие переменные включать в модель, и как связать их между собой
Цель: убедить аудиторию, что две переменные тесно связаны, даже если на самом деле они независимы
Ограничение: модель должна сохранять предельные распределения (marginal distributions) – модель не должна искажать распределение каждой переменной по отдельности

Суть в том, что даже неспециалист может заметить явные манипуляции в вашей модели, например, если она утверждает, что средний доход равен $200 000, когда в данных – $30 000 (такое ограничение называется Undistorted Marginals Constraint). Но при этом зависимости между переменными (корреляции, причинные связи) – уже не так просто проверить. И именно тут начинается «читерство»

😢 Как работает «обман»?
🟤Исследователь строит направленный ациклический граф (DAG) – стандарт в байесовских сетях и в теории причинности (Pearl, 2009; Koller, Friedman, 2009)
🟤Он вставляет между интересующими переменными оппортунистически подобранную цепочку медиаторов, усиливающую видимую зависимость между началом и концом цепи

😢 Пример: marker hacking
Представим фармацевтическую компанию, которая хочет доказать, что новое лекарство увеличивает выживаемость. Прямой связи нет, но есть:
🟤Краткосрочные данные о реакции биомаркеров на препарат
🟤Долгосрочные наблюдения о связи биомаркеров с выживаемостью

😢 Она строит модель:
Препарат → Биомаркер → Выживаемость
Если биомаркер подобран правильно, то даже при полном отсутствии реальной связи между препаратом и выживаемостью, модель покажет значимую корреляцию

Это приём называется marker hacking – отсылка к p-hacking, но вместо подгонки p-значений происходит подгонка структуры модели. См. также понятие surrogate paradox в (VanderWeele, 2015)

😢 Главный результат
Даже при нулевой реальной корреляции между переменными, можно построить модель, которая покажет почти идеальную зависимость без манипуляций с данными, с сохранением предельных распределений, с использованием легитимного инструментария

😢 Почему это работает?
В статье данный результат аккуратно выведен тригонометрически:
если между двумя точками (переменными) разместить цепочку «промежуточных» точек (медиаторов) с маленькими отклонениями, итоговая зависимость между краями может казаться сильной

😢 Выводы
🟤Даже «правильная» на вид модель может лгать, если у исследователя есть свобода выбора структуры
🟤Проверка распределений не гарантирует достоверности модели
🟤Чем больше у исследователя переменных (в эпоху Big Data – тысячи), тем легче накрутить корреляции

#канал_обозревает
@causal_channel

🔎 Я хочу найти эффект, а где его искать?

Вместе с Никитой Бурловым решили пробить стену междисциплинарности и сделать совместный пост-коллаборацию с каналом Ebm_base – сегодня говорим о том, какие разные бывают эффекты, а в канале Никиты читайте о том, как их правильно оценивать 🔥

Если бы нас попросили пересказать причинный вывод в одном предложении, то мы бы сказали, что это такая подобласть статистики, которая пытается разными способами реконструировать альтернативные судьбы наших наблюдений – значит ли это, что мы изобрели машину времени?

Когда мы оцениваем эффект, мы хотим понять, как изменился показатель в ответ на воздействие. Это может быть изменение состояние здоровья пациента после приёма лекарства, эффект образовательной программы на успеваемость и т.д.

Проблема в том, что если мы уже провели реформу или выдали лекарство, то мы не знаем, что было бы, если бы мы не предприняли это действие – это называется «фундаментальной проблемой причинного вывода» (Holland, 1985)

В идеале нам надо бы путешествовать между альтернативными вселенными и записывать значение зависимой переменной, чтобы посчитать эффект. Эти альтернативные вселенные называются потенциальными исходами – это варианты судеб (гипотетические ненаблюдаемые величины) наших испытуемых в зависимости от того в какой мир мы их решим отправить – в контрольную группу или группу воздействия

⏯ Esti... что?
Исследователи пытаются реконструировать то, что в мир заложила природа. Но все начинается с постановки исследовательского вопроса, например: «увеличила ли реформа качество образования?» (Barrett et al., 2025; Watson et al., 2025)
🟤Далее мы формулируем целевой эстиманд (estimand) – статистическое выражение нашего вопроса. В примере это разница между качеством образования после реформы и гипотетическим качеством без неё. Эстиманд задаётся через потенциальные исходы
🟤Затем выбираем оценщик (estimator) – алгоритм, который использует данные, чтобы оценить значение эстиманда
🟤Наконец, рассчитываем оценку (estimate) – конкретное числовое значение, полученное применением оценщика к данным

⏯ А что за эффект мы считаем?
Причинный вывод занимается реконструкцией потенциальных исходов для оценки эффекта (обычно среднего). Но что значит среднего? Среднего участника нашего эксперимента? Среднего не-участника эксперимента? Среднего гражданина нашей страны? Даже не зная статистики, кажется, что ответы на эти вопросы будут разные (Nguyen, 2020):
🟤ATE (Average Treatment Effect) – средний эффект для всей популяции, если бы под воздействие попали бы все. Это самый общий estimand, отвечающий на вопрос о политике для всех
🟤ATT (Average Treatment effect on the Treated) – эффект именно для тех, кто фактически попал под воздействие. Важен для оценки влияния уже проведённого вмешательства
🟤ATnT или ATC (Average Treatment effect on the Non-Treated/Controls) – гипотетический эффект, если бы воздействие распространилось на тех, кто под него изначально не попал. Полезен для оценки целесообразности расширения программы

Эти параметры могут сильно отличаться, особенно при наличии гетерогенности эффектов или самоотборе в воздействие. Например, в добровольных программах ATT часто отличается от ATE, если мотивированные участники склонны участвовать в эксперименте (Heiss, 2024)

⏯ А что тогда показывают разные методы?
🟤DiD и Synthetic Control оценивают ATT – сравнивают изменения в тритмент группе с изменениями в контрольной, чтобы выявить эффект именно на тех, кто попал под воздействие (Zeldow et al., 2019)
🟤RDD и IV оценивают LATE – локальный эффект воздействия для подгруппы субъектов, чьё поведение изменилось из‑за инструмента (Cattaneo et al., 2019)
🟤Causal Machine Learning направлено на оценку CATE, позволяя изучать гетерогенные эффекты воздействия на разных подгруппах (Chernozhukov et al., 2024)
🟤Matching – в зависимости от задачи может оценивать ATE, ATT или ATnT (Barrett et al., 2025 – мем взяли тут)

Круг замкнулся: мы ищем эффект, но чтобы его найти, нужно заранее понять, какой именно эффект мы ищем. И, может быть, именно это и есть главный секрет

@causal_channel