Para ahli ekonometrika akademik sering kali tertarik untuk menentukan hubungan sebab akibat. Sepertinya semua pekerjaan sains statistik / data sektor swasta yang saya dengar hanya mencari model prediksi.
Apakah ada pekerjaan di sektor swasta (atau pekerjaan pemerintah) yang meneliti hubungan sebab akibat?
econometrics
causality
careers
Hebat38
sumber
sumber
Jawaban:
Saya seorang ekonom di bidang teknologi yang bekerja pada inferensial kausal dengan data eksperimen observasional atau cacat. Sebagian besar perusahaan teknologi besar akan memiliki orang-orang seperti saya sekitar melakukan penelitian terapan pada harga, pemasaran, dan desain produk. Ada juga tim kebijakan publik di beberapa perusahaan.
Ada juga banyak orang yang bekerja di eksperimen web. Ini adalah kelompok yang jauh lebih besar.
Akhirnya, ada juga beberapa jenis konsultasi ekonomi, khususnya anti-trust, di mana ini menjadi fokus utama.
sumber
[Lima balasan emosional pertama disensor.]
Itu adalah salah satu pertanyaan teraneh di situs itu, terus terang. Dan menunjukkan seberapa banyak terputusnya hubungan antara apa yang dikatakan profesor Anda dan kehidupan nyata - yaitu kehidupan di luar menara gading. Adalah baik bahwa Anda mengintip dari sana ... tetapi Anda (artinya, mahasiswa Ph.D dalam bidang ekonomi) pasti perlu melakukan ini lebih sering.
Ya, ada pekerjaan di luar akademia di mana orang (terkejut, terkejut) menggunakan metode inferensial kausal. Dan (kejutan, kejutan) menerbitkan makalah. Jawaban saya khusus untuk AS, tetapi saya yakin Anda dapat menemukan organisasi serupa di negara lain.
sumber
Dalam statistik farmasi dan sejumlah bidang terkait, hubungan sebab akibat antara intervensi dan hasil kesehatan adalah pertanyaan kunci yang menarik ketika memutuskan apakah intervensi harus digunakan. Ada beragam sub-bidang seperti uji coba acak (klinis atau pra-klinis), uji coba non-acak atau uji coba tunggal, percobaan laboratorium, meta-analisis, pengawasan keamanan obat berdasarkan pelaporan spontan efek samping, epidemiologi (termasuk ide-ide seperti pengacakan Mandel) dan penelitian efektivitas (misalnya menggunakan data pengamatan seperti database klaim asuransi). Tentu saja dalam percobaan acak yang dirancang (seperti uji klinis acak) yang menghubungkan kausalitas agak lebih mudah daripada di beberapa aplikasi lain.
sumber
Saya seorang peneliti di A Place for Mom, layanan referensi hidup senior terbesar di negara ini. Kami telah merancang survei yang bertujuan memahami bagaimana pindah ke komunitas yang hidup memengaruhi kualitas hidup. Inferensial kausal merupakan pusat penelitian ini, dan metode analisis kausal (misalnya, pencocokan, proses pemilihan pemodelan, memperkirakan efek pengobatan rata-rata) sangat penting.
sumber
Dalam sebagian besar situasi sektor swasta Anda tidak akan peduli tentang hubungan sebab akibat
Dalam praktiknya, meskipun menggunakan bahasa yang umum, orang lebih sering tertarik pada dampak yang dipahami dengan baik , daripada hubungan sebab akibat (dipahami dengan baik).
Dari sudut pandang akademik, sangat menarik untuk mengetahui:
Tetapi dari sudut pandang praktis, dalam hampir semua situasi berikut ini adalah yang benar-benar ingin diketahui orang:
Tentu Anda mungkin tertarik pada dampak A, tetapi apakah itu benar-benar penyebabnya, atau apakah ada penyebab tersembunyi yang kebetulan menciptakan korelasi ini biasanya tidak begitu menarik.
Perhatikan batasannya
Anda mungkin berpikir: ok, tetapi jika kita tidak tahu bahwa A menyebabkan B, maka sangat beresiko untuk mengerjakan asumsi itu.
Ini memang benar, tetapi sekali lagi dalam praktiknya Anda hanya akan mengkhawatirkan: Apakah akan berhasil, atau adakah pengecualian?
Untuk menggambarkan hal ini, Anda dapat mencatat bahwa situasi ini:
Tidak jauh lebih bermanfaat daripada situasi ini (dengan asumsi Anda dapat mengukur dampaknya secara merata):
Contoh sederhana: Korelasi dengan penyebab
Logikanya: C selalu menyebabkan A dan B
Relasi yang dihasilkan: Jika A naik, B naik tetapi tidak ada hubungan sebab akibat antara A dan B.
Maksud saya: Anda dapat memodelkan dampak A pada B. A tidak menyebabkan B, tetapi modelnya masih benar, dan jika Anda memiliki informasi tentang A, Anda akan memiliki informasi tentang B.
Orang yang tertarik dengan rem faillure dengan informasi tentang A hanya akan peduli mengetahui hubungan A ke B, dan hanya peduli apakah hubungannya benar, terlepas dari apakah hubungan ini bersifat kausal atau tidak.
sumber