🔎 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 п