доказательный ⎵ пробел
описание
Про causal inference, данные для исследований и принятие решений на основе данных. Чат: @evidence_chat
1 310
подписчиков
Охват к подписчикам
77,4%
ERR
Реакции к просмотрам
1,58%
576 на 39 постов
Пересылки к просмотрам
2,60%
949
Постов в день
0,6
всего 40
Где отзываются чаще
доля реакций к просмотрам- 08:39У замечательного эконометриста Скотта Каннингема вышло второе издание его замечательного учебника про причинно-следственную эконометрику. Напомню, что онлайн-версия его учебника доступна для всех совершенно бесплатно тут. Пока это, так сказать, бета-версия – она еще не до конца проверена, там могут быть ошибки. И пока еще нет раздела о том, как использовать этот учебник вместе с большими языковыми моделями. Первое издание обещают сделать доступным по отдельной ссылке – можно будет сравнивать, как изменился подход автора к изложению материала. А еще в учебнике, по словам автора, усилено обсуждение исторических корней прикладной причинно-следственной эконометрики. По мнению Каннингема (и я с ним полностью согласна), это не только интересно, но и может быть полезно для тех, кто несколько увяз в уравнениях – как напоминание о том, зачем это все нужно. Если вы с этим учебником еще не знакомы, советую пойти почитать. Даже если вам не нужны эти методы, это просто интересное чтение.4,63%
- 16 дек. 2024 г.🕵️♂️ Как найти причину? История развития причинного анализа Причинно-следственный анализ стал одним из самых мощных инструментов современной науки. Сегодня он лежит в основе доказательной политики и помогает отвечать на вопросы о том, что действительно работает. Но откуда он появился? Давайте разберемся! ⛳ 1. Философские истоки: как всё начиналось? Идея причинности уходит корнями в философию 🤯 С древних времен люди пытались понять, как одно событие влияет на другое, но систематический подход появился лишь в XVIII-XIX веках ⭐️Дэвид Юм сомневался, что мы можем доказать истинные причинно-следственные связи. Мы видим только последовательность событий, а не сами причины ⭐️Джон Стюарт Милль предложил методы согласия и различия — логические основы для анализа причинности Эти идеи не были математически формализованы, но задали направление для будущих поколений исследователей ⛳ 2. Начало количественного подхода: статистическая революция XX века С развитием статистики в начале XX века причинно-следственный анализ стал более строгим и количественным ⭐️Ежи Нейман предложил концепцию потенциальных исходов (potential outcomes). Каждый объект имеет два возможных результата: с воздействием и без него. Однако мы можем наблюдать только один из них. Этот факт носит название фундаментальная проблема причинного вывода (fundamental problem of causal inference) ⭐️Рональд Фишер популяризировал рандомизированные контролируемые эксперименты (Randomized controlled trial, RCT) 🎲 Показал, что случайное назначение групп позволяет устранить предвзятость и определить истинные несмещенные причинные эффекты Эти идеи стали основой для строгого анализа данных в науке, включая исследования в сельском хозяйстве и медицине ⛳ 3. Революция в социальной науке: роль Принстона в 1970-х годах В 1970-х годах Принстонский отдел трудовых отношений стал центром инноваций в эмпирической экономике 👍 ⭐️Орли Ашенфельтер предложил метод разности разностей (Difference-in-Differences, DiD), который позволяет измерять влияние событий или программ, сравнивая изменения в двух группах — участвующих и не участвующих в программе ⭐️Роберт Лалонд показал, что традиционные методы, такие как обычный метод наименьших квадратов (Ordinary least squares, OLS), не всегда могут выявить истинные причинно-следственные связи. Это привело к повышению интереса к экспериментам и квазиэкспериментам Принстонская школа сделала акцент на прозрачности и достоверности эмпирических исследований, критикуя недостатки существующих методов ⛳ 4. Инструментальные переменные и Гарвардская теорема LATE В 1980–1990-х годах развитие причинно-следственного анализа вышло на новый уровень благодаря междисциплинарному подходу 👋 ⭐️Джошуа Ангрист использовал метод инструментальных переменных (Instrumental variables, IV), чтобы оценить эффект службы в армии на доходы. Его работа основывалась на случайной лотерее призыва, что сделало его результаты валидными и убедительными ⭐️Хидо Имбенс и Дональд Рубин совместно разработали теорему о локальной оценке эффекта воздействия (LATE, Local Average Treatment Effect), которая объясняет, как можно измерить эффекты в условиях несоблюдения назначения групп воздействия Теорема LATE стала важной вехой, предоставив строгую теоретическую базу для анализа сложных данных и сделав инструментальные переменные доступными для широкой аудитории ⛳ 5. Современные достижения: интеграция теории и практики Сегодня причинно-следственный анализ — мощный инструмент для принятия решений ⭐️Доказательная политика (evidence-based policy): методы каузального анализа применяются повсеместно — от оценки образовательных программ до экономической политики ⭐Много внимания ученых сосредаточено на разработке методов для оценки сложных дизайнов воздействия 👨💻 ⭐️Слияние теории и эмпирики: объединение философии, статистики и экономики позволило сделать революционные открытия и решать сложные социальные задачи Источник: подготовлено на основе материалов Скотта Канингема [1, 2, 3] #канал_обозревает #канал_рекомендует @causal_channel3,64%
- 15 авг.Cambridge University Press открыл доступ к новой подборке научных статей по экономике. Хорошая возможность бесплатно пополнить список литературы и познакомиться со свежими исследованиями. 👉 Открыть подборку @evidencespace3,30%
- 14 авг.без подписи3,21%
- 23 мар.😱 Синтетический подгон? Вокруг метода синтетического контроля (synthetic control, SC) бытует скепсис: его гибкость и чувствительность к спецификации создают у исследователя заметные степени свободы, которые могут превратить метод в инструмент подгонки под нужный результат Опираясь на материалы Николаса Декера (2025), мы хотим развенчать эти мифы SC строится на идее, что ненаблюдаемый потенциальный исход без воздействия можно аппроксимировать выпуклой комбинацией доноров, подобранной так, чтобы воспроизвести динамику исхода до интервенции (Abadie, Diamond, Hainmueller, 2010) Для такой конструкции важны стандартные допущения: корректно заданный набор доноров, отсутствие взаимного влияния между юнитами и достаточная претритмент-панель (Abadie, Diamond, Hainmueller, 2010; Arkhangelsky et al., 2021) 🔠 Хорошая подгонка до воздействия необходима, но сама по себе не доказывает идентификацию эффекта; плохая подгонка, в свою очередь, делает причинную интерпретацию сомнительной 🔠 Свобода выбора пула доноров 🟤Уязвимость: при альтернативных разумных пулах можно получить разные оценки при схожем pre-fit; риск особенно высок, если часть доноров затронута spillovers (Decker, 2025) 🟤Ответ: SC делает этот выбор явным и более прозрачным, чем неформальный подбор «похожего региона»; на практике нужны заранее обоснованный donor pool, проверка чувствительности к альтернативным пулам и leave-one-out, чтобы убедиться, что результат не определяется одним-двумя донорами (Abadie, Diamond, Hainmueller, 2010; Decker, 2025) 🔠 Неуникальность весов и вычислительная нестабильность 🟤Уязвимость: разные наборы весов могут давать почти одинаковый pre-fit, но разные посттритмент-исходы; также результат может зависеть от гиперпараметров и программной реализации (Decker, 2025; Pickett, Hill, Cowan, 2022) 🟤Ответ: Частичное решение – регуляризация: penalized SC стабилизирует веса, а Synthetic DID уменьшает чувствительность за счёт более устойчивой структуры (Abadie, L’Hour, 2021; Arkhangelsky et al., 2021). В анализе следует фиксировать параметры оптимизации и сравнивать результаты с регуляризованными версиями метода 🔠 Cherry-picking предикторов и претритмент-окон 🟤Уязвимость: выбор ковариат и окон до интервенции может стать каналом спецификационного поиска и роста ошибок I рода (Decker, 2025; Ferman, Pinto, Possebom, 2020) 🟤Ответ: это не аргумент против SC как такового, а аргумент против неформализованного применения любых методов (Ferman, Pinto, Possebom, 2020). Нужен заранее заданный протокол, отчётность по нескольким разумным спецификациям и проверка устойчивости pre-fit по подокнам претритмента; длинный претритмент-период ограничивает, но не устраняет свободу подбора (Decker, 2025) 🔠 Хороший pre-fit не тождественен идентификации 🟤Уязвимость: идеальная подгонка может отражать шум или временные шоки, а не эффект интервенции (Decker, 2025; Pickett, Hill, Cowan, 2022) 🟤Ответ: стандартные placebo-проверки (in-space, in-time и анализ post/pre MSPE) позволяют проверить, является ли наблюдаемое расхождение статистически нетипичным по сравнению с донорскими траекториями (Abadie, Diamond, Hainmueller, 2010) 🔠 Spillovers и нарушение SUTVA 🟤Уязвимость: если доноры затронуты spillovers, они перестают быть чистым контролем, и оценка смещается (Decker, 2025) 🟤Ответ: стоит исключать подозрительных доноров (например, соседних юнитов при сильных spillovers), и строить контроль из менее подверженных юнитов (Abadie, Diamond, Hainmueller, 2010). Кроме того, развивается литература, которая формально учитывает spillovers и расширяет область применимости метода (He, Li, Shi, Miao, 2024) В конечном счете претензии к методам нередко говорят не о самом инструменте, а о том, как им пользуются: у плохого мастера всегда инструмент виноват :) А мы желаем вам внимательности к предпосылкам и устойчивых результатов! 👋 #канал_обозревает @causal_channel2,92%
- 2 июл.Обновилась онлайн-версия книги Роба Хайндмана и Джорджа Афанасопулоса «Forecasting: Principles and Practice». Много практических кейсов: прогнозы цен на акции IBM, индекса Dow Jones, продаж новых домов в США, посещаемости отелей по регионам Австралии, электропотребления и т.д. Все примеры сопровождаются готовым кодом на R. Весь набор данных и функций собран в пакете fpp2. Учебник охватывает широкий спектр методов: от простого наивного прогнозирования (Naive approach) и экспоненциального сглаживания до ARIMA, динамической регрессии, иерархического прогнозирования и комбинирования прогнозов. Авторы сознательно избегают излишней теории и фокусируются на том, что действительно работает на практике. Материал рассчитан на тех, кто знаком с базовой статистикой и алгеброй. @evidencespace2,46%
- 21 нояб. 2024 г.#методы #сausal #inference #учебники #публикации Ведущий научный сотрудник ЛССИ Борис Соколов недавно выложил в публичный доступ черновую версию своего обзора основных целевых величин (эстимандов), использующихся в статистическом каузальном анализе: АТЕ, АТТ, АТС и прочие тыквенные LATE с CATE. Хотя это ещё не полноценная статья, прошедшая рецензирование, данный текст может оказаться полезным как студентам, так и "взрослым" исследователям или прикладным аналитикам, применяющим соответствующие методы на практике - благо на русском языке литературы по теме откровенно мало. P.S. Если вы найдёте в рукописи ошибки, неточности, упущения и т.д., или у вас будут иные идеи насчёт того, как её улучшить, можно написать напрямую автору на электронную почту - он открыт к обратной связи и конструктивной критике.2,30%
- 25 февр. 2025 г.🕵 Революция достоверности: как изменились эмпирические исследования в экономике за 40 лет? Экономическая наука сегодня стремительно развивается, осваивая новые методы анализа данных и причинно-следственных связей. "Революция достоверности" (credibility revolution) (Angrist & Pischke, 2010) изменила то, как экономисты отвечают на вопросы Обычно примерно такой фразой мы с коллегами начинаем наш курс по эконометрике причинно-следственных связей, чтобы замотивировать студентов. Взгляните на график, который в 2016 году опубликовал The Economist. Впечатляет, не правда ли? Эта картинка ушла широко в массы, но есть нюанс – в статье не столько восхищаются экономистами, сколько… их критикуют 🚀 Модный приговор или градиент развития? (The Economist, 2016) 🟤В экономическом научном мире есть тренды: в разные годы на пике популярности были RCT, RDD, matching, DiD и другие методы 🟤Эти новшества действительно расширяют границы науки – помогают отвечать на сложные вопросы, раньше остававшиеся загадкой 🟤Но есть риск: модные методы начинают применять не всегда уместно – и именно это беспокоит The Economist, а также то, что методы могут формировать повестку исследований, а не наоборот Но всё ли так плохо?💁♂️ 😒"Причинные претензии" экономики (Garg, Fetzer, 2024) 🟤Прашант Гарг и Тимо Фетцер на основе базы из 44 000+ статей NBER и CEPR (1980–2023) показали, как экономисты сменили корреляции на строгий каузальный анализ 🟤В 1990 году только 4% статей содержали доказанные причинно-следственные связи, в 2020 году этот показатель вырос до 28% 🟤Больше всего каузальных исследований появилось в экономике здоровья, экономике города, поведенческой экономике и экономике развития 🙅♂️ Вся ли экономика движется в сторону причинности? (Goldsmith-Pinkham, 2024) 🟤Проанализировав 32 000+ публикаций NBER (1982–2024), Пол Голдсмит-Пинкхэм показал, что не все направления развиваются одинаково 🟤Прикладная микроэкономика – лидер в использовании квазиэкспериментальных методов (55% статей) 🟤Финансы внедряют причинные методы медленнее, но активно осваивают DiD 🟤Макроэкономика использует меньше квазиэкспериментальных методов, больше полагаясь на структурные модели 👨💻 Что ещё изменилось в методах? (Goldsmith-Pinkham, 2024) 🟤Упоминание идентификации (то есть четкого обоснования причинно-следственных связей в исследованиях) увеличилось с 2000 года, но с 2016 года стабилизировалось на уровне 40% 🟤Использование административных данных (например, налоговых отчетов, государственных баз данных) резко возросло с 2010 года 🟤"Графическая революция" (то есть рост использования графиков по сравнению с таблицами) стала особенно заметной в макроэкономике и финансах Как нам кажется, во-первых, несмотря на то, что методы меняются, главный навык экономиста (да и исследователя в целом) – это умение замечать интересности и задавать правильные вопросы. И этого пока не умеет делать искусственный интеллект, которого все так боятся. Во-вторых, главное не только инструмент, но и руки, в которые он попадает: в зависимости от этого мы видим либо блестящие открытия, либо посредственные попытки что-то написать в угоду моде. И, конечно же, в-третьих, помните об ограничениях и предпосылках методов, которыми вы пользуетесь. Всем классных исследований 💚 #канал_обозревает @causal_channel2,29%
- 26 июн.📢 Вебинар AMLEDS Сегодня вечером пройдёт вебинар, который стоит посетить! Спикер: Скотт Каннингем (Baylor University) Тема: "AI-агенты для исследователей: инструменты, применение и открытые вопросы" Скотт Каннингем – настоящая рок-звезда современной эконометрики. Автор одного из первых и любимого многими учебника по причинно-следственному выводу "Causal Inference: The Mixtape" (мы с нетерпением ждём грядущего переиздания The Remix 🎶). Автор подкаста с ведущими учёными, стример, организатор классных воркшопов и человек, который сделал очень много для популяризации эконометрики В последнее время он активно экспериментировал с AI-инструментами в научной работе – и похоже, накопленный опыт вырос в отдельный полноценный воркшоп 🗓 26 июня 2026 года 🕒 18:00 Мск 🎙 Формат: Zoom-вебинар (онлайн, бесплатно) 📝 Регистрация по ссылке #канал_зовёт @causal_channel2,16%
- 25 мар. 2025 г.💻 Новый практический гайд по difference-in-differences для исследователей Мы уже писали, что метод "разности разностей" (Difference-in-Differences, DiD) — один из наиболее распространенных квазиэкспериментальных методов для оценки причинных эффектов в экономике и социальных науках (Garg, Fetzer, 2024; Goldsmith-Pinkham, 2024; Currie et al., 2020) В середине марта весьма звёздный состав авторов опубликовал методологическое руководство-препринт для всех, кто использует DiD в прикладных исследованиях (Baker et al., 2025) 🙂 В чём ценность работы? 🟤Авторы систематизируют современные подходы к DiD и показывают, что классический дизайн с двумя группами и двумя периодами (2×2) — лишь частный случай 🟤Когда в данных много периодов, есть ступенчатое введение воздействия (staggered treatment adoption), а эффекты гетерогенны по группам или во времени (treatment effect heterogeneity), простое использование регрессии с двунаправленными фиксированными эффектами (Two-Way Fixed Effects, TWFE) может приводить к смещённым оценкам (Roth et al., 2023; de Chaisemartin & D’Haultfoeuille, 2023) 🟤Авторы предлагают переход от обратного проектирования (backwards engineering) (позитивный подход, когда исследователь ориентируется на существующие методы и пытается приспособить их к данным) к прямому проектированию (forward engineering) (нормативный подход, при котором исследователь начинает с определения целей исследования и строит модели и методы, которые соответствуют этим целям) 🟤В рамках этого подхода предлагается рассматривать сложные дизайны как комбинацию элементарных 2×2 сравнений (2×2 building blocks) и использовать аккуратную агрегацию результатов 🖥 Мы собрали основные пакеты в R, которые вам пригодятся в ваших исследованиях с использованием DiD 🟤did (Brantly Callaway, Pedro Sant’Anna) - оценка эффектов DiD при ступенчатом дизайне воздействия, множественных периодах и гетерогенности с агрегацией и визуализацией 🟤fixest (Laurent Berge) - быстрые панельные регрессии с фиксированными эффектами и поддержкой кластеризации и переменных взаимодействия (interactions) 🟤bacondecomp (Andrew Goodman-Bacon) - разложение TWFE-оценки на вклад парных сравнений. Используется для диагностики весов и потенциальных источников смещения 🟤did2s (Kyle Butts, Mike Gardner) - двухшаговая устойчивая оценка DiD при вариации времени воздействия 🟤DRDID (Pedro Sant’Anna, Jun Zhao) - двойная робастная оценка DiD через IPW и outcome regression #канал_обозревает #канал_рекомендует @causal_channel2,09%
- 13 июн. 2025 г.🧠 Машинное обучение в экономике: препятствия, мифы и светлое будущее Машинное обучение постепенно входит в эмпирическую практику экономистов — от отбора переменных до оценки индивидуальных эффектов воздействия. В академической экономике это движение встречает заметное сопротивление. По мнению Беатрис Гитнер (University College Dublin), источники этого недоверия кроются в фундаментальных интеллектуальных барьерах: 🟤Ортодоксии — укоренившейся приверженности линейным моделям, ручной спецификации и классическим подходам, даже когда они не подходят к данным 🟤Пуризме — идеале «чистой» идентификации, где любое отклонение от RCT или строго структурных моделей считается снижением научной добродетели 🟤Недопонимании — представлении, что машинное обучение — это исключительно про прогноз и не применимо для каузального анализа В этом посте, основанном на публикации в блоге Беатрис Гитнер, мы разберём наиболее популярные мифы об ML в экономике, предложим контраргументы и в финале расскажем о свежей важной обзорной работе в сфере ML и causal inference ↔️ Миф 1: ML — это только про прогноз, а не про причинно-следственный анализ Современный причинный вывод активно использует ML как инструмент оценки вспомогательных (nuisance) функций (условных ожиданий, вероятностей назначения, и т.п.) в рамках строго идентифицированных моделей 🟤Double/Debiased Machine Learning (Chernozhukov et al., 2018): позволяет получить √n-состоятельные оценки с корректной инференцией 🟤Causal forests (Athey, Wager, 2019): оценивают гетерогенные эффекты при слабых предпосылках 🟤Meta-learners (Kunzel et al., 2019): формализуют оценку индивидуальных эффектов воздействия Эти подходы позволяют совмещать гибкость ML с требованиями строгой причинной идентификации ↔️ Миф 2: ML — это «чёрный ящик» Многие считают, что ML-модели сложно интерпретировать, а значит они бесполезны для научного исследования. Но интерпретируемость ≠ линейность. Современные инструменты позволяют: 🟤извлекать локальные и глобальные эффекты переменных (например, через SHAP или LIME) (Lundberg, Lee, 2017) 🟤оценивать гетерогенность эффектов (causal forest) 🟤формализовать вклад ковариат в treatment effect (meta-learners, feature importance в policy models) Интерпретируемость в ML — это вопрос правильно выбранного инструмента и научной задачи ↔️ Миф 3: ML нарушает стандарты статистического вывода Ранние версии ML действительно не обеспечивали достоверного статистического вывода (inference): стандартные ошибки, доверительные интервалы, p-значения были недоступны. Но в последние годы это изменилось. ML в каузальном анализе сопровождается: 🟤Neyman-ортогональностью (устойчивость к ошибкам оценки вспомогательных параметров) (Chernozhukov et al., 2018; Ahrens et al., 2025) 🟤Sample splitting / cross-fitting (устранение смещения от переобучения) 🟤Bootstrap-инференцией или post-selection methods для доверительных интервалов Результат — ML-подходы, совместимые с классической инференцией и теорией оценивания ↔️ Миф 4: ML не позволяет делать обобщения и policy-выводы ML предоставляет именно те инструменты, которых не хватает классической эконометрике, например: 🟤Causal forests и X-learners оценивают индивидуальные эффекты воздействия (CATE) (Athey, Wager, 2019; Kunzel et al., 2019) 🟤Policy learning позволяет вывести, кому и при каких условиях нужно рекомендовать интервенцию (Athey, Imbens, 2019) То есть ML не мешает, а расширяет возможности вывода для политики ↔️ Что почитать? Если вы хотите разобраться, как применять ML в причинной эконометрике, начните со свежего июньского обзора (Ahrens et al., 2025), среди авторов которого Виктор Черножуков и Кристиан Хансен Если же вы хотите не только понять, но и научиться применять эти методы на практике, начните с сайта авторов обзора dmlguide.github.io, проектов Causal ML Book от Виктора Черножукова с соавторами и Dive into Causal Machine Learning от команды, которая перерабатывает учебные материалы ведущих ученых на разные языки программирования, а также учебных материалов Мадины Курмангалиевой #канал_обозревает #канал_рекомендует @causal_channel2,00%
- 24 сент. 2025 г.👎 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_channel1,97%