Les économétriciens universitaires sont souvent intéressés à déterminer la causalité. Il semble que tous les emplois en statistique / science des données du secteur privé dont j'entends parler ne recherchent que des modèles prédictifs.
Y a-t-il des emplois dans le secteur privé (ou des emplois gouvernementaux) qui recherchent la causalité?
econometrics
causality
careers
Génial38
la source
la source
Réponses:
Je suis un économiste en technologie qui travaille sur l'inférence causale avec des données d'observation ou expérimentales erronées. La plupart des grandes entreprises technologiques auront des gens comme moi pour faire de la recherche appliquée sur les prix, le marketing et la conception de produits. Il existe également des équipes de politique publique dans certaines entreprises.
Il y a aussi beaucoup de gens qui travaillent sur l'expérimentation Web. Il s'agit d'un groupe beaucoup plus important.
Enfin, il existe également des types particuliers de conseil en économie, en particulier antitrust, où c'est le principal objectif.
la source
[Les cinq premières réponses émotionnelles censurées.]
Franchement, c'est l'une des questions les plus étranges du site. Et montre à quel point il y a un décalage entre ce que disent vos professeurs et la vraie vie - c'est-à-dire la vie à l'extérieur de la tour d'ivoire. C'est bien que vous en jetiez un coup d'œil ... mais vous (c'est-à-dire les étudiants en doctorat en économie) devez certainement le faire plus souvent.
Oui, il existe des emplois en dehors du milieu universitaire où les gens (surprise, surprise) utilisent des méthodes d'inférence causale. Et (surprise, surprise) publiez des articles. Mes réponses sont spécifiques aux États-Unis, mais je suis sûr que vous pouvez trouver des organisations similaires dans d'autres pays.
la source
Dans les statistiques pharmaceutiques et un certain nombre de domaines connexes, le lien de causalité entre l'intervention et les résultats pour la santé est la principale question d'intérêt pour décider si une intervention doit être utilisée. Il existe un large éventail de sous-domaines tels que les essais randomisés (cliniques ou précliniques), les essais non randomisés ou à bras unique, les expériences de laboratoire, les méta-analyses, la surveillance de l'innocuité des médicaments basée sur la notification spontanée d'événements indésirables, l'épidémiologie (y compris des idées comme la randomisation mandélienne) et la recherche sur l’efficacité (par exemple en utilisant des données d’observation telles que les bases de données sur les réclamations d’assurance). Bien sûr, dans les expériences randomisées conçues (telles que les essais cliniques randomisés), l'attribution de la causalité est un peu plus facile que dans certaines autres applications.
la source
Je suis chercheur à A Place for Mom, le plus grand service d'aiguillage pour personnes âgées au pays. Nous avons conçu un sondage visant à comprendre comment le fait de déménager dans une communauté de vie assistée influe sur la qualité de vie. L'inférence causale est au cœur de cette recherche, et les méthodes d'analyse causale (par exemple, l'appariement, la modélisation des processus de sélection, l'estimation des effets moyens du traitement) sont essentielles.
la source
Dans la plupart des situations du secteur privé, vous ne vous souciez pas de la causalité
Dans la pratique, malgré l'usage typique de la langue, les gens sont beaucoup plus souvent intéressés par un impact bien compris , plutôt que par une causalité (bien comprise).
D'un point de vue académique, il est très intéressant de savoir:
Mais d'un point de vue pratique, dans presque toutes les situations, voici ce que les gens veulent vraiment savoir:
Bien sûr, vous pouvez être intéressé par l'impact de A, mais si c'est vraiment la cause, ou s'il y a une cause cachée qui se produit juste pour créer cette corrélation n'est généralement pas intéressante.
Remarque sur les limitations
Vous pouvez penser: ok, mais si nous ne savons pas que A cause B, alors il est très risqué de travailler sur cette hypothèse.
Cela est vrai d'une certaine manière, mais encore une fois, dans la pratique, vous vous inquiéterez simplement: cela fonctionnera-t-il ou y a-t-il des exceptions?
Pour illustrer cela, vous pouvez noter que cette situation:
N'est pas beaucoup plus utile que cette situation (en supposant que vous pouvez quantifier les impacts également):
Exemple simple: corrélation à provoquer
La logique: C provoque toujours A et B
Relation résultante: si A monte, B monte mais il n'y a pas de relation causale entre A et B.
Mon point: vous pouvez modéliser l'impact de A sur B. A ne cause pas B, mais le modèle sera toujours correct, et si vous avez des informations sur A, vous aurez des informations sur B.
La personne intéressée à la défaillance du frein avec des informations sur A se souciera simplement de connaître la relation de A à B, et se souciera seulement de savoir si la relation est correcte, que cette relation soit causale ou non.
la source