🔎 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

🗺 По грани ходишь! Новая работа по пространственной разрывной регрессии

Boundary Discontinuity Designs (BВD) – это обобщение классической разрывной регресии (RDD), где правило назначения воздействия базируется на нескольких переменных, а порогом выступает сложная граница — кривая или линия в многомерном пространстве. Вместо разрыва в одной точке мы рассматриваем разрыв вдоль всего контура – это актуально, например, для географических границ или сложных критериев отбора

В чём ключевая проблема?
Стандартная разрывная регрессия ориентирована на одномерный порог, и это нельзя просто перенести на сложные многомерные случаи. Граница имеет сложную форму, и необходимо учитывать геометрию и локальные особенности, иначе оценки будут искажены

Летом мы рассказывали вам о работе, где Маттиас Каттанео, Росио Титиуник и Руйци Ю показали, что оценка на основе одномерного расстояния является смещенной (Cattaneo, Titiunik, Yu, 2025a)

Свежая ноябрьская работа (Cattaneo, Titiunik, Yu, 2025b) от тех же авторов стала хорошим обобщением и практическим подспорьем в идентификации эффектов при подобном дизайне. Авторы в целом славятся отличными практическими гайдами и софтом – и эта работа не исключение

Что есть в работе?
🟤Введение в BDD дизайн – объяснение, что такое многомерная разрывная регрессия с границей в виде кривой, и почему это расширение классического RDD важно
🟤Обзор эмпирической практики – анализ более 80 исследований, которые применяли BDD дизайн, с разбором типичных стратегий оценки эффектов
🟤Методология оценки и идентификация – подробное описание современных локальных полиномиальных методов для получения оценок эффектов вдоль границы, включая выбор оптимальной ширины окна (bandwidth)
🟤Анализ гетерогенности – подходы к обнаружению и учёту вариаций эффекта воздействия по разным точкам границы
🟤Агрегация эффектов – методы получения средних (Weighted Boundary Average Treatment Effect, WBATE) и максимальных (Largest Boundary Average Treatment Effect, LBATE) эффектов по всей границе
🟤Практические рекомендации – советы по спецификациям моделей, включению взаимодействий (interactions) и работе с ковариатами
🟤Программные инструменты – ссылки на R-пакеты для реализации методов
🟤Расширения и будущие направления – обсуждение fuzzy BDD-дизайнов и включение ковариат в анализ

А как считать?
Основные R-пакеты для Boundary Discontinuity Designs:
🟤rdrobust – классический пакет для RDD, поддерживает методы выбора оптимальной ширины окна и построения доверительных интервалов
🟤rdhte – специализирован для анализа гетерогенных эффектов в RDD, помогает выявлять вариации эффекта вдоль границ
🟤rdmulti и rd2d – пакеты, ориентированные на BDD-дизайны с двумя переменными, реализуют локальные полиномы с учетом положения наблюдений, обеспечивают современные методы оценки, поддерживают сложные границы

#канал_обозревает
@causal_channel

😱 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_channel

Помните, мы с вами обсуждали, куда движется причинно-следственный вывод?

📆 Save the date: 27.03.2026 в рамках семинара Chemberlain собирается очень крутая панельная дискуссия поразмышлять о будущем эконометрики - надеемся, что будущего causal inference участники тоже коснутся!

Лайнап и по людям, и по темам и правда исключительный! Это редкий случай, когда в одной дискуссии встречаются люди, формирующие сразу несколько направлений эконометрики:
📎Susan Athey и Patrick Kline - одни из главных движков современного causal inference и структурных моделей
📎Melissa Dell занимается исследованиями на стыке глубокого обучения и причинного анализа
📎Bruce Hansen - живой классик эконометрики
📎Serena Ng и Frank Schorfheide отвечают за макро- и байесовское направление
📎А модераторы - Peter Hull, Mikkel Plagborg-Møller и Kaspar Wüthrich - сами активно занимаются методологией эконометрики