Первый хакатон по социальным данным от «Если быть точным»! Наш партнер — Европейский университет

13–15 февраля в Европейском университете в Санкт-Петербурге пройдет хакатон. Участники будут решать реальные кейсы, связанные с важными социальными вызовами: инвалидностью, онкологией, бездомностью и не только.

Заявки на участие принимаются с 1 декабря по 22 января. Мы ждем студентов и недавних выпускников, обладающих базовыми навыками анализа данных и готовых три дня погрузиться в интенсивную командную работу.

Вся информация о хакатоне находится здесь, а зарегистрироваться можно по этой ссылке.

Латентный классовый анализ

Аналитик Центра доказательной политики, один из авторов нашего канала Олег Адамович поделился своим опытом поиска скрытых классов при проведении аналитических исследований Крайнего Севера. Слово нашему коллеге.

...Когда мы спрашиваем у людей "Хотите ли вы уехать?", за простым "да" или "нет" часто скрывается сложная картина. И средние статистические показатели эту картину раскрыть не могут.

Для решения этой задачи — "разложить аудиторию по полочкам" — и был создан латентный классовый анализ (LCA). Это метод, который находит скрытые, но устойчивые группы респондентов с похожими паттернами ответов.

❓Где используют LCA?

Метод отлично зарекомендовал себя в самых разных областях, в том числе таких как:

💉 Медицина и здравоохранение. LCA выявляет подтипы течения болезни на основе набора симптомов. Например, выделяют разные типы депрессии или астмы, что позволяет назначать более персонализированное лечение.

👨‍⚕️ Психология. Исследователи идентифицируют профили психологического благополучия или устойчивости к стрессу, объединяя данные о сне, настроении и социальной активности.

💳 Потребительское поведение. Маркетологи сегментируют аудиторию не по возрасту и доходу, а по стилю потребления: "экономные семьи", "импульсивные шопперы", "клиенты, лояльные бренду".

👩‍🏫 Образование. LCA помогает обнаружить группы учеников со схожими паттернами успеваемости по разным предметам, чтобы разработать для них адресные учебные программы.

Команда Центра доказательной политики применила LCA, чтобы понять, кто и почему хочет уехать из арктических регионов. Проанализировав ответы более 10 тысяч северян, мы выделили три четких латентных класса:

➡️ "Мобильные" (74,8% хотят уехать). Это почти 3400 человек, внутренне готовых к переезду.

➡️ "Оседлые" (95,3% хотят остаться). Около 1400 респондентов, которые довольны жизнью на Севере.

➡️ "Неопределившиеся" (50/50). Самая интересная группа — примерно 2000 человек, чьи мнения разделились поровну. Их окончательный выбор может зависеть от изменений в инфраструктуре или экономике.

Такой анализ помогает двигаться от усредненных цифр к реальным человеческим портретам, а значит — и точечным мерам поддержки.

Подробный разбор метода и всех этапов исследования — в нашем материале на Хабре.

@poradata

🎯 Мэтчинг и обратное взвешивание по вероятности: немного теории и примеры в языке программирования R

❓Что такое мэтчинг и обратное взвешивание по вероятности? Из чего эти методы статистического причинно-следственного вывода состоят, с чем их едят и зачем они вообще нужны аналитикам данных?
Первая половина митапа будет посвящена теории, вторая - разбору практических примеров в R.

❗️В практической части мы будем использовать библиотеки {MatchIt} и {WeightIt}.

Когда? 26 декабря
Время: 18:00 по Мск
Место: Санкт-Петербург, наб. кан. Грибоедова, 123, ауд. 201 и онлайн
Спикер: Борис Соколов (ЦенСИБ НИУ ВШЭ)

Для понимания происходящего участникам желательно:

(а) нормально разбираться в азах статистики (безусловная и условная вероятность; статистическая проверка гипотез; обобщённое регрессионное моделирование; плюсом будет знание каузальной модели Рубина и направленных ациклических графов - НАГов);

(б) иметь опыт прикладного анализа данных, особенно с прицелом на каузальные вопросы;

(в) уметь работать в R (подключение библиотек; загрузка данных; построение обобщенных регрессионных моделей с помощью lm-подобного синтаксиса; понимание логики конвейеров; плюсом будет уверенное владение инструментами пакета {ggplot2} и его расширений)

❗️Зарегистрироваться

👀 В следующих постах мы подробнее расскажем о материалах, которые помогут подготовиться к встрече с мэтчингом и взвешиванием

Если вы вдруг искали датасет с муниципалитетами РФ

Открытый тьюториал от Пола Голдсмит-Пинкхэма по практической имплементации Claude Code для эконометристов и исследователей со всеми pros и cons.

К примеру, такие причины использовать AI Пол отмечает в своей лекции:

1. Делать больше и быстрее: расстояние от исследовательской идеи до результата значительно сокращается, но важно понимать, что сырые идеи AI не всегда убедительны; в то же время очистка данных, их парсинг и преобразование сильно ускоряются.

2. Важно в принципе понимать, что это возможно: даже если вы не используете эти инструменты, необходимо понимать их возможности; нужно различать, что AI действительно умеет делать, а что ему приписывают (например, в статье и комментариях к ней обсуждаются варианты деградации результатов AI при росте объема входящей информации).

@evidencespace

Возможно, многим из наших подписчиков ресурс Online Causal Inference Seminar известен. Однако ранее мы о нем не писали. Online Causal Inference Seminar или OCIS - это свободная площадка международных семинаров по causal inference, действующая с 2020 года. По мнению одного из основателей OCIS Доминика Ротенхойслера, задача площадки - создать открытое пространство для взаимодействия и развития сообщества causal inference, объединяющее разные дисциплины, подходы и практики - от теории до прикладных задач, из академии и различных индустрий.

Вот некоторые темы прошлого года (обратите внимание на состав спикеров, среди которых нобелевские лауреаты):

Susan Athey - Machine Learning for Treatment Effects - применение ML для оценки гетерогенных эффектов интервенций
Elias Bareinboim - Transportability of Causal Effects - перенос причинных выводов между разными контекстами
Guido Imbens - Causal Inference in Econometrics - подходы к оценке причинных эффектов в экономике
Jennifer Hill - Bayesian Approaches to Causal Inference - байесовские методы оценки эффектов и неопределенности

Регистрация на семинары не требуется, проходят в основном по вторникам 18:30 по Мск. По итогу каждого семинара формируются архивы с презентациями, видео, статьями (за 6 лет накопилось много материалов, если не знакомы с площадкой - вам есть чем заняться в ближайшее время).

@evidencespace

Скотт продолжает тему использования Claude Code как рабочего инструмента для освоения прикладной эконометрики. Этим постом он запускает серию, в которой будет разбирать continuous DiD через практику: чтение статьи Brantly Callaway, Andrew Goodman-Bacon и Pedro H. C. Sant’Anna “Difference-in-Differences with a Continuous Treatment”, воспроизведение результатов, симуляции и попытку самостоятельно построить TWFE decomposition.

Основная идея состоит в том, что глубокое понимание сложных эконометрических методов формируется не только через чтение, но и через последовательную работу с формулами, кодом и простыми симуляциями. Такой подход он считает наиболее продуктивным для освоения новых методов. Параллельно планируется разработка приложения на Shiny, а также пакетов для Stata и R, связанных с имплементацией continuous DiD, где Claude Code будет использоваться как один из инструментов.

Скотт приглашает пройти этот путь с ним вместе.

@evidencespace

Дорогие коллеги и друзья! Все, кто работает с опросными данными по экономическому - трудовому, потребительскому и финансовому поведению населения и домохозяйств - мы открыли данные большого проекта за 2023-2024 гг.

Всемирный банк анонсировал запуск PIP Innovation Hub — новой платформы, предназначенной для исследователей и специалистов в области политики. На этом ресурсе они могут детально изучать, каким образом различные методики оценки бедности и неравенства влияют на итоговые показатели.

Суть работы платформы заключается в возможности сравнивать официальные данные о бедности с альтернативными подходами к их измерению. Это позволяет наглядно увидеть, как выбор той или иной методологии способен изменить конечные результаты. В состав хаба входит раздел «Глубинные исследования» (Deep Dives), где представлены примеры того, как разные исследования сказываются на оценках уровня бедности. Кроме того, доступен Исследовательский репозиторий, который существенно упрощает поиск актуальных научных публикаций по теме неравенства и бедности.

Главная цель проекта — повысить качество формирования политики и распределения ресурсов за счёт более точного понимания того, как измеряется бедность. PIP Innovation Hub делает эти данные прозрачными и общедоступными, способствуя принятию более обоснованных решений.

@evidencespace

«Algorithmic Interference and Causal Inference on Platforms» (2025), Susan Athey, Guido Imbens, Vasilis Syrgkanis, Jeff Wu

Статья предлагает новую рамку для каузального анализа в платформенной экономике, исходя из того, что классическое предположение SUTVA (Stable Unit Treatment Value Assumption) здесь системно нарушается. В отличие от традиционных рынков, где эффекты можно считать индивидуальными, на платформах взаимодействие пользователей опосредовано алгоритмами - ранжирования, мэтчинга и распределения. Это означает, что воздействие на одного участника (например, бонус водителю или продвижение продавца) неизбежно влияет на других через перераспределение спроса или внимания. Авторы вводят концепцию алгоритмической интерференции (algorithmic interference), где ключевой переменной становится не только treatment, но и алгоритмическая экспозиция (algorithmic exposure) - положение агента в системе, определяемое алгоритмом.

Методологический вклад статьи - модель, в которой исход зависит одновременно от собственного воздействия и взаимодействия через алгоритм. На этой основе предлагается подход DAIV (Debiased Algorithmic Instrumental Variable), сочетающий инструментальные переменные и Double Machine Learning. Ключевой результат: даже современные методы могут давать значительное смещение, если игнорируют алгоритмическую структуру - в симуляциях ошибка достигает ~50% (!). При выполнении условия локальной алгоритмической монотонности (LAM) возможна точечная идентификация эффектов; в противном случае - только интервальная, с тестами на наличие интерференции.

Практическое значение выходит за пределы платформ и касается академических задач и оценки политик. Методы применимы к системам с опосредованным распределением ресурсов: рынкам труда, образовательным платформам, госуслугам, цифровым платформам и маркетплейсам. Во всех случаях эффекты распространяются не только напрямую, но и через конкурентное перераспределение, что требует учета алгоритмов.

С точки зрения государственной политики это означает переход к algorithm-aware causal inference, где алгоритмы рассматриваются как институциональные механизмы. Для исследований - интеграцию данных о работе платформ в эконометрические модели, для policy - новые стандарты оценки цифровых интервенций с учетом интерференции. В более широком смысле статья показывает, что объект анализа современной экономики - не только агенты, но и алгоритмические системы, через которые реализуется их взаимодействие.

@evidencespace

Микроданные Всероссийского опроса жертв преступлений теперь в каталоге Если быть точным

Сегодня мы опубликовали микроданные трех волн Всероссийского опроса жертв преступлений (2018, 2021 и 2024 годы) в нашем каталоге. Подробнее об обследовании можно прочитать тут.

Что в данных

Всероссийский опрос жертв преступлений, который проводит Институт проблем правоприменения при ЕУСПб, — единственное повторяющееся обследование опыта столкновения с преступностью и виктимизации в России. Участников спрашивают, случалось ли им пережить нападение, кражу или что-то подобное, и подробно расспрашивают о том, что произошло.

Всем выйти из тени!

Есть вещи, которые долго существуют в полутьме.
Отдельные исследователи. Разрозненные данные. Интервью, которые нельзя публиковать сразу. Судебные практики, о которых почти никто системно не пишет.

Мы решили, что пора выходить из тени.

Так появился LEAD Lab — Law, Empirics & Data Lab: пространство для тех, кто изучает право не как набор красивых норм, а как социальную практику.

Мы — социологи права, криминологи, антропологи, политологи, исследователи данных.
Многие из нас годами изучают суды, полицию, миграционный контроль, юстицию и повседневную работу государственных институтов.

LEAD Lab — это попытка собрать эти исследования в общую инфраструктуру:
— регулярные семинары,
— обсуждение work-in-progress текстов,
— методологические воркшопы,
— совместные проекты,
— поддержку молодых исследователей,
— международную исследовательскую сеть.

Первый семинар мы уже провели в мае — обсуждали статью о проектах реформ милиции в Беларуси в начале 1990-х.
И поняли, что такой формат очень нужен.
С сентября запускаем регулярную серию онлайн-семинаров и планируем очные встречи.

Мы не хотим делать «клуб разговоров».
Наша задача — создать рабочее пространство для эмпирических исследований права и государства: с текстами, данными, дискуссиями и нормальным академическим фидбеком.

Поэтому мы начинаем этот публичный канал.
Здесь будут:
— анонсы семинаров,
— исследовательские заметки,
— данные,
— обсуждения методов,
— разговоры о том, как сегодня реально работают право и государственные институты.

LEAD Lab запустили: Екатерина Ходжаева, Кирилл Титаев, Элла Панеях, Дарья Кузнецова и др.