21 августа 2009 Архив
Инструментальные переменные помогают выявить причинные связи. Но они могут завести слишком далеко. "Как птицы с красивым оперением мы чистим, пушим и красуемся своими ценностями". Эти слова произнес Эдвард Лимер с осуждением описываяс свою профессию. Г-н Лимер, экономист из Университета Калифорнии в Лос-Анджелесе, не одобрял чрезмерного внимания, которое экономисты эмпирической школы уделяют измерению связи между вопросами, лежащими в основе причины и следствия. Например, действительно ли люди, потратившие больше времени на обучение, зарабатывают больше денег. Никто "не воспринимает всерьез проведенные другими анализы данных", - мрачно писал он. Чтобы прояснить свою точку зрения, г-н Лимер продемонстрировал, как, используя разные (но, безусловно, имеющие отношение к делу) переменные в исследовании влияния смертной казни на число убийств, можно доказать, что смертный приговор увеличивает число убийств, сокращает их число или не оказывает на них никакого влияния.
С тех пор экономисты более открыто занялись усовершенствованием анализа причины и следствия, который стал основой для появления того, что Гивдо Имбенс из Гарвардского университета называет "казуальной литературой". Описанные в этих работах техники, в частности, использование так называемых "инструментальных переменных", помогли понять многое, начиная от связи между абортами и преступностью и заканчивая экономической выгодой от уровня образования. Но теперь эти методы сами подвергаются критике. Инструментальные переменные частично обязаны своей популярностью тому, что позволяют экономистам справиться с основными сложностями на пути к точной оценке причинно-следственных явлений. Связанное со смертной казнью исследование г-на Лимера продемонстрировало, что решающее значение имеет выбор элементов контроля. Слишком большое число переменных в модели ухудшает результаты. Печальнее всего то, что некоторые важные переменные нельзя измерить. Например, время, проводимое кем-то в образовательном учреждении, наверное, зависит от врожденной способности к обучению, но его сложно измерить. Исключение таких переменных может легко сбить специалистов по эконометрике с верного пути. Более того, не всегда удается определить направление причинного анализа. К примеру, сложно найти ответ на вопрос, влияет ли повышение числа нанимаемых полицейских на снижение числа преступлений, потому что многие из них работают в областях с повышенным уровнем преступности.
Инструментальные переменные применяются именно в таких ситуациях. Эти переменные, которые обычно можно вывести из особенностей окружающей среды или государственной политики, оказывают влияние на результат (скажем, доходы человека, если вернуться к первому примеру) только через воздействие на входные параметры (в данном случае число лет обучения) и в то же время никак не связаны с исключенной переменной (способностью к обучению). Задача инструментальных переменных заключается в том, чтобы при опущении каких-либо факторов из исследования (в данном примере это влияние способности к обучению на продолжительность обучения) не допустить неточности результатов. Джошуа Ангрист из Массачусетского технологического института и Алан Крбгер из Принстонского университета использовали образовательные законы США для создания инструментальной переменной, связанной с продолжительностью обучения. Согласно этим законам, дети, рожденные в первой половине года, начинают ходить в школу позже, чем те, кто родился во второй половине года. Другими словами, к моменту выпуска общая продолжительность посещения школы у них меньше. Дата рождения ребенка не связана с его врожденными способностями, поэтому эта переменная хорошо подходят для измерения действительного влияния образования на заработную плату. Со временем инструментальные переменные стали неотъемлемой частью набора инструментов экономиста. В популярной книге Freakonomics, написанной Стивеном Левиттом и Стивеном Дабнером в 2005 г., доступно описаны многие из этих приемов. Анализ уровня преступности, проведенный г-ном Левиттом во время выборов в Америке, когда штат полицейских был увеличен по причинам, не связанным с числом преступлений, - это отличный пример инструментальной переменной.
Джеймс Хекман из Чикагского университета и Сержио Урзуа из Северо-Западного университета, а также Ангус Дитон из Принстона в своих работах обрушились на этот подход с резкой критикой. Авторы уверяют, что причинно-следственные связи, выявляемые с помощью инструментальных переменных, не представляют никакого интереса, потому что зачастую дают ответы на узкие вопросы. Так, результаты исследования квартала рождения почти ничего не говорят об уровне заработной платы выпускников колледжа, т.к. на их выбор уже ничто не оказывало влияния к тому моменту, когда они по закону могли окончить школу. По мнению г-на Дитона, использование таких инструментов для оценки причинно-следственных связей сравнимо с тем, как если дать лучу света "упасть в какую-либо точку, а затем заявить, что освещаемый им объект - это именно то, что мы так долго искали".
Не будем делать слишком резких выводов. Бесспорно, инструментальные инструменты можно использовать для оценки влияния на неинтересующие нас подгруппы населения. Но проведенное исследование времени рождения пролило свет на нечто важное и интересное. В данном случае инструментальная переменная дает четкую и надежную оценку связи между заработной платой и дополнительным образованием для тех, кто оканчивает школу раньше. Это именно та группа людей, на которых должна быть направлена политика, связанная с увеличением продолжительности обучения. Сторонники инструментальных переменных также утверждают, что четкие ответы на конкретные вопросы более полезны, чем ненадежные ответы на более обширные темы. Гораздо больше опасений вызывает то, что экономисты не уделяют внимания некоторым важным вопросам, для которых нет эффективных инструментальных переменных, отдавая предпочтение решению статистических проблем. Г-н Дитон говорит, что инструментальные переменные заставляют экономистов "не думать о сути и причинах происходящих событий". Нарушение баланса между точностью результата и важность проблемы несет большие риски. Если экономисты зайдут слишком далеко в своем стремлении к точности, им удастся "понять суть эконометрики", как завещал г-н Лимер, но в итоге вопросов без ответа станет только больше.
По материалам издания The Economist
С тех пор экономисты более открыто занялись усовершенствованием анализа причины и следствия, который стал основой для появления того, что Гивдо Имбенс из Гарвардского университета называет "казуальной литературой". Описанные в этих работах техники, в частности, использование так называемых "инструментальных переменных", помогли понять многое, начиная от связи между абортами и преступностью и заканчивая экономической выгодой от уровня образования. Но теперь эти методы сами подвергаются критике. Инструментальные переменные частично обязаны своей популярностью тому, что позволяют экономистам справиться с основными сложностями на пути к точной оценке причинно-следственных явлений. Связанное со смертной казнью исследование г-на Лимера продемонстрировало, что решающее значение имеет выбор элементов контроля. Слишком большое число переменных в модели ухудшает результаты. Печальнее всего то, что некоторые важные переменные нельзя измерить. Например, время, проводимое кем-то в образовательном учреждении, наверное, зависит от врожденной способности к обучению, но его сложно измерить. Исключение таких переменных может легко сбить специалистов по эконометрике с верного пути. Более того, не всегда удается определить направление причинного анализа. К примеру, сложно найти ответ на вопрос, влияет ли повышение числа нанимаемых полицейских на снижение числа преступлений, потому что многие из них работают в областях с повышенным уровнем преступности.
Инструментальные переменные применяются именно в таких ситуациях. Эти переменные, которые обычно можно вывести из особенностей окружающей среды или государственной политики, оказывают влияние на результат (скажем, доходы человека, если вернуться к первому примеру) только через воздействие на входные параметры (в данном случае число лет обучения) и в то же время никак не связаны с исключенной переменной (способностью к обучению). Задача инструментальных переменных заключается в том, чтобы при опущении каких-либо факторов из исследования (в данном примере это влияние способности к обучению на продолжительность обучения) не допустить неточности результатов. Джошуа Ангрист из Массачусетского технологического института и Алан Крбгер из Принстонского университета использовали образовательные законы США для создания инструментальной переменной, связанной с продолжительностью обучения. Согласно этим законам, дети, рожденные в первой половине года, начинают ходить в школу позже, чем те, кто родился во второй половине года. Другими словами, к моменту выпуска общая продолжительность посещения школы у них меньше. Дата рождения ребенка не связана с его врожденными способностями, поэтому эта переменная хорошо подходят для измерения действительного влияния образования на заработную плату. Со временем инструментальные переменные стали неотъемлемой частью набора инструментов экономиста. В популярной книге Freakonomics, написанной Стивеном Левиттом и Стивеном Дабнером в 2005 г., доступно описаны многие из этих приемов. Анализ уровня преступности, проведенный г-ном Левиттом во время выборов в Америке, когда штат полицейских был увеличен по причинам, не связанным с числом преступлений, - это отличный пример инструментальной переменной.
Джеймс Хекман из Чикагского университета и Сержио Урзуа из Северо-Западного университета, а также Ангус Дитон из Принстона в своих работах обрушились на этот подход с резкой критикой. Авторы уверяют, что причинно-следственные связи, выявляемые с помощью инструментальных переменных, не представляют никакого интереса, потому что зачастую дают ответы на узкие вопросы. Так, результаты исследования квартала рождения почти ничего не говорят об уровне заработной платы выпускников колледжа, т.к. на их выбор уже ничто не оказывало влияния к тому моменту, когда они по закону могли окончить школу. По мнению г-на Дитона, использование таких инструментов для оценки причинно-следственных связей сравнимо с тем, как если дать лучу света "упасть в какую-либо точку, а затем заявить, что освещаемый им объект - это именно то, что мы так долго искали".
Не будем делать слишком резких выводов. Бесспорно, инструментальные инструменты можно использовать для оценки влияния на неинтересующие нас подгруппы населения. Но проведенное исследование времени рождения пролило свет на нечто важное и интересное. В данном случае инструментальная переменная дает четкую и надежную оценку связи между заработной платой и дополнительным образованием для тех, кто оканчивает школу раньше. Это именно та группа людей, на которых должна быть направлена политика, связанная с увеличением продолжительности обучения. Сторонники инструментальных переменных также утверждают, что четкие ответы на конкретные вопросы более полезны, чем ненадежные ответы на более обширные темы. Гораздо больше опасений вызывает то, что экономисты не уделяют внимания некоторым важным вопросам, для которых нет эффективных инструментальных переменных, отдавая предпочтение решению статистических проблем. Г-н Дитон говорит, что инструментальные переменные заставляют экономистов "не думать о сути и причинах происходящих событий". Нарушение баланса между точностью результата и важность проблемы несет большие риски. Если экономисты зайдут слишком далеко в своем стремлении к точности, им удастся "понять суть эконометрики", как завещал г-н Лимер, но в итоге вопросов без ответа станет только больше.
По материалам издания The Economist
/templates/new/dleimages/no_icon.gif (C) Источник
Не является индивидуальной инвестиционной рекомендацией | При копировании ссылка обязательна | Нашли ошибку - выделить и нажать Ctrl+Enter | Жалоба