Econométricos acadêmicos geralmente estão interessados em determinar a causalidade. Parece que todos os trabalhos estatísticos / de ciência de dados do setor privado que ouço estão procurando apenas modelos preditivos.
Existem empregos no setor privado (ou empregos no governo) que pesquisem a causalidade?
econometrics
causality
careers
Ótimo38
fonte
fonte
Respostas:
Sou economista em tecnologia que trabalha com inferência causal com dados experimentais observacionais ou com falhas. A maioria das grandes empresas de tecnologia terá pessoas como eu em torno de fazer pesquisas aplicadas sobre preços, marketing e design de produtos. Existem também equipes de políticas públicas em algumas empresas.
Também existem muitas pessoas que trabalham na experimentação na web. Este é um grupo muito maior.
Por fim, também existem tipos específicos de consultoria econômica, particularmente a truste, onde esse é o foco principal.
fonte
[As cinco primeiras respostas emocionais censuradas.]
Essa é uma das perguntas mais estranhas do site, francamente. E mostra o quanto de desconexão existe entre o que seus professores dizem e a vida real - ou seja, a vida fora da torre de marfim. É bom que você espreite com isso ... mas você (ou seja, estudantes de doutorado em economia) definitivamente precisa fazer isso com mais frequência.
Sim, existem empregos fora da academia onde as pessoas (surpresa, surpresa) usam métodos de inferência causal. E (surpresa, surpresa) publica artigos. Minhas respostas são específicas dos EUA, mas tenho certeza de que você pode encontrar organizações semelhantes em outros países.
fonte
Nas estatísticas farmacêuticas e em vários campos relacionados, o nexo de causalidade entre intervenção e resultado da saúde é a principal questão de interesse ao decidir se uma intervenção deve ser usada. Há uma grande variedade de subcampos, como ensaios clínicos randomizados (clínicos ou pré-clínicos), ensaios não randomizados ou de braço único, esforços laboratoriais, metanálises, vigilância de segurança de medicamentos com base em relatórios espontâneos de eventos adversos, epidemiologia (incluindo idéias como randomização mandeliana) e pesquisa de eficácia (por exemplo, usando dados observacionais, como bancos de dados de sinistros). É claro que, nos experimentos randomizados projetados (como ensaios clínicos randomizados), atribuir causalidade é um pouco mais fácil do que em outras aplicações.
fonte
Sou pesquisador do A Place for Mom, o maior serviço de referência de idosos do país. Criamos uma pesquisa com o objetivo de entender como a mudança para uma comunidade de vida assistida influencia a qualidade de vida. A inferência causal é central para esta pesquisa, e os métodos de análise causal (por exemplo, correspondência, modelagem de processos de seleção, estimativa dos efeitos médios do tratamento) são essenciais.
fonte
Na maioria das situações do setor privado, você não se preocupa com causalidade
Na prática, apesar do uso típico da linguagem, as pessoas estão muito mais interessadas no impacto bem entendido do que na causalidade (bem entendida).
Do ponto de vista acadêmico, é muito interessante saber:
Mas, do ponto de vista prático, em quase todas as situações é o que as pessoas realmente querem saber:
Claro que você pode estar interessado no impacto de A, mas se é realmente a causa ou se existe uma causa oculta que apenas cria essa correlação geralmente não é tão interessante.
Nota sobre limitações
Você pode pensar: ok, mas se não sabemos que A causa B, é muito arriscado trabalhar com essa suposição.
Isso é verdade de certa forma, mas, novamente, na prática, você apenas se preocupará: funcionará ou há exceções?
Para ilustrar isso, você pode observar que esta situação:
Não é muito mais útil do que esta situação (supondo que você possa quantificar os impactos igualmente):
Exemplo simples: correlação para causar
A lógica: C sempre causa A e B
Relação resultante: Se A sobe, B sobe, mas não há relação causal entre A e B.
O que quero dizer: você pode modelar o impacto de A em B. A não causa B, mas o modelo ainda estará correto e, se você tiver informações sobre A, terá informações sobre B.
A pessoa interessada na falha do freio com informações sobre A se preocupará apenas em conhecer a relação de A para B e apenas se preocupará se a relação estiver correta, independentemente de essa relação ser causal ou não.
fonte