Канал влияния

Твои, мои, наши...

Представьте пару, где у обоих супругов есть накопления, но с разными условиями. У жены более "приятные" условия (например, работодатель доплачивает рубль на каждый рубль взносов). У мужа - только 50%. Какое оптимальное решение для семьи? А если в случае развода эти деньги делятся поровну?

Часто экономисты рассматривают домохозяйство как одного агента: если решение может улучшить положение обоих, то пара это сделает. Но проверить это почти невозможно: почти любое неэффективное решение семьи можно списать на предпочтения

В американской пенсионной системе есть деталь, которая решает эту проблему: условия софинансирования (match) пенсионных накоплений различаются между работодателями, поэтому у супругов часто разная "цена" дополнительного доллара сбережений

Этой особенностью воспользовались (Choukhmane, Goodman, O'Dea, 2025): они вручную закодировали условия шести тысяч пенсионных планов, соединили их с налоговыми данными и для каждой из 185 тысяч пар посчитали "упущенную доплату": сколько денег работодателя семья теряет, распределяя взносы неэффективно. Это чистая арифметика, не зависящая ни от чьих вкусов

Что оказалось?
Каждая пятая пара (19,3%) теряет деньги: в среднем $757 в год, у самых пострадавших — почти 2 тысячи долларов (Choukhmane, Goodman, O'Dea, 2025). И это не разовая невнимательность: 70% таких пар повторяют ошибку через год, а 42% даже через семь лет. В итоге за все время работы набегает около 13 тыс. долларов недополученного дохода

А остальные 80,7% — образцовые команды? Чтобы понять это, авторы собирают "фальшивые" пары: случайные комбинации людей похожего возраста, пола и дохода, которые заведомо не координируются. У псевдопар неэффективность наблюдается в 33–34% случаев — это почти вдвое чаще, чем у настоящих супругов. Вывод: около 57–58% реальных пар вообще не согласовывают взносы. Им просто везет, что независимые решения случайно совпали с эффективными

При этом брак "работает" в правильную сторону: за четыре года до свадьбы неэффективность у пары составляет в среднем 32%, а через четыре года после — уже у 18%

Ошибка или принципиальная позиция?
Авторы исследования спрашивают людей напрямую - откуда возникает такая неэффективность? В опросе неоптимально распределяют сбережения 40% женатых респондентов. Половина из них и вправду совершают ошибку: когда им показали упущенную выгоду - они захотели исправить выбор. Вторая половина занимает принципиальную позицию: "это мои деньги", "так честнее", "а вдруг развод"... При этом больше трети опрошенных ошибочно уверены, что при разводе сохранят свои пенсионные накопления — и именно они чаще сознательно отказываются от общей выгоды

Но значит ли это, что оптимальным решением всегда будут общие счета?
Короткий ответ (как обычно) - все не так просто. (Gladstone, Garbinsky, Mogilner, 2022) показывают, что пары с полностью общими счетами реже расходятся и сообщают о более высокой удовлетворенности браком, чем пары с раздельными финансами — независимо от дохода — но это только корреляция. А в эксперименте (Olson, Rick, Small, Finkel, 2023), где молодоженов случайно распределили в группу с общими и раздельными счетами, положительные эффекты наблюдались все два года: у пар с общим счетом типичное для новобрачных охлаждение просто не произошло, в отличие от тех, кому достались раздельные счета

Впрочем, стоит отметить, что общий счет — не универсальное решение: авторы статей сами признаются, что слияние финансов требует отказа от части независимости, и в неблагополучных или потенциально токсичных отношениях общий счет создает риск контроля над партнером, а не гармонию

#канал_обозревает
@causal_channel

📚 Обещанного месяц ждут :)

В начале августа мы писали про книгу Мартина Хубера «Impact Evaluation in Firms and Organizations» и упомянули, что автор собирается выложить лекционные слайды по её мотивам [см. пост]. И вот буквально вчера профессор Хубер ими поделился

Слайды доступны и готовыми PDF, и исходниками в LaTeX, так что их можно пересобрать под свои нужды. Материалы готовили коллеги автора: K. Lötscher, S. Oberhänsli и A. Stoller

Заодно на странице появился код на Stata (раньше там лежали только R и Python), так что теперь доступны все три языка, а к ним и датасеты из примеров книги

Все материалы можно найти здесь https://www.unifr.ch/appecon/en/research/text-book-impact-evaluation-in-firms-and-organisations.html

#канал_рекомендует
@causal_channel

🎓Осенняя серия семинаров Chamberlain, 2026–27

11 сентября 2026 в 19:00 (МСК) — тематическая сессия: Новые методы эконометрики в экономике развития и рандомизированных экспериментах

В программе:
– Michael Gechter (University of Arkansas):
Selecting Experimental Sites for External Validity
– José Luis Montiel Olea (Cornell):
Externally Valid Selection of Sites via the k-Median Problem
– Davide Viviano (Harvard):
Evidence Aggregation with Ignorance in Mind: Learning what we do not know for archetypes discovery

Формат: онлайн (подробности подключения — на сайте и в рассылке организаторов)

Также открыт приём заявок на тематические сессии 2026–27. Организаторы отдельно приглашают исследователей, которые сейчас находятся в начале своей карьеры. Там же можно предложить будущих спикеров

Подробности

Коллеги из Совета молодых учёных поделились анонсом онлайн-семинара по эконометрике имени Гэри Чемберлена, который пройдет в ближайшую пятницу

Тема в этот раз очень интересная и продолжает обсуждение, начатое в июле на NBER Summer Institute [см. пост]. Все три доклада семинара посвящены тому, где проводить эксперимент, чтобы его результатами потом можно было пользоваться в других местах. Один из них уже звучал на секции Frontier Econometric Methods

Мы уже подходили к этому вопросу с другой стороны, когда разбирали эффект «падения напряжения» (voltage drop) [см. пост]. Среди пяти угроз масштабирования List (2022) называл репрезентативность: программу проверяют на одних, а разворачивают на других, и эффект от неё снижается. Интересно, что здесь за эту угрозу берутся на стадии дизайна, пока эксперимент ещё не проведён

• Michael Gechter снова расскажет о той самой работе с байесовским теоретико-решающим выбором площадок, где и случайный выбор, и выбор регионов с максимальным ожидаемым эффектом заметно проигрывают оптимальному (Gechter et al., 2024)
• José Luis Montiel Olea подходит к этой задаче иначе и сводит выбор площадок к задаче о k медианах из комбинаторной оптимизации (Olea et al., 2024)
• Davide Viviano в июле рассказывал, как планировать эксперимент, результаты которого потом будут объединены с наблюдаемыми данными (слайды, R-пакет). В этот раз вместе с соавторами они сделали следующий шаг и расскажут, как агрегировать накопленные свидетельства с явным учётом того, чего мы про них не знаем (Breza et al., 2025)

#канал_зовёт
@causal_channel

О роли пауз

Представьте хирурга, который полгода провел в командировке, почти не держа в руках скальпель. Или акушера, который девять месяцев не принимал сложные роды. Что происходит с навыками, если профессионал долго не практикует?

Экономическая теория утверждает, что навыки не хранятся вечно, они требуют подкрепления практикой. Но проверить это на практике почти невозможно из-за проблемы самоотбора

В системе здравоохранения США есть интересное правило назначения командировок для военных врачей, которая решает эту проблему: врачей отправляют в командировки квазислучайно, независимо от их квалификации и желаний [Fitzgerald, Gupta, Schwab, 2026]. Средняя командировка длится около полугода, и в это время врачи в основном обрабатывают раны и стабилизируют пострадавших, то есть делают совсем не то, чем обычно занимались по основному месту работы

Что происходит после возвращения?
Когда хирург возвращается из командировки, первые два месяца риски негативных исходов для пациентов растут: вероятность повторной госпитализации после операции увеличивается почти на 48% относительно базового уровня [Fitzgerald, Gupta, Schwab, 2026]

Хорошая новость заключается в том, что это временно: к третьему месяцу эффект ослабевает вдвое, а к шестому месяцу хирург статистически неотличим от себя самого "до командировки"

С акушерами история интереснее и тревожнее. После возвращения из командировки они начинают на 74% чаще выбирать кесарево сечение [Fitzgerald, Gupta, Schwab, 2026]. И вот тут авторы исследования делают ключевую проверку: может, случаи просто становятся объективно сложнее? Выясляется, что связи с риск-профилем женщит нет. Значит, изменения связаны не с пациентками, а с врачами. А еще этот эффект держится куда дольше — до девяти месяцев!

Но почему эффекты отличаются?
Авторы интерпретируют различия как разницу между двумя видами мастерства: исполнением процедуры руками и клиническим суждением — способностью принять правильное решение в условиях неопределенности. "Ручные" навыки восстанавливаются быстро, а вот для восстановления суждений требуется гораздо больше времени

Сколько именно "стирается"?
Авторы показывают, что удвоение количества недавно рассмотренных случаев снижает риск повторной госпитализации у хирургов на 17%, а частоту выбора кесарева сечения у акушеров — на 11% [Fitzgerald, Gupta, Schwab, 2026]. То есть свежий опыт работает. Похожий, хотя более слабый, эффект обучения на практике находили и у парамедиков в Миссисипи: удвоение числа вызовов сокращало время до госпитализации на 2,6% [David, Brachet, 2011]

Но самое интересное — в том, как врачи накапливают свой профессиональный капитал. Хирурги ежегодно сохраняют около 60% накопленного профессионального капитала. У акушеров эта цифра близка к нулю: их эффективность почти полностью определяется недавней практикой, а не многолетним стажем [Fitzgerald, Gupta, Schwab, 2026]. Другими словами, "ручные навыки" возможно сохранить, а вот для профессий, связанных с суждениями перерывы приводят к значительному откату профессиональных компетенций: стаж в двадцать лет назад не спасает, если последние девять месяцев вы не принимали сложные роды

Как облегчить возвращение?
Здесь у исследования есть практический совет: хирурги, которые после возвращения сначала брали больше простых, похожих операций, показывали примерно вдвое меньший рост осложнений на сложных случаях [Fitzgerald, Gupta, Schwab, 2026]. То есть возвращение маленькими шагами реально работает. Это согласуется и с более ранними наблюдениями о пользе смежной практики для восстановления квалификации [Schilling et al., 2003]

Не только про врачей?
История про хирургов и акушеров — это, по сути, история про любую сложную профессию, где решения принимаются в условиях неопределенности. Технические навыки восстанавливаются относительно быстро. А вот профессиональная интуиция, чувство границы приемлемого риска, готовность действовать без подстраховки — восстанавливаются медленнее и требуют не одного дня, а систематического возвращения в практику

#канал_обозревает
@causal_channel

📚 Книга по причинному выводу

Недавно мы писали про прикладное и облегчённое введение в причинный анализ от Мартина Хубера и упомянули его более раннюю и фундаментальную книгу «Causal Analysis: Impact Evaluation and Causal Machine Learning with Applications in R». Книга вошла в финалисты PROSE Award 2024 в категории Computing and Information Sciences – и заслуженно: по охвату методов идентификации это весьма достойный текст

Структура учебника строится по нарастающей сложности идентификационных стратегий: от эксперимента и линейной регрессии к selection on observables, causal machine learning, instrumental variables, DiD, synthetic control, RDD/kink/bunching designs. Автор рассчитывает на наличие у читателя базовых знаний теории вероятностей, регрессионного анализа и навыка тестирования гипотез, но не перегибает с избыточной детализацией, погружая читателя лишь в необходимые для повествования детали

Относительно конкурентов книга выгодно выделяется наличием современных инструментов, которые редко встречаются в стандартных учебниках по causal inference. Вместе с разрывной регрессией Хубер разбирает regression kink design и bunching designs, обсуждает ситуацию частичного выполнения предпосылок в главах про partial identification и sensitivity analysis, а также разбирает нарушения SUTVA в главе про interference effects

Рынок учебников по causal inference за последние годы сильно вырос. На наш взгляд книга Хубера занимает нишу между двумя лагерями. С одной стороны – популярные онлайн-учебники вроде «Causal Inference: The Mixtape» Каннингема и «The Effect» Хантингтона-Кляйна, которые выбирают разговорный, интуитивный тон изложения и осознанно жертвуют частью формальной строгости ради доступности для более широкой аудитории. С другой стороны рынка — классические тексты типа Angrist & Pischke, которые дают строгий формальный аппарат, но почти не касаются causal machine learning и не покрывают такие узкоспециализированные темы, как bunching designs или interference effects

Книга подходит продвинутым в статистике студентам, аспирантам и исследователям. Каждую главу сопровождают примеры на R, но, в отличие от «Firms and Organizations», без дублирования на Python. Тем не менее учебник хорошо закрывает задачу понимания границ применимости методов и даёт обзор тем, которые обычно остаются за рамками стандартных курсов

Напоминаем, что про другие книги по причинному выводу можно почитать тут, тут и тут

#канал_рекомендует
@causal_channel

📵 Аппарат абонента выключен?

С 1 сентября 2026 года миллионы российских школьников больше не смогут использовать телефон на уроке. Приказ Минпросвещения № 316 закрепляет обязанность не пользоваться мобильной связью на занятиях, исключение – только угроза жизни и здоровью или другие экстренные случаи

Такой подход был принят не только в России. По данным ЮНЕСКО, к марту 2026 года подобные ограничения действовали уже в 114 образовательных системах мира – это 58% всех стран (UNESCO GEM)

А есть ли доказательства, что запрет телефонов реально повышает успеваемость и улучшает атмосферу в школе?

В прошлом году мы уже разбирали, как форма взаимодействия с учебным материалом влияет на его усвоение, в посте про рукописные и электронные конспекты. Тогда выяснилось: дело не в самом устройстве, а в том, что оно провоцирует — многозадачность или концентрацию. Со школьными телефонами логика похожая: убрать девайс – не значит автоматически убрать проблему внимания

Почему гипотеза вообще звучит правдоподобно
• Эксперименты показывают, что само присутствие смартфона на столе – даже выключенного – снижает доступную рабочую память и способность к сложным рассуждениям (Ward, Duke, Gneezy, Bos, 2017)
• Здесь работает классический эффект отвлечённого внимания: если часть учеников тайком листает ленту, страдает концентрация не только у них, но и у соседей по парте (Glass, Kang, 2019)

Первые доказательства выглядели впечатляюще
• Самое цитируемое исследование в этой области – работа Луи-Филипп Беланд и Ричард Мерфи по Англии. Используя difference-in-differences на данных 91 школы и 130 482 учеников, они показали рост результатов итоговых экзаменов GCSE в британской средней школе на 0,064 стандартного отклонения, причём почти весь эффект достался слабоуспевающим ученикам – рост на 0,142 SD против нуля у сильных (Beland, Murphy, 2016)
• Похожий результат был получен для Испании: синтетический контроль по региональным запретам в Галисии и Кастилии-Ла-Манче показал рост успеваемости учащихся, эквивалентный 0,6–0,8 годам обучения, и снижение случаев буллинга на 15–18% в Галисии и 9,5–18% в Кастилии-Ла-Манче (Beneito, Vicente-Chirivella, 2022)

А потом начались сюрпризы
• Швеция первой поставила под сомнение универсальность этого рецепта: DiD на 1423 школах не нашёл вообще никакого эффекта на тестовые результаты, причём точность оценок позволяла отвергнуть даже прирост в 0,02 SD (Kessel, Hardardottir, Tyrefors, 2020)
• Флорида добавила неожиданный сюжетный поворот: в первый год после запрета выросли дисциплинарные инциденты и отстранения, а тесты вообще не сдвинулись – положительный эффект появился только на второй год (Figlio, Özek, 2025)
• Для Норвегии был получен, пожалуй, самый поучительный результат. На данных 161 371 ученика средний эффект на успеваемость и психическое здоровье оказался нулевым. Но за этим нулём скрывалась существенная неоднородность: у девочек средний балл по всем предметам вырос на 0,08 SD, результаты по математике – на 0,22 SD, а обращения к специалистам по психологическим симптомам сократились почти на 60% (Abrahamsson, 2026)

Самые свежие результаты ещё любопытнее
• В Чили запрет действительно снизил рекреационное использование телефона на уроке, но тестовые результаты вообще не изменились: эффект статистически неотличим от нуля. Более того, ученики стали немного хуже оценивать собственные способности к предмету – снижение примерно на 3% относительно исходного уровня, при полном отсутствии выигрыша в знаниях (Shi, Villarroel, 2026)
• В крупнейшом американском исследовании школ, где использовались запирающиеся чехлы Yondr (около 4600 школ), тоже обнаружился близкий к нулю средний эффект на результаты тестов (Allcott et al., 2026)
• Но! Единственный крупный предзарегистрированный эксперимент, проведённый в Индии на 16 955 студентах: обязательная сдача телефонов перед парой повысила средний балл по всем предметам на 0,086 SD, причём выигрыш снова достался в первую очередь слабоуспевающим и первокурсникам. Интересная деталь: студенты, испытавшие запрет на себе, стали заметно лояльнее к самой идее ограничений (Sungu, Choudhury, Bjerre-Nielsen, 2025)

Так работает или нет?
Если честно суммировать всю эту разноголосицу, то получается, что запреты телефонов надёжнее меняют поведение в классе, чем средние академические результаты. Они действительно уменьшают использование устройств на уроках, но не гарантируют заметного роста успеваемости для всех – часть эффекта съедают конфликты внедрения, неполное соблюдение правил и перенос экранного времени на дом. Выгоды почти везде концентрируются у одних и тех же групп – слабоуспевающих, девочек, детей из менее обеспеченных семей. А какие эффекты покажет эта практика в России мы узнаем только через несколько лет

Сегодня же – прекрасный повод не грустить о статистике, а просто порадоваться началу нового учебного года. Поздравляем всех причастных с Днём знаний! Пусть в этом году будет больше настоящей вовлеченности и концентрации – на паре, за исследованиями, в разговоре с коллегами – и поменьше поводов лишний раз потянуться за телефоном 🎉📚

#канал_обозревает
@causal_channel

📊 Причинный вывод для реальных данных

Предостерегающий штамп прикладного исследователя о том, что корреляция не означает причинность распространился довольно широко, и это хорошо. Но обратной стороной медали стало то, что исследователи стали изобретать обтекаемые обороты, которые намекают на причинность, но позволяют им от этого намёка откреститься: «уникально предсказывает», «связан после контроля на», «объясняет вариацию»
Джулия Рорер собрала эту претензию в лекцию и назвала её нарочито иронично: «Уникально ли практики причинного вывода предсказывают качество причинного вывода?» (слайды, запись)

Лекция входит в годовую серию Люксембургского института здоровья про причинный вывод для реальных данных. Несмотря на то, что организаторы и спикеры часто связаны с медициной, эпидемиологией и биостатистикой, содержание докладов может заинтересовать широкий круг исследователей

🧱 Основания
• Питер Теннант открывал серию введением в направленные ациклические графы (directed acyclic graph, DAG)
• Джорджия Томова разбирала композиционные данные (compositional data), где переменные связаны условием суммы: доли нутриентов или бактерий нельзя менять по одной, потому что рост одной означает падение остальных (запись)

🎯 Что считать эффектом
• Матс Стенсруд разбирал, что стоит за словами «угасание защиты» (waning), «гетерогенные эффекты» и «перетекание эффекта» (spillover) в вакцинных исследованиях, на материале малярии, ВИЧ, гриппа и ковида (запись)
• Фабриция Меалли говорила про двудольную интерференцию (bipartite interference), когда воздействие применяется к одним единицам, а исходы измеряются у других (запись)
• Микела Баччини переводила эффекты загрязнения воздуха на язык потенциальных исходов (potential outcomes) ради осмысленной кривой доза-ответ (запись)

🤖 Можно ли это автоматизировать
• Мигель Эрнан вынес вопрос прямо в заголовок и сразу оговорился: чтобы ИИ ускорил причинные исследования по медицинским базам, надо сначала разобраться, чем являются и ИИ, и сам причинный вывод (запись)
• Сара Мальякане представляла масштабируемые методы поиска причинной структуры по данным (causal discovery) (запись)
• Мартин Хубер читал про каузальные леса (causal forests) и двойное машинное обучение (double machine learning) с примерами на R (запись)

Любопытно, но пока мы писали этот обзор, заметили, что эти три направления очень хорошо ложатся в двенадцать вызовов, которые статистики поставили себе на десятилетие

Новый сезон лекций обычно объявляют осенью – будем следить за анонсами!

#канал_рекомендует
@causal_channel

Разделяй и властвуй?

Периодически звучат предложения о необходимости разделить слишком большие компании (например, тут, тут и тут), но что в этом случае значит "большие"?

Представим, что компания контролирует 80% рынка. Должны ли антимонопольные органы немедленно вмешаться — запретить её практики или даже разделить бизнес?

Интуитивно кажется, что 80% — это уже много, но новая работа Рикардо Перес-Трульи и Джеффри Юсофа показывает, что людей волнует не размер компании сам по себе, а то, во что этот размер превращается для потребителей [Perez-Truglia, Yusof, 2026]

Авторы опросили более 4000 респонденов на материале пяти реальных антимонопольных дел против крупнейших компаний — Google, Meta, Apple и др. Участникм давали один из четырех фактов о компании: долю рынка, аргументы о вреде потребителям (в виде высокой цены/снижения качества), нечестные практики или не относящийся ко вреду потребителям скандал

Перед стартом опроса авторы опросили экспертов-экономистов, и большинство предсказывали, что главным триггером в ответах о необходимости разделения компаний станет огромная доля рынка

Эксперты ошиблись:
🔵Доля рынка не повлияла на желание поддержать иск или разделить компанию: люди, по-видимому, не считают большую долю рынка проблемой сама по себе, так как она может отражать удобство, качество продукта или другие преимущества
🔵Репутационные скандалы вызывали неприязнь к компаниям, но не привели к требованию реформ
🔵Аргумент о нечестных практиках (блокировке соперников, эксклюзивных соглашениях и т.д.) работал внутри конкретного дела, но слабее переносился в общую поддержку антимонопольной политики
🔵Прямой ущерб потребителям (высокие цены, падение качества) оказался самым усточнивым триггером поддержки действий антимонопольного ведомства: он заметно поднял поддержку разделения фирм, этот эффект сохранился через месяц после первого опроса и перенесся в целом на антимонопольную политику

А если компанию всё-таки делят — это работает?

Даже если суд одобряет разделение, механически "распилить" монополиста недостататочно. Эмпирические исследования показывают, где проходит грань между успехом и провалом:

🔵Нельзя отдавать "обрезки". Чтобы возник жизнеспособный соперник, отчуждаемый дивизион обязан включать ключевые технологии, патенты и команду, иначе бизнес быстро деградирует [Kwoka and Valletti, 2021]. Структурные меры восстанавливают конкуренцию только тогда, когда продается работающее, автономное предприятие, а не набор разрозненных складов и оборудования [FTC, 2017]
🔵Риск сброса балласта. В ритейле корпорации стараются продать слабейшие точки [Dong et al., 2026]

Раньше мы писали, что люди могут ошибаться и строить расходящуюся с реальностью картину мира, но оказалось, что в антимонопольных вопросах общество интуитивно рассуждает как академические экономисты: размер компании — это не порок, если от него выигрывает потребитель

Проще говоря, размер компании сам по себе мало кого убеждает. Продуктивный разговор в сфере антимонопольной политики начинается не с цифры доли рынка, а с обсуждения конкретного механизма вреда: становятся ли из-за рыночной власти компании цены выше, выбор меньше, качество ниже, а вход для конкурентов — труднее

#канал_обозревает
@causal_channel

В комментариях к прошлому посту Никита предложил добавить ещё marginaleffects – пакет полезный, поэтому решили вынести это в мини-пост

С одной стороны, пакет посвящён не только и не столько DiD
• Он предназначен для интерпретации любых моделей и решает общую проблему: коэффициент почти никогда не равен той величине, которую исследователь хочет сообщить. В нелинейной модели он измеряется в другой шкале, при взаимодействиях зависит от значения модератора, а в регрессии со всем набором взаимодействий (saturated regression) коэффициентов десятки, и усреднять их нужно с корректными весами
• marginaleffects берёт уже оценённую модель и вычисляет необходимые величины: предсказания, их сравнения при разных значениях переменной (contrasts) и средние предельные эффекты (average marginal effects) вместе со стандартными ошибками. Работает и в R, и в Python
• Подробнее мы писали в посте про условные предельные эффекты

С другой стороны, оказалось, что в нашем списке пакетов он все-таки незримо присутствует: пакет etwfe использует marginaleffects как зависимость, а его функция emfx() служит обёрткой над slopes(). Именно она превращает множество коэффициентов при взаимодействиях в интерпретируемую оценку ATT

Важная оговорка: смещение он не устраняет. Если применить его к наивной оценке TWFE, результат останется все еще смещённым, хоть и аккуратно агрегированным

А еще пока мы долго готовили пост, вышел новый хороший пакет
• В Python появилась версия did_multiplegt_stat от команды Клемана де Шеземартена. Пакет реализует оценщики из препринта (de Chaisemartin et al., 2022–2026) и предназначен для случая, когда воздействие непрерывно
• Идея: между периодами у одних единиц уровень воздействия меняется, у других остаётся прежним, и вторые служат контрольной группой для первых. Причём сравниваются только те, кто стартовал с одинакового исходного уровня: параллельные тренды предполагаются условно на нём
• Оценивается средний наклон (Average Slope, AS), то есть изменение исхода при росте воздействия на единицу, а также его взвешенная версия (WAS) и вариант с инструментом (IV-WAS). В отличие от DIDmultiplegtDYN, здесь речь о том, как эффект зависит от интенсивности воздействия (dose-response), а не о его динамике во времени
• Вспомогательные функции, например, модель изменения исхода и модель вероятности остаться на прежнем уровне, можно оценивать любым методом, совместимым с scikit-learn
• Чем это отличается от подхода Кэллоуэя, Гудмана-Бейкона и Сант'Анны, о котором мы писали в прошлом году (пакет contdid)? Там воздействие возникает у тех, кто раньше ему не подвергался, и контрольную группу образуют те, кто не подвергся ему вовсе. Здесь же некоторый уровень воздействия есть у всех изначально и лишь меняется, а контролем выступают те, у кого он остался прежним. Соответственно и предпосылка другая: параллельные тренды условно на исходном уровне воздействия

@causal_channel

📚 Оценка эффектов для бизнеса

В начале августа книге Мартина Хубера «Impact Evaluation in Firms and Organizations» исполнился год. Если у вас, как и у нас, руки до неё дошли только сейчас, читать её всё ещё стоит – за это время книга не потеряла актуальности

Это нетехническое, прикладное введение в методы причинного анализа для бизнес-приложений – от маркетинговых кампаний и ценовой политики до программ обучения персонала. Издание задумано как более доступная альтернатива предыдущему учебнику Хубера «Causal Analysis: Impact Evaluation and Causal Machine Learning with Applications in R» 2023 года, который ориентирован на уровень магистратуры/аспирантуры и опирается на формальный статистический аппарат. Новая книга получилась скорее как облегчённый прикладной спин-офф – рассчитана на менеджеров, аналитиков, IT-специалистов и студентов бакалавриата без сильной математической подготовки, при этом сохраняет строгость идентификационных предпосылок

Книга содержит основные подходы к оценке эффектов:
• Экспериментальные методы (A/B-тестирование)
• Matching, propensity score и inverse probability weighting
• Causal Machine Learning (causal trees, policy trees, cross-fitting)
• Инструментальные переменные
• Разрывная регрессия
• Разность разностей
• Синтетический контроль

Ключевая особенность книги – акцент на разграничении предиктивных (forecasting) и каузальных задач: автор подчёркивает, что модели машинного обучения, оптимизированные для точности прогноза, систематически неприменимы для ответов на вопросы о вмешательствах, и это смешение остаётся распространённой методологической ошибкой в бизнес-аналитике

Каждая глава сопровождается практическими примерами реализации в R и Python. Все датасеты и код на R и Python свободно доступны, включая отдельные версии Python-примеров для разных релизов интерпретатора (3.8.20 и 3.11.40). Также недавно профессор Хубер пообещал, что скоро выложит лекционные слайды по мотивам книги

Напоминаем, что про другие книги по причинному выводу можно почитать тут, тут и тут

#канал_рекомендует
@causal_channel

🤬 "I hate everything about you"

В инфляции есть одна неприятная особенность: она почти никогда не ощущается как "просто макроэкономика". Для людей это момент, когда привычная жизнь вдруг начинает стоить дороже, чем вчера. Сегодня мы решили немного заглянуть в микроосновы современной макроэкономики

😦 Почему люди так сильно не любят инфляцию?
Этим вопросом задался Роберт Шиллер еще в 1990-е. В своей знаменитой статье он показал, что инфляция неприятна как жизненный опыт: люди видят, как цены растут, а зарплаты за ними не успевают, и воспринимают это как прямое подрывание уровня жизни. Респонденты говорили о "жадности" работодателей и связывали инфляцию с экономическими кризисами и политической нестабильностью — инфляция становилась сигналом того, что система в целом работает плохо [Shiller, 1997]

🤔 Но в последние 30 лет мир сильно изменился, но поменялось ли что-то в отношении к инфляции?
Недавняя статья Стефани Стантчевой показывает, что ключевые выводы Шиллера удивительно устойчивы: люди не любят инфляцию, потому что люди ощущают систематическое снижение покупательной способности, и считают, что их зарплаты не успевают за ростом цен [Stantcheva, 2024]

Примерно 80% респондентов думают, что цены растут быстрее зарплат; около половины уверены, что даже если инфляция удвоится, их номинальный доход будет догонять ее больше года

🥴 Почему инфляция выглядит несправедливой
Важный механизм, который ловит Стефани Стантчева: примерно 51% опрошенных считают, что при инфляции фирмы могут нарастить прибыль, но сознательно не спешат повышать зарплаты. Особенно часто так думают люди с низкими доходами. В массовом восприятии инфляция — это не просто рост цен, а история о том, что у бизнеса есть пространство маневра, а у работников его почти нет [Stantcheva, 2024]

Отсюда сильное ощущение несправедливости. Две трети респондентов уверены, что зарплаты "богатых" растут в периоды инфляции быстрее, чем их собственные. При этом всего треть считает, что зарплаты других людей вообще растут быстрее. То есть инфляция воспринимается как механизм усиления неравенства

❓ Люди ошибаются?
Важно, что это не ошибка в измерении инфляции, а часть специфичного нарратива — истории о том, как устроена экономика. В этой истории инфляция не нейтральна, а морально окрашена: она выглядит как симптом несправедливого распределения выгод и издержек

Среди виновников инфляции назвают множество причин от дефицита рабочих и перебоев поставок до "жадности корпораций" и ошибок правительства. Именно нарратив, а не формальная модель, определяет то, как люди думают об инфляции [Andre et al., 2026]

📈 Но полная картинка еще более красивая
Негодование про инфляцию еще больше усиливается из-за самоуверенности (overconfidence): когда доходы растут, люди чаще объясняют это собственными усилиями (производительностью, карьерой, сменой работы), но когда цены растут, причина почти всегда внешняя [Stantcheva, 2024]. Это усиливает раздражение и делает рост цен особенно несправедливым в глазах людей

Закрепляться нарративы могут через личный опыт и то, как этот опыт "подсвечивается" памятью. Например, Дмитрий Таубинский с соавторами в новой работе показывает, что инфляционные прогнозы домохозяйств чрезмерно чувствительны к собственным шокам дохода: падение дохода делает прогноз инфляции заметно более пессимистичным, хотя объективной связи почти нет [Taubinsky et al., 2025]. Кроме того, может возникать селективное воспоминание (selective recall): при росте инфляции люди могут внезапно вспоминать старые эпизоды — и ожидания резко "разъякориваются", особенно у тех, кто помнит такие периоды [Gennaioli et al., 2024]

В такой конструкции инфляция почти обречена вызывать сильную реакцию. Она не выглядит нейтрально, а скорее как история о потере контроля — над бюджетом, над справедливостью, над будущим

#канал_обозревает
@causal_channel

Эконометрика бронзового века
Свежее исследование [Huybers, Tabellini, Taylor, Toti, 2026] показывает: если собрать команду из климатолога и трех экономистов, можно понять, как наши предки мигрировали тысячелетия назад. Инструмент для этого дала популяционная генетика

Логика изящна: в геноме сохраняются сегменты, идентичные по происхождению (identity-by-descent, IBD). Это идеальный прокси-показатель перемещения: если два древних человека, погребенных на огромном расстоянии друг от друга, делят длинный общий участок ДНК, значит, их недавний общий предок совершил переезд между этими регионами

Надежно вычленять подобные связи на индивидуальном уровне даже из фрагментированных древних останков позволяет алгоритм ancIBD, разработанный биологами [Ringbauer et al., 2024]. По сути, этот метод открыл для социальных наук совершенно новый массив микроданных о доисторической мобильности

Масштаб впечатляет: "У одного представителя ямной культуры (кочевых скотоводов бронзового века), погребенного близ Самары около 3200 г. до н.э., всего через несколько столетий обнаруживаются прямые генетические потомки в 2600 км к востоку в Сибири и в 2200 км к западу в Центральной Европе. Спустя три тысячелетия подобные родственные связи всё ещё тянутся от Центральной Европы аварского периода до средневековой Монголии — сквозь более чем 6500 километров" [Huybers, Tabellini, Taylor, Toti, 2026]

Взяв за основу данные о генетических связях, авторы агрегировали их в классическую панель двусторонних миграционных потоков. Разбив географию на пространственную сетку с ячейками 1°×1° (градус широты на градус долготы), а время — на 500-летние интервалы, они получили матрицу перемещений, идеально подходящую для оценки гравитационных моделей

Гравитационные модели - классика исследований в международной торговле: чем больше "масса" экономик и меньше расстояние между ними, тем интенсивнее обмен. Но в случае доисторической миграции издержки преодоления расстояния — это не просто километры, а экологическая дистанция: разница в накопленной за сезон температуре, осадках и качестве почв. Идея проста: люди неолита и бронзового века мигрировали не случайным образом, а целенаправленно искали климатические ниши, максимально похожие на их родину

Специфичность человеческого капитала
Самый изящный вывод статьи заключается в том, как направления миграции связаны с технологиями производства: хотя все наши предки мигрировали в похожие на их предшествующее место жительства локации, но для разных типов хозяйствования "похожесть" места означала совершенно разные вещи:
📍Земледельцы жёстко привязаны к температурному режиму и качеству почвы — скорее всего, это связано с тем, что их семена и сельскохозяйственные навыки адаптированы к конкретному вегетационному сезону
📍Скотоводы сильнее реагируют на режим выпадения осадков, что отражает особенность этой технологии: от уровня влаги напрямую зависит их кормовая база и продуктивность пастбищ
📍Охотники-собиратели наиболее чувствительны к обыкновенной географической близости, скорее всего, потому что их знания локализованы вокруг конкретного рельефа и привычных маршрутов

Миграция также работала как осознанный механизм адаптации. Если на родине теплело на 1°C, потомки мигрантов оседали в местах, которые были в среднем на 0.4°C прохладнее, то есть популяции буквально компенсировали климатический шок ногами

Неолит vs современность
Интересно, что "экологический мэтчинг" — это не архаичная особенность наших предков. Современная миграция в США обладает схожей динамикой: температурная разница между штатами до сих пор определяет, куда переедет человек [Obolensky, Tabellini, Taylor, 2024]

Если в детстве вы зачитывались книгами о раскопках и мечтали стать антропологом, но в итоге обнаружили себя экономистом — это не повод отказываться от мечты: оказывается, эконометрика, генетика и археология прекрасно работают вместе

#канал_обозревает
@causal_channel

Мифы в поведенческой экономике: почему мы поверили, что женщины сильнее реагируют на стимулы?

Сегодня мы с вами решили обсудить еще один миф, который часто используется в поведенческих исследованиях и дизайне политик: считается, что женщины в среднем сильнее реагируют на изменения среды, чем мужчины. Это так называемая female sensitivity hypothesis, согласно которой поведение женщин более эластично к разного рода вмешательствам (Araujo, Gupta, Vesterlund, 2026)

Идея красивая, но новая статья (Araujo, Gupta, Vesterlund, 2026) показывает, что эта гипотеза -- это скорее академический миф, раздутый селективным цитированием, чем эмпирический факт. Давайте разберемся

Как проверить гипотезу о наличии различий?
Обычно говорят о большей чувствительности женщин к изменениям, если находится значимое различие в поведении мужчин и женщин. Но это лишь корреляции, а найденный эффект может быть случайным. В этом месте помогут метаисследования
Фелипе Араужу, Нираджа Гупта и Лиз Вестерлунд решили протестировать гипотезу на максимально большом массиве данных:
📍Сначала они взяли более 200 статей по экспериментальной экономике, где вообще могла бы тестироваться разница в реакциях женщин и мужчин
📍Затем они обратились к сырым данным двух крупных мета-исследований, включая известную работу о стабильности эффектов гендера (DellaVigna, Pope, 2022; Exley et al., 2025📎)
📍На этих данных авторы провели свыше 200 прямых попарных тестов, напрямую сопоставляя эффекты интервенций для мужчин и женщин

Оказалось, что пол не является значимым предиктором чувствительности к экспериментальному воздействию: эффекты колебалются около нуля, никакой систематической женской «сверхчувствительности» к изменениям условий не обнаружилось

📎Более того, существует устойчивый стереотип: женщины систематически воспринимаются как более щедрые и ориентированные на равенство, чем мужчины (этот разрыв в ожиданиях составляет примерно 8–13 п.п. в разных лабораторных экспериментах). Однако фактические гендерные различия в социальном поведении малы и нестабильны

(Exley et al., 2025)

Если эффекта нет, откуда взялась уверенность в чувствительности женщин к интервенциям?
Авторы (Araujo, Gupta, Vesterlund, 2026) проделали изящное библиометрическое упражнение: они собрали статьи, которые прямо ссылаются на гипотезу о чувствительности женщин, и посмотрели на контекст цитирования. Оказалось, что гипотезу упоминают преимущественно те работы, чьи локальные результаты её случайно подтвердили. В результате возникает классическое смешение к подтверждению (confirmation bias): если в вашем эксперименте женщины вдруг отреагировали на бонус сильнее мужчин, вы пишете: "это согласуется с гипотезой"; если различий нет, то вы просто ничего об этом не пишете. В итоге в литературе накапливаются сотни упоминаний гипотезы как доказанного факта, хотя общая масса данных говорит об обратном

Развенчание этого мифа отлично ложится в общий тренд на репликации в экономических (и не только) исследованиях, о которых мы писали ранее тут, тут, тут и тут

#канал_развенчивает_мифы
#канал_обозревает
@causal_channel

Хроники выгорания и забота о себе

Согласно опросу SuperJob, в России в 2026 году об эмоциональном выгорании на работе говорят 71% экономически активных россиян, для сравнения в 2025 году этот показатель составил 58% (SuperJob, 2026)

Сегодня, 24 июля — международный день заботы о себе. Дата (24/7) выбрана не случайно, а как напоминание, что забота о себе должна быть постоянной, а не разовой акцией. Чтобы не быть голословными, мы решили сегодня обсудить выгорание на примере недавнего широкого исследования в Швеции (Nekoei, Sigurdsson, Wehr, 2025) и показать, что день заботы о себе — это не только о себе, но и о других тоже, так как эффекты выгорания расходятся далеко за пределы жизни одного человека

Немного предыстории: в 2006 году Швеция первой в мире ввела строгие клинические критерии диагностики выгорания, что позволило собрать уникальную базу — полные административные данные по всей стране за 14 лет, которые включают множество показателей от маркеров выгорания до больничных листов и налоговых деклараций. Окей, но как оценить эффект от выгорания?

Сразу сделаем дисклеймер: далее мы будем обсуждать одну из лучших доступных на сегодня причинных оценок эффекта выгорания (понимая ограничения исследования — например, невозможность полностью избавиться от самоотбора). Но в экономике труда рандомизировать выгорание или другие события (например, смену работы или брак) чаще всего невозможно по этическим причинам — никто не может специально довести случайную половину работников до истощения ради чистоты эксперимента, поэтому мы аккуратно, но все же верим в оценки обсуждаемого исследования как в верхнюю границу оценки эффекта

Эпизод I: человек, который выгорел
Чтобы отделить субъективные причины выгорания от объективных, Араш Некои, Йоусеф Сигурдссон и Доминик Вер (Nekoei, Sigurdsson, Wehr, 2025) предложили смотреть на переходы людей между компаниями (понимая, что это не случайный выбор, но контролируя характеристики людей, их семей и финансового положения). Это позволило отделить эффект рабочей среды от личных особенностей человека, используя matched difference-in-differences. Главный вывод: выгорание — это свойство места, а не человека. Переход из фирмы с низким риском выгорания (с низкой долей выгоревших) в фирму с высоким риском увеличивает вероятность выгорания сотрудника в 4 (!) раза

📍И рынок здесь не помогает: на стрессовых вакансиях нет премии за риск, наоборот, фирмы с высоким уровнем выгорания платят меньше и оказываются менее продуктивными

📍След от выгорания не исчезает вместе с формальным выздоровлением. Спустя семь лет после кризиса доход остается на 12% ниже прежней траектории

Регрессия к среднему? Может, дело не в том, что выгорание вызывает падение дохода, а в том, что человек уже перерабатывал и был на пике карьеры, а падение — это просто естественная коррекция после аномального всплеска, то есть мы видим регрессию к среднему? Для этого авторы проверяют параллельность трендов за 4–5 лет периода, предшествующего выгоранию. Оказывается, что выгоревшие не показывают аномального карьерного или зарплатного взлета перед диагнозом: расхождение начинается только после него

Эпизод II: страдает тот, кто рядом
Выгорание затрагивает не только человека, который выгорел, но и его близких. Доход жены выгоревшего падает на 4,4% и остается сниженным надолго, для мужей выгоревших женщин эффект слабее — 1,1%. Авторы связывают это с возможным внутрисемейным перераспределением: когда один партнер выгорает, временно теряет трудоспособность или сокращает нагрузку, здоровый партнер вынужден компенсировать это дома — брать на себя больше бытовых обязанностей, заботу о детях, эмоциональную поддержку выгоревшего партнера

Эпизод III: "выгоревшие" дети
Самый неожиданный результат касается детей. Если родитель выгорает в школьные годы ребенка, вероятность его поступления в вуз падает на 8% (что частично может быть связано с сокращающимся доходом семьи)

Так замыкается круг: усталость, не остановленная вовремя, накапливается и находит отражение во всей семейной истории

#канал_обозревает
@causal_channel