доказательный ⎵ пробел dan repost
🗺 Causal inference и пространственный treatment
На Substack Скотта Каннингема вышла заметка Кайла Баттса (доцент экономики в University of Arkansas). Она посвящена исследованию Майкла Поллманна (доцент экономики в Duke University), «Causal Inference with Spatial Treatments».
Поллманн рассматривает ситуацию, когда treatment «привязан» не к индивиду, а к месту (location). Тогда ключевой вызов - корректно оценить его влияние на соседние объекты. Он предлагает дизайн-базированный подход (design-based inference), где treatment случайно назначается из множества возможных точек-кандидатов, а контрольные единицы (control units) формируются на основе тех локаций, где treatment мог быть реализован, но не был.
Автор критикует стандартную стратегию «внутренний контур vs. внешний контур» (inner vs. outer ring): подход базируется на утверждении, что если бы не treatment, то объекты во внутреннем контуре (близком к объектам «лечения») и внешнем контуре были бы похожи - значит, внешний контур можно использовать как контрольную группу для внутреннего. Поллманн пишет, что «внешние» объекты могут систематически отличаться по пространственным характеристикам. В качестве решения он предлагает учёт пространственной корреляции и использование методов машинного обучения для балансировки по пространственным ковариатам, иными словами - моделирование пространственного распределения.
Эмпирический пример - влияние расположения продуктовых магазинов на трафик к ресторанам в период COVID-19: положительный эффект treatment'а заметен лишь в непосредственной близости и быстро исчезает с расстоянием.
Работа Поллманна предлагает новую методологию анализа пространственных treatment-эффектов.
@evidencespace
На Substack Скотта Каннингема вышла заметка Кайла Баттса (доцент экономики в University of Arkansas). Она посвящена исследованию Майкла Поллманна (доцент экономики в Duke University), «Causal Inference with Spatial Treatments».
Поллманн рассматривает ситуацию, когда treatment «привязан» не к индивиду, а к месту (location). Тогда ключевой вызов - корректно оценить его влияние на соседние объекты. Он предлагает дизайн-базированный подход (design-based inference), где treatment случайно назначается из множества возможных точек-кандидатов, а контрольные единицы (control units) формируются на основе тех локаций, где treatment мог быть реализован, но не был.
Автор критикует стандартную стратегию «внутренний контур vs. внешний контур» (inner vs. outer ring): подход базируется на утверждении, что если бы не treatment, то объекты во внутреннем контуре (близком к объектам «лечения») и внешнем контуре были бы похожи - значит, внешний контур можно использовать как контрольную группу для внутреннего. Поллманн пишет, что «внешние» объекты могут систематически отличаться по пространственным характеристикам. В качестве решения он предлагает учёт пространственной корреляции и использование методов машинного обучения для балансировки по пространственным ковариатам, иными словами - моделирование пространственного распределения.
Эмпирический пример - влияние расположения продуктовых магазинов на трафик к ресторанам в период COVID-19: положительный эффект treatment'а заметен лишь в непосредственной близости и быстро исчезает с расстоянием.
Работа Поллманна предлагает новую методологию анализа пространственных treatment-эффектов.
@evidencespace