学术计量经济学家通常对确定因果关系感兴趣。似乎我所听说的所有私营部门统计/数据科学工作都只是在寻找预测模型。

私营部门是否有研究因果关系的工作（或政府工作）？

我是技术经济学家，致力于对观察性或有缺陷的实验数据进行因果推理。大多数大型科技公司都会像我一样，围绕价格，市场营销和产品设计进行应用研究。在一些公司中也有公共政策团队。

还有很多人从事网络实验。这是一个更大的群体。

最后，还有一些特定类型的经济学咨询，特别是反托拉斯，这是主要的重点。

[审查了前五个情感答复。]

坦白说，这是网站上最奇怪的问题之一。并显示您的教授所说的内容与实际生活（即象牙塔外的生活）之间有多大的脱节。偷看是一件好事……但是您（意味着，经济学博士学位的学生）肯定需要更频繁地这样做。

是的，在学术界以外的工作中，人们（惊讶，惊讶）使用因果推理方法。并且（惊讶，惊讶）发表论文。我的回答是针对美国的，但是我相信您可以在其他国家找到类似的组织。

• 示例1（仅因为我在工作中对它内部熟悉）。我在一家大型合同研究组织Abt Associates的子公司工作。它在50个国家/地区拥有约2300名员工，其中大多数人从事进行或支持评估研究以及实施干预措施。雅各布·科勒曼（Jacob Klerman）是排名前6位的技术人员（称为高级研究员）之一，是《评估评论》的编辑。，负责监督约5/6具有学术联系的编辑委员会。因此，这是您的私营部门示例。（查看公司排名广告，以具体了解类似公司可能正在寻找什么样的技能-我不确定每个人都在JOE上做广告，因为这很昂贵；我可以很容易地在美国列举另外12个会很高兴的人雇用狡猾的计量经济学家。）
• 示例2（由于我了解从其他场所启动该项目的人，所以我对此有一点点熟悉）：什么是票据交换所美国联邦教育部（US Department of Education）的网站是致力于对已发布的教育计划分析进行荟萃分析的网站。WWC通过审阅者网络运作，这些审阅者被给予关于哪些研究具有足够严格性来支持因果关系主张的研究的具体指示，而哪些则没有。事实证明，大多数已发表的研究都是绝对废话。就像胡说。没有对照组。无需检查人口统计学协变量/基线当量的余额。只有大约3-5％的研究（出于善意而发表在同行评审文献中）“无保留地达到标准”-意味着，它们具有某种随机性，可控的磨损和交叉污染的外观，并以某种或多或少可以接受的方式进行了分析。（根据贝叶斯定理，当您听到有人说：“但是我看到它发表的文章说，口香糖可以提高数学成绩”时，您可以回答“ BS”，那么您有90％的时间是正确的。）无论如何，这是联邦政府部门项目，因此这是您的一个示例，其中政府机构审查了因果推断工具的正确使用。（以您的名字作为研究审核员，这对您将是一次很棒的教育经历。如果我在进行课程评估，那么我会成为我的学生的要求。）（对于与FDA合作的生物统计学家，在收集任何数据之前必须提交您的分析代码，WWC标准仍然很宽松。）至少在90％以上的时间内是正确的。）无论如何，这是联邦部门的项目，因此这是您的一个示例，其中政府机构审查了因果推断工具的正确使用。（以您的名字作为研究审核员，这对您将是一次很棒的教育经历。如果我在进行课程评估，那么我会成为我的学生的要求。）（对于与FDA合作的生物统计学家，在收集任何数据之前必须提交您的分析代码，WWC标准仍然很宽松。）至少在90％以上的时间内是正确的。）无论如何，这是联邦部门的项目，因此这是您的一个示例，其中政府机构审查了因果推断工具的正确使用。（以您的名字作为研究审核员，这对您将是一次很棒的教育经历。如果我在进行课程评估，那么我会成为我的学生的要求。）（对于与FDA合作的生物统计学家，在收集任何数据之前必须提交您的分析代码，WWC标准仍然很宽松。）

在药物统计和许多相关领域中，在决定是否应使用干预措施时，干预与健康结果之间的因果关系是关注的关键问题。有广泛的子领域，例如随机试验（临床或临床前），非随机或单臂试验，实验室试验，荟萃分析，基于不良事件自发报告的药物安全性监测，流行病学（包括像Mandelian随机化这样的想法）和有效性研究（例如，使用观察性数据，例如保险索赔数据库）。当然，在设计的随机实验（如随机临床试验）中，因果关系要比其他一些应用要容易一些。

我是美国最大的高级生活转介服务公司“妈妈之地”的研究员。我们设计了一项调查，旨在了解进入辅助生活社区如何影响生活质量。因果推断是这项研究的核心，因果分析的方法（例如匹配，建模选择过程，估计平均治疗效果）至关重要。

在大多数私营部门情况下，您无需担心因果关系

在实践中，尽管使用了典型的语言，但人们对可理解的影响而不是（可理解的）因果关系更感兴趣。

从学术角度来看，很有趣：

如果我做A，因此结果将是B

但是从实际的角度来看，在几乎所有情况下，以下是人们真正想知道的内容：

如果我做A，结果将是B

当然，您可能对A的影响感兴趣，但是，是否确实是A的原因，还是只是偶然发生了创建这种关联的隐藏原因，通常并不那么有趣。

注意限制

您可能会认为：好的，但是如果我们不知道A会导致B，那么按照该假设进行操作很有风险。

从某种意义上说这是正确的，但是在实践中您再次担心：它会起作用，还是有例外？

为了说明这一点，您可能会注意到这种情况：

如果我做A，在情况X中，由于A，结果将是B，由于X，结果将偏离增量

没有比这种情况有用的多了（假设您可以平等地量化影响）：

如果我做A，在情况X下，结果将是B，并且结果将偏离增量

简单示例：引起的相关性

• 答：补充机油
• B：减少刹车失灵
• C：汽车检查

逻辑：C总是导致A和B

结果关系：如果A上升，B上升，但是A和B之间没有因果关系。

我的观点：您可以对A对B的影响进行建模。A不会导致B，但是模型仍然是正确的，并且如果您具有有关A的信息，那么您将具有有关B的信息。

对带有有关A的信息的制动器失效诱惑感兴趣的人将只关心了解A与B的关系，并且仅关心该关系是否正确，无论该关系是否为因果关系。