📈 Мы добавили ещё одну разность, чтобы ты брал разность, пока считаешь разность разностей

Метод разности разностей (Difference-in-Differences, DiD) давно стал классикой причинного анализа. Он позволяет оценить воздействие политики или реформы, сравнивая изменения в группе, подвергшейся воздействию, и в контрольной группе — до и после. Но DiD опирается на жёсткое допущение: если воздействия нет, то тренды у групп должны быть параллельны

А в реальности тренды часто различаются — между регионами, группами, слоями населения. Что делать, если параллельные тренды — слишком сильное или неправдоподобное предположение? Здесь на помощь приходит дизайн тройных разностей (Triple Differences, DDD)

↔️ Что такое DDD?
DDD применяется, когда воздействие наступает только при одновременном выполнении двух условий:
1️⃣ Наблюдение находится в группе, где воздействие разрешено (например, в штате, где введена программа) (treatment)
2️⃣ Наблюдение принадлежит к подмножеству, имеющему право на воздействие (eligible)
Остальные — не имеющие права на воздействие (ineligible)

↔️ Как устроены три разности?
DDD — это буквально разность разностей разности:
🟤Разность A: между имеющими (eligible) и не имеющими (ineligible) право на воздействие в группе, где воздействие разрешено
🟤Разность B: такая же разность в группе, где воздействие не разрешено
🟤Разность A – B: это и есть тройная разность, которая выделяет чистый эффект воздействия

↔️ Почему DDD — более гибкий подход?
🟤В отличие от DiD, DDD не требует, чтобы тренды были параллельны у всех групп
🟤Вместо этого достаточно, чтобы разность трендов между имеющими и не имеющими право на воздействие была одинаковой в разных группах
🟤То есть тренды могут отличаться между регионами (например, разные штаты); тренды могут отличаться между подмножествами (например, мужчины и женщины); но структура этих различий (разность между eligible и ineligible) должна быть стабильна
🟤Это значительно ослабляет идентификационные допущения, делает дизайн более реалистичным и устойчивым в прикладных задачах

↔️ Но не все так просто! Стандартные DDD-практики — часто ошибочны
Марсело Ортис-Вильявисенсио и Педро Сант’Анна (Ortiz-Villavicencio, Sant’Anna, 2025) показывают, что представление DDD как разности двух DiD и использование регрессий с тройными фиксированными эффектами (3WFE) могут давать сильно смещённые оценки, особенно если:
🟤в данных важны ковариаты
🟤воздействие внедряется постепенно (staggered adoption)
🟤состав eligible/ineligible различается между группами
Причина: эти методы некорректно строят контрольную группу и не учитывают ковариатное распределение среди реально подвергшихся воздействию наблюдений

🆕 Что предлагают авторы?
Они разрабатывают строго обоснованные и устойчивые оценки:
🟤регрессионная корректировка (Regression Adjustment)
🟤взвешивание по вероятности (Inverse Probability Weighting)
🟤двойная робастность (Doubly Robust, DR) — наиболее стабильный вариант
🟤объединение нескольких валидных контрольных групп через GMM с influence functions — для повышения точности и снижения дисперсии

Симуляции показывают, что стандартные подходы дают систематическое смещение, а новые методы — точные и эффективные, даже в сложных сценариях

Пока нет библиотеки, которая реплицировала бы подход (Ortiz-Villavicencio, Sant’Anna, 2025), но авторы обещают нас вскоре ей порадовать — будем ждать!

#канал_обозревает
#канал_рекомендует
@causal_channel

🧠 Машинное обучение в экономике: препятствия, мифы и светлое будущее

Машинное обучение постепенно входит в эмпирическую практику экономистов — от отбора переменных до оценки индивидуальных эффектов воздействия. В академической экономике это движение встречает заметное сопротивление. По мнению Беатрис Гитнер (University College Dublin), источники этого недоверия кроются в фундаментальных интеллектуальных барьерах:
🟤Ортодоксии — укоренившейся приверженности линейным моделям, ручной спецификации и классическим подходам, даже когда они не подходят к данным
🟤Пуризме — идеале «чистой» идентификации, где любое отклонение от RCT или строго структурных моделей считается снижением научной добродетели
🟤Недопонимании — представлении, что машинное обучение — это исключительно про прогноз и не применимо для каузального анализа

В этом посте, основанном на публикации в блоге Беатрис Гитнер, мы разберём наиболее популярные мифы об ML в экономике, предложим контраргументы и в финале расскажем о свежей важной обзорной работе в сфере ML и causal inference

↔️ Миф 1: ML — это только про прогноз, а не про причинно-следственный анализ
Современный причинный вывод активно использует ML как инструмент оценки вспомогательных (nuisance) функций (условных ожиданий, вероятностей назначения, и т.п.) в рамках строго идентифицированных моделей
🟤Double/Debiased Machine Learning (Chernozhukov et al., 2018): позволяет получить √n-состоятельные оценки с корректной инференцией
🟤Causal forests (Athey, Wager, 2019): оценивают гетерогенные эффекты при слабых предпосылках
🟤Meta-learners (Kunzel et al., 2019): формализуют оценку индивидуальных эффектов воздействия
Эти подходы позволяют совмещать гибкость ML с требованиями строгой причинной идентификации

↔️ Миф 2: ML — это «чёрный ящик»
Многие считают, что ML-модели сложно интерпретировать, а значит они бесполезны для научного исследования. Но интерпретируемость ≠ линейность. Современные инструменты позволяют:
🟤извлекать локальные и глобальные эффекты переменных (например, через SHAP или LIME) (Lundberg, Lee, 2017)
🟤оценивать гетерогенность эффектов (causal forest)
🟤формализовать вклад ковариат в treatment effect (meta-learners, feature importance в policy models)
Интерпретируемость в ML — это вопрос правильно выбранного инструмента и научной задачи

↔️ Миф 3: ML нарушает стандарты статистического вывода
Ранние версии ML действительно не обеспечивали достоверного статистического вывода (inference): стандартные ошибки, доверительные интервалы, p-значения были недоступны. Но в последние годы это изменилось. ML в каузальном анализе сопровождается:
🟤Neyman-ортогональностью (устойчивость к ошибкам оценки вспомогательных параметров) (Chernozhukov et al., 2018; Ahrens et al., 2025)
🟤Sample splitting / cross-fitting (устранение смещения от переобучения)
🟤Bootstrap-инференцией или post-selection methods для доверительных интервалов
Результат — ML-подходы, совместимые с классической инференцией и теорией оценивания

↔️ Миф 4: ML не позволяет делать обобщения и policy-выводы
ML предоставляет именно те инструменты, которых не хватает классической эконометрике, например:
🟤Causal forests и X-learners оценивают индивидуальные эффекты воздействия (CATE) (Athey, Wager, 2019; Kunzel et al., 2019)
🟤Policy learning позволяет вывести, кому и при каких условиях нужно рекомендовать интервенцию (Athey, Imbens, 2019)
То есть ML не мешает, а расширяет возможности вывода для политики

↔️ Что почитать?
Если вы хотите разобраться, как применять ML в причинной эконометрике, начните со свежего июньского обзора (Ahrens et al., 2025), среди авторов которого Виктор Черножуков и Кристиан Хансен

Если же вы хотите не только понять, но и научиться применять эти методы на практике, начните с сайта авторов обзора dmlguide.github.io, проектов Causal ML Book от Виктора Черножукова с соавторами и Dive into Causal Machine Learning от команды, которая перерабатывает учебные материалы ведущих ученых на разные языки программирования, а также учебных материалов Мадины Курмангалиевой

#канал_обозревает
#канал_рекомендует
@causal_channel

Также наше внимание привлекла отличная рекомендация доказательного ⎵ пробела
Обратите внимание, если вы давно хотели начать свое приключение в анализ данных с использованием ИИ ⤵️

💬 Что общего у языков Ганы и ChatGPT?

Многие из вас в курсе, что в русском языке есть отдельные слова для обозначения синего и голубого цветов, а вот, например, в английском преимущественно используется blue (со всеми оговорками о возможности описать цвет как «светло-синий» и др.). Но как так произошло? А еще почему красный, жёлтый или зелёный появляются в разных языках в определённой последовательности? Эти вопросы давно интересуют лингвистов, антропологов и когнитивных учёных. Давайте разберемся!

🎨 Как рождаются слова для цветов?
Хотя есть разные теории эволюции языков, давайте обратимся к интересной теории, которую предложила Нога Заславски с коллегами (2022). Нам, как экономистам, эта теория близка, потому что в ней напрямую используется определение эффективности

Представьте, что язык – это канал передачи информации между людьми. Он должен передавать достаточно точную информацию, но при этом быть достаточно простым, чтобы мозг и память человека справлялись с его обработкой

Эффективность языка – это компромисс между точностью и сложностью. То есть реализуется принцип информационного бутылочного горлышка: язык должен передать максимум полезной информации о смысле (например, о цвете), используя минимум "ресурсов" - то есть ограниченное количество слов

✍️ Как это проверить на практике?
🟢На первом этапе надо взять данные о том, как носители языка называют цвета (например, данные World Color Survey) - пример палитры в картинках к посту - участникам показывают каждый из цветов и просят назвать цвет
🟢Далее можно оценить, сколько информации передаёт система слов о цвете, и насколько разнообразны и специализированы эти слова
🟢Сравнив реальные языки с модельными языками, сгенерированными на основе принципа бутылочного горлышка можно понять, насколько язык "эффективен"

В результате сравнения множества реальных языков оказалось, что они находятся близко к теоретически оптимальной границе – значит, они эффективны

🙂 Звучит захватывающе, но вдруг это просто случайность?
Проиллюстрировать теорию авторам помог редкий случай – изменения в системе наименования цветов в языке Нафаанра, распространённого среди небольшого народа в Гане и Кот-д’Ивуаре. В отличие от большинства лингвистических данных, которые представляют собой «моментальные снимки», здесь исследователи смогли сравнить две временные точки с разницей в 41 год: данные, собранные в 1978 году, с новыми полевыми материалами 2019 года

За 40 лет в языке Нафаанра произошли значимые изменения: появились новые слова и категории для цветов (см. вторую картинку). Но вот что поразительно: несмотря на эти изменения, система осталась эффективной с точки зрения информационной теории, предложенной (Zaslavsky et al., 2022). Другими словами, язык «перестроился», но не потерял эффективности. Это можно сравнить с тем, как компания меняет свою структуру или линейку продуктов, не теряя в прибыльности. Так и язык Нафаанра адаптировался к новым условиям, сохранив способность точно и просто описывать цвета

🤔 А это касается только цветов?
Помимо работы с цветообозначениями, есть и другие исследования, показывающие роль эффективности в языковых системах:
🟢Системы местоимений разных языков оптимизируют компромисс между сложностью и информативностью (Denic et al., 2021)
🟢Системы числительных во многих языках эволюционируют в направлении эффективной передачи информации (Xu et al. 2020)

🖥 А нам летать, а нам летать охота!
На прошлой неделе мы обсуждали ИИ, так вот современные языковые модели, включая ИИ-агентов, всё чаще обучаются с учётом информационных ограничений, схожих с теми, что действуют на естественные языки: нужно передавать как можно больше смысла, используя ограниченные ресурсы – будь то количество токенов, параметры сети или время пользователя. Даже простые искусственные агенты, решающие задачу различения цветов, развивают сигнальные системы, близкие по структуре к человеческому языку (Chaabouni et al., 2021)

Это не кажется случайностью: и природа, и техника приходят к похожим компромиссам между сложностью и точностью

#канал_обозревает
@causal_channel

💊 Интенсивность имеет значение: как оценить эффект, если воздействие имеет разную силу?

Недавно мы обещали рассказать вам, как оценивать эффекты, если воздействие непрерывное -- пришло время этой темы!

Обычно для оценки влияния политик или другого воздействия используется метод разность разностей (Difference-in-Differences, DiD), но он работает хорошо, когда можно разделить наблюдаемые единицы на две группы: тех, кто подвергся воздействию, и тех, кто нет

В реальности же воздействие часто имеет не бинарную, а непрерывную природу — то есть разную интенсивность (dose):
🟤уровень загрязнения воздуха в регионах
🟤доля пациентов с ДМС в больнице
🟤количество символов в посте 😁 и т.д.

Во всех этих случаях вопрос звучит не "было ли воздействие?", а "насколько интенсивным оно было?"

🆕 Не скоро дело делается... Спустя 5 лет эти вопросы снова подняли в своём препринте известные исследователи DiD — Брэнтли Кэллоуэй (Университет Джорджии), Эндрю Гудман-Бейкон (Федеральный резервный банк Миннеаполиса) и Педро Сант'Анна (Университет Эмори) (Callaway et al., 2025)
Авторы переосмысливают классический DiD и показывают, что при непрерывном воздействии привычные методы могут давать некорректные оценки

⏮ В чём проблема?
Во многих прикладных работах исследователи используют стандартную модель с фиксированными эффектами (TWFE) и включают переменную интенсивности воздействия, умноженную на бинарную переменную пост-периода. Но такая оценка:
🟤не равна среднему причинному эффекту
🟤не отражает отклик на изменение интенсивности
🟤может быть смещенной из-за гетерогенных эффектов в разных группах и при разных интенсивностях
🟤складывается из эффектов при разных уровнях интенсивности с непрозрачными, иногда отрицательными весами

Авторы показывают, что даже в простой ситуации 2×2 DiD (две группы, два периода), коэффициент TWFE не имеет корректной причинной интерпретации, если интенсивность воздействия варьируется

⏮ Что и как нужно оценивать на самом деле?
Авторы вводят два типа причинных эффектов:
🟤Уровневый эффект (Level Effect) — показывает, как изменяется результат при переходе от нулевой интенсивности к заданной
🟤Причинный отклик (Causal Response) — описывает, как результат реагирует на небольшое изменение интенсивности. Это аналог производной или эластичности, но в причинном смысле

⏮ Что делать?
🟤Если вы хотите понять, что даёт воздействие при конкретной интенсивности — ищите уровневый эффект
🟤Если хотите знать, как результат реагирует на рост интенсивности — ищите причинный отклик
🟤Если нужно усреднённое значение по всей выборке — считайте агрегаты с корректными весами

⏮ Какие нужны предпосылки?
🟤Параллельные претренды (Parallel Trends) - предположение, что без воздействия все группы развивались бы одинаково
→ Позволяет идентифицировать уровневый эффект при заданной интенсивности
🟤Сильные параллельные претренды (Strong Parallel Trends) - предположение, что результат при одинаковой интенсивности развивался бы одинаково у всех групп
→ Необходимо для корректной оценки причинного отклика

⏮ Действительно разные результаты? Medicare и капиталоёмкость
🟤Дарон Аджемоглу и Эми Финкельштейн (Acemoglu, Finkelstein, 2008), используя TWFE показали, что после отмены трудовых субсидий по Medicare больницы стали больше инвестировать в капитал
🟤Авторы новой статьи применили свой подход к тем же данным — и получили иные результаты: уровень эффекта оказался на 50% выше, чем в TWFE; причинный отклик был положительным при низкой интенсивности, но негативным при высокой
🟤Это означает, что TWFE не просто занижал эффект, но и менял его знак при попытке оценить маржинальный отклик

🖥 Открытый пакет contdid
Авторы статьи разработали R-пакет contdid. Это пока альфа-версия, но она уже поддерживает непрерывное воздействие, ступенчатое воздействие (staggered adoption), агрегации по интенсивности и времени
🔗 Документация пакета: Github и RD Packages

Заинтересованным в теме предлагаем также заглянуть в препринт (Zhang, 2025), где автор пытается решить похожую задачу с помощью double/debiased machine learning

#канал_обозревает
#канал_рекомендует
@causal_channel

🤩 Сантехники, философы или инженеры… или просто хорошие люди?

Обычно мы пишем посты вдвоем, но сегодня дебют нашей новой рубрики #канал_объединяет. Праздничный пост в ней нам помог подготовить наш замечательный коллега — обладатель множества регалий и ученый, который исследует нас, экономистов (социолог экономической науки), Александр Мальцев, д.э.н., доцент, заведующий кафедрой, заметитель декана ЭФ МГУ и просто отличный человек 👍
 
А повод для поста праздничный и гордый — на экономическом факультете МГУ начинается серия вручений дипломов бакалаврам. Позади бессонные ночи, экзамены, дипломы, а впереди самый важный вопрос: а кем мы стали?
 
🎓 Кого мы выпускаем?
Ответ не так очевиден, как может показаться. В XX веке экономистов сравнивали с дантистами (по версии Джона Кейнса — те, кто делает полезную, но рутинную работу, не мнящих себя надмирными гениями), с инженерами (Элвин Рот), с философами, занимающимися прикладными вопросами (Грегори  Мэнкью), с хирургами (Пол Ромер), и даже с сантехниками (водопроводчиками?) — так назвала экономистов Эстер Дюфло в своей знаменитой лекции (Duflo, 2017)
 
🙂 Экономисты как сантехники?
По мнению Дюфло, хороший экономист — это не cтолько теоретик, сколько практик, который «чинит» конкретные проблемы: разрабатывает налоговые реформы, проектирует образовательные программы, «ремонтирует» институциональные механизмы
 
🤔 Экономисты как философы и рассказчики?
Но с этим не согласна Дейдра Маклоски. Она считает, что экономика — это не про трубы и сантехнику, а про идеи, культуру и смыслы. Настоящий экономист, по её мнению, — это рассказчик о свободе и развитии, который соединяет факты с риторикой и моральной философией (McCloskey, 2021)
 
🔨 А может, мы — мостостроители между социальными науками?
Если ориентироваться на Аджемоглу и Робинсона — возможно, мы выпустили архитекторов институтов, которые умеют соединять политическую теорию, экономику, историю и культуру, а также думать в парадигме разных методов. Их работа — это не только анализ, но и построение моделей, способных объяснить, почему одни общества становятся богатыми и процветающими, а другие — пока нет (Acemoglu, Robinson, 2024)
 
❓ Так кто же мы?
Мы — те, кто умеет читать данные, строить модели, понимать культуру и задавать правильные вопросы. Мы — экономисты нового времени.
А значит — и сантехники, и философы, и инженеры. И даже немного поэты!
 
С выпуском вас, бакалавры! Добро пожаловать в экономику — самую гуманитарную из точных и самую точную из гуманитарных наук 👋❤️
 
#канал_объединяет
#канал_обозревает
@causal_channel

📊 Как оценить эффект воздействия, если в эксперименте нет интересуемого исхода?

В новой статье Сьюзан Эйти (Stanford University), Радж Четти (Harvard University) и Хидо Имбенс (Stanford University, лауреат Нобелевской премии по экономике 2021 года) предлагают новый метод — Experimental Selection Correction (ESC), или экспериментальная коррекция селекции (Athey et al., 2025)

Представьте, что вы хотите понять, влияет ли обучение в меньшем классе в начальной школе на вероятность того, что ученик в будущем закончит школу:
🟤У вас есть экспериментальные данные из проекта STAR в Теннесси: там детей случайным образом распределяли по классам разного размера, и вы наблюдаете их тесты в младших классах (Krueger, 1999). Но выпуск из школы (главный исход) в этих данных не фиксировался, потому что за детьми не следили до старших классов
🟤Также у вас есть административные данные (наблюдаемые) по школам Нью-Йорка, где видно, в каком классе учился ученик, какие у него были тесты и закончил ли он школу. Но здесь размер класса не случайный: он может зависеть от академических проблем, языка, инвалидности, решений школы
🟤В результате в одних данных есть случайность, но нет нужного исхода; в других — есть всё, но нет надёжной причинной идентификации

⏮ Что делали раньше: суррогатные переменные
Когда главный результат (например, выпуск) недоступен, исследователи часто использовали суррогаты (surrogate index method) — промежуточные переменные, реагирующие на воздействие и предсказывающие интересующий исход (Athey et al., 2019)

Использование суррогатов предполагает, что:
🟤Весь эффект воздействия проходит только через суррогат (Prentice, 1989)
🟤Нет скрытых переменных между суррогатом и главным исходом
🟤Эта связь стабильна между выборками
❗️Но на практике эти условия почти всегда нарушаются (Heckman et al., 2006; Chetty et al., 2011), что приводит к смещённым оценкам

⏮ Новый подход: экспериментальная коррекция селекции (ESC)
Метод ESC состоит из нескольких этапов:
🟤Использует эксперимент, чтобы оценить «чистый» эффект воздействия на суррогат
🟤Сравнивает его с наблюдаемым эффектом в реальных данных
🟤Интерпретирует разницу как селекцию
🟤Добавляет её как корректирующий компонент при оценке главного эффекта
🔥 Методологически это очень похоже на коррекцию Хекмана (Heckman, 1979), где сначала моделируется механизм селекции, а затем в основное уравнение добавляется корректирующий член
🔥 А еще ESC можно рассматривать как контрольную функцию в духе (Imbens, Newey, 2009), только построенную на эксперименте

⏮ Главное допущение ESC — латентная несмещённость
🟤Латентная несмещённость (latent unconfoundedness) — это допущение о том, что все скрытые (латентные) факторы, влияющие как на суррогатный исход, так и на главный интересующий результат, уже проявляют себя в поведении суррогата
🟤Если два ученика похожи по результатам теста (суррогат), то они также в среднем будут похожи и по вероятности выпускa из школы (главный исход) — даже если у нас нет полной информации об их бэкграунде, мотивации или семье
🟤Это немного напоминает условную независимость (conditional independence assumption), которую мы обычно предполагаем в мэтчинге
🟤Но это допущение намного слабее, чем то, что требует суррогатный подход (Athey et al., 2025)

⏮ Так что там со школьниками?
🟤В наблюдаемых данных Нью-Йорка наивная МНК-регрессия показывает: меньший класс снижает вероятность выпускa из школы на 1.76 п.п. — результат явно смещён из-за селекции (например, дети с особыми потребностями чаще учатся в маленьких классах)
🟤После применения ESC оценка становится +0.69 п.п., что согласуется с экспериментальными эффектами на тесты (Chetty et al., 2011) и указывает на положительное влияние меньших классов
🟤Авторы показали, что даже расширенный контроль по наблюдаемым переменным не устраняет смещение — а ESC справляется

Обычно эксперименты — штука долгая, дорогая и ресурсоемкая, а использование наблюдаемых данных вместе с такими корректирующими методами, как ESC, позволяет делать надежные каузальные выводы без увеличения издержек

#канал_обозревает
@causal_channel

📈 Как мощны мои лапищи! Или не мощны?

Сегодня мы хотим начать большой разговор про эффективность и производительность, о которых много думают экономисты. Чаще всего в качестве меры эффективности используется совокупная факторная производительность

Совокупная факторная производительность (TFP, Total Factor Productivity) — ключевой индикатор, показывающий, насколько экономика эффективно превращает ресурсы (чаще всего труд и капитал) в выпуск. В классической модели Солоу (Solow, 1957) она считается как остаток: если рост ВВП нельзя объяснить ростом труда и капитала, то всё остальное приписывают TFP

↔️ Как эволюционировали подходы к измерению TFP?
1️⃣Остаточный подход (Residual-based Accounting) [1950–1970-е] (Solow, 1957; Abramovitz, 1956)
🟤TFP трактуется как остаток в уравнении роста после вычитания вклада капитала и труда
🟤Подход основан на агрегированной производственной функции, обычно типа Кобба–Дугласа, с предпосылками постоянной отдачи от масштаба, совершенной конкуренции и нейтрального технологического прогресса
🟤TFP отражает необъяснённый рост и рассматривается как мера всего неизвестного

2️⃣Уточнённое ростовое счётоводство (Refined Growth Accounting) [1970–1990-е] (Jorgenson, Griliches, 1967; Hulten, Wykoff, 1981; Hulten, 2001)
🟤Начиная с 1970х исследователи начинают корректировать измерения труда и капитала: учитываются качество рабочей силы, возраст капитала, различия по отраслям и видам активов
🟤TFP становится более точной метрикой, но всё ещё не объясняет механизмы производительности

3️⃣Микроэкономическая оценка производственных функций (Micro-level Production Estimation) [1990-х – 2000-е] (Olley, Pakes, 1996; Levinsohn, Petrin, 2003)
🟤Подход переходит от стран к фирмам
🟤Используются панели фирм и методы, устраняющие смещения от эндогенного выбора входов (например, объёма труда и капитала)
🟤 TFP начинает рассматриваться как характеристика конкретной фирмы, а не макроагрегат
🟤Этот этап формируется в рамках empirical IO

4️⃣Подход неправильного распределения (Misallocation Approach) [2000–2010-е] (Hsieh, Klenow, 2009; Bartelsman et al. 2013)
🟤Производительность стран объясняется не столько технологиями, сколько неэффективным распределением ресурсов между фирмами
🟤Различия в TFP интерпретируются как следствие институциональных и рыночных искажений, но без явного учёта специфики институтов
🟤Эталон эффективности считается универсальным

↔️ Какие ограничения есть в TFP?
Несмотря на прогресс, подход к TFP всё ещё страдает от трёх фундаментальных проблем:
1️⃣TFP остаётся "чёрным ящиком". Мы знаем, что производительность разная, но не знаем почему. Всё списывается на "технологии", без конкретики и механизмов. Но, например, цифровая инфраструктура, качество менеджмента, инвестиции в R&D и квалификация персонала, напрямую связаны с уровнем TFP (Tian, Liu, 2021)
2️⃣Предполагается институциональное равенство и совпадение человеческого капитала. Сравниваются страны, будто у них одинаковая система права, налогов, образования, что в реальности не так (Rodrik, 1995; Acemoglu, Robinson, 2012). TFP по умолчанию считает, что единица труда одинакова вне зависимости от навыков и образования. Это серьёзно искажает расчёты (Maudos et al., 1999). Поэтому её еще называют "мерой невежества" (Abramovitz, 1956)
3️⃣Игнорируется специфика сектора услуг, который уже давно стал основным в развитых экономиках. Традиционные методы плохо справляются с измерением продуктивности в здравоохранении, образовании или госуправлении (Baumol, 1967; Duernecker et al., 2017). Кроме того, игнорирование экологических факторов приводит к систематическому завышению продуктивности: в исследовании по Китаю с 1978 по 2016 годы рост TFP оказался куда скромнее, чем в расчетах с учетом экологического факторв (Li et al., 2019)

Это еще не конец разговора про производительность - в следующем посте мы расскажем про новую парадигму TFP. Заинтриговали? Пристегивайтесь, мы продолжаем наше путешествие по эффективности

#канал_обозревает
@causal_channel

📊 Позавчера начался NBER Summer Institute — это ежегодная конференция, одно из самых значимых и авторитетных событий в области экономических исследований, собирающее ведущих учёных и экспертов из разных направлений экономики (в этом году конференция содержит более 35 направлений и проходит с 7 по 25 июля)

Мы хотели бы обратить ваше внимание на две секции, связанные с анализом данных и причинностью (24 июля - save the date) 📅

↔️ Methods Lecture: Uncovering Causal Mechanisms

🟤Mediation Analysis: Identifying Mechanisms Underlying Treatment Effects on Primary Outcomes (Kosuke Imai, Harvard University)
Раскрывает современные методы медиаторного анализа: как оценивать, через какие механизмы интервенции влияют на исход. Ключевой акцент — на идентификационные допущения и анализ чувствительности

🟤Surrogate Indices: Identifying Treatment Effects on Primary Outcomes Using Mediators (Raj Chetty, Harvard University and NBER) [мы писали об этом исследовании тут]
Показывает, как использовать суррогатные переменные и агрегирующие медиаторы для оценки эффектов, когда главные исходы пока не наблюдаемы

Трансляции и записи лекций можно будет посмотреть на YouTube

↔️ Frontier Econometric Methods

🟤Testing Mechanisms (Soonwoo Kwon, Jonathan Roth, Brown University)
Методы эмпирического тестирования механизмов эффектов воздействия: как убедиться, что интервенция действует именно через заявленный канал
Дискутант: Ismael Mourifié, Washington University in St. Louis and NBER

🟤Program Evaluation with Remotely Sensed Outcomes (Ashesh Rambachan, MIT; Rahul Singh, Davide Viviano, Harvard University)
Использование спутниковых данных и данных мобильных операторов в качестве исходов для оценки программ в труднодоступных регионах (экология, агросектор и др.)
Дискутант: Seema Jayachandran, Princeton and NBER

🟤Causal Inference on Outcomes Learned from Text (Iman Modarressi, Cambridge; Jann Spiess, Amar Venugopal, Stanford) [мы писали об этом исследовании тут]
Методы оценки причинного эффекта на текстовые переменные, извлечённые с помощью NLP (например, отзывы, протоколы заседаний и др.)
Дискутант: Jesse M. Shapiro, Harvard and NBER

🟤Identification of Long-Term Treatment Effects via Temporal Links, Observational, and Experimental Data (Filip Obradovic, UCLA)
Предлагается метод для объединения краткосрочных экспериментальных и долгосрочных наблюдаемых данных для оценки эффекта во времени
Дискутант: Susan Athey, Stanford and NBER

🟤Investigating Instruments with Meta-Regressions (Aaron Pancost, UT Austin; Garrett Schaller, Colorado State University)
Новый способ оценки качества инструментов через мета-регрессии, обобщающий информацию из разных исследований
Дискутант: Isaiah Andrews, MIT and NBER

🟤Estimating Demand with Recentered Instruments (Kirill Borusyak, UC Berkeley and NBER; Mauricio Caceres Bravo, Peter Hull, Brown and NBER)
Разработка рецентрированных инструментов для оценки спроса в моделях с дифференцированными продуктами — актуально для IO и маркетинговых исследований
Дискутант: Steven T. Berry, Yale and NBER

#канал_зовёт
@causal_channel

📦 TFP - больше не черный ящик!

⚙️ В сегодняшнем посте мы продолжаем разговор о том, как эмпирически оценить эффективность производства [1-я часть -- тут]

Долгие годы совокупная факторная производительность (Total Factor Productivity, TFP) считалась почти мистическим источником экономического роста -- «остатком» после учёта труда и капитала, тем, что объясняет всё, что не объяснено. Но что, если этот остаток -- не шум, а сигнал? Что если TFP -- это зеркало институтов, культуры, структуры экономики?

В новой работе Мисаэль Линарес (University of Georgia–Athens) предлагает именно такую радикальную переоценку: рассматривать TFP как не универсальную, а контекстно-зависимую величину, форму отражения качества институтов в конкретной стране, с учётом их неоднородного влияния (Linarez, 2025)

↔️Почему традиционный подход устарел?
🟤Ранее мы писали, почему TFP -- не просто остаток, а условный результат: классические модели предполагают, что все страны схожи по институциональным и структурным характеристикам, но даже при похожем старте траектории развития могут быть диаметрально противоположными
🟤Межстрановые сравнения по TFP сталкиваются дополнительно с проблемой «универсального эталона»: оценка «неэффективности» или «неправильного» распределения ресурсов часто игнорирует исторические, культурные и структурные особенности

↔️Что новенького?
Мисаэль Линарес предлагает новую методологию анализа TFP как функцию институтов, структуры и культуры. Для этого он использует инструменты причинного машинного обучения (causal machine learning):
🟤Causal Forest (Wager, Athey, 2018) позволяет измерить, как эффект институтов на производительность различается между странами
🟤Double Machine Learning (Chernozhukov et al., 2018) позволяет аккуратно оценивать причинные эффекты в ситуациях с большим числом переменных, минимизируя смещения
🟤LASSO-регрессия -- отбирает наиболее релевантные объясняющие факторы среди множества

↔️Что показал анализ?
🟤Улучшения в институциональном качестве действительно связаны с ростом производительности, но эффект зависит от уровня дохода и начального институционального состояния
🟤В бедных странах институциональные реформы дают максимальный эффект с минимальными издержками
🟤В странах со средним уровнем институтов реформы могут приводить к краткосрочным потерям
🟤В развитых странах эффект проявляется медленно и неоднозначно -- важны политические издержки и постепенность
Иначе говоря, реформы -- не универсальный рецепт. Их результат зависит от контекста и институциональной среды

↔️ Почему это важно для политики?
Подход (Linarez, 2025) разрушает миф о существовании универсальных "лучших практик". Он подтверждает старую, но часто игнорируемую истину: реформы работают по-разному в разных контекстах (Rodrik, 2008)
🟤В бедных странах нужны базовые и недорогие институциональные улучшения
🟤В развивающихся -- комбинированная стратегия: и институции, и структурная трансформация
🟤В развитых -- постепенность, стратегическая последовательность, и понимание политических издержек

#канал_обозревает
@causal_channel

🏭 Где рождается эффективность?

Мы продолжаем разговаривать про эффективность и сегодня решили поднять вопрос о том, где она рождается

В последние годы внимание к региональной специализации и пространственной концентрации резко выросло и не случайно. В условиях ограниченного роста производительности на макроуровне и растущей дифференциации между регионами, политикам и исследователям всё важнее понимать:
Может ли правильно организованная экономика на местах стать драйвером экономического роста?

🤔 Почему вообще заговорили о специализации и плотности предприятий?
После 2010-х годов в России и других странах замедлился рост производительности, особенно вне крупнейших агломераций.
При этом разрыв между регионами по уровню инвестиций, доходов и эффективности предприятий только увеличивался.
Классическая горизонтальная промышленная политика «одинаковых условий для всех» перестала работать. В ответ усилился интерес к идее: а что если разные территории должны делать разные вещи — и делать их лучше всех?

Так в повестке и появилась тема региональной специализации: когда регионы развивают те отрасли, где у них есть преимущества — исторические, ресурсные, кадровые

🤝 Кластеры и плотность: влияет ли это на эффективность?
Одно из ключевых российских исследований по эффективности компаний - работа Каукина и Сафронова (2021). Авторы показали: чем выше плотность предприятий в регионе и отрасли, тем выше TFP компаний. Особенно это проявляется в обрабатывающей промышленности и регионах с научным потенциалом (Kaukin & Safronov, 2021)

🕺 Танцуют все?
Объединение компаний в кластеры, как правило, положительно связано с их эффективностью. В энергетических кластерах Испании компании показывают выше инновационную активность, особенно при наличии сильных сетей и «социального капитала» — доверия и сотрудничества между организациями (Sánchez-García, 2023). А взаимодействие между компаниями усиливает инновации (Sánchez-García, 2023).
При этом, чем больше в регионе R&D-кластеров, тем выше рост производительности (Kosfeld & Mitze, 2023)

Однако это не всегда так: например, в Турции кластер в аэрокосмической отрасли пока не создаёт сравнительных преимуществ, что может быть связано со слабой специализацией (Demirdaş , Marşap, 2023)

🤔 Постой, паровоз… А если всё наоборот?
А вдруг компании с высоким потенциалом могут сами выбирать развитые кластеры. Это создаёт проблему двусторонней причинно-следственной связи: мы видим рост в плотных регионах с кластерами, но не знаем — кластер вызывает рост или рост вызывает кластеризацию?

📈 Для того, чтобы ответить на вопрос о влиянии нужны более строгие методы
🟣Matching
В масштабном российском исследовании наши коллеги Белёв, Ветеринаров и Сучкова (2021) использовали propensity score matching, чтобы измерить влияние территорий опережающего развития (ТОР) на общую факторную производительность моногородов. Оказалось, что ТОРы положительно влияют на производительность фирм, что происходит не за счёт появления новых компаний, а за счёт повышения эффективности уже существующих предприятий
🟣Double LASSO
В Индии для оценки влияния кластеров на TFP малых предприятий использовали метод double LASSO, который позволил устранить влияние скрытых переменных и самоотбора. Эффект кластеров проявился только после корректировки на самоотбор (Gupta, 2023)
🟣Инструментальные переменные
На данных по Великобритании (Gutierrez-Posada et al., 2022) показали, что каждое новое креативное рабочее место генерирует ~1,9 дополнительных рабочих мест. Для оценки причинно-следственных эффектов использовались исторические инструментальные переменные (например, плотность типографий в 1911 году)

🧠 Эффективность компаний - это не только результат внутренних усилий, но и функция плотности, связей и специализации региона. Но для выявления влияния нужно использовать строгие методы

#канал_обозревает
@causal_channel

🛠 Всё под контролем! Когда нужно больше, чем просто инструментальные переменные

Оценка эффектов часто осложняется эндогенностью: объясняющая переменная может зависеть от тех же ненаблюдаемых факторов, что и исход. В результате обычные методы дают смещённые оценки. Инструментальные переменные помогают, но плохо работают при нелинейных моделях, гетерогенных эффектах, структурных ограничениях или сомнительной валидности инструментов

⚙️ В этих случаях помогает метод контрольной функции (Control Function Approach, CFA) — обобщенный подход, устраняющий эндогенность путём явного включения компоненты, вызывающей смещение, в модель исхода (Wooldridge, 2015; Petrin, Train, 2010; Florens et al., 2008)

↔️ Что такое метод контрольной функции?
Метод контрольной функции состоит из двух шагов:
1️⃣ Эндогенная переменная интереса (D) моделируется как функция инструментов (Z), и считаются остатки регрессии, не объяснённые этими переменными — то есть то, что нельзя объяснить наблюдаемыми факторами
2️⃣ Регрессия исхода (Y) включает не только переменную интереса (D), но и полученные на первом шаге остатки. Эта дополнительная переменная — и есть контрольная функция

Идея: после включения контрольной функции, зависимость между переменной интереса (D) и ненаблюдаемыми ошибками (ε) устраняется, обеспечивая условную независимость (conditional independence) и состоятельную оценку эффекта D на Y (Blundell, Powell, 2004; Florens et al., 2008)

CFA напоминает модель Хекмана (Heckman selection model) для устранения смещения отбора (Heckman, 1979), однако CFA обобщает эту идею и применим к более широкому классу источников эндогенности

↔️ Как метод контрольной функции соотносится с инструментальными переменными?
Когда модель исхода линейна, CFA даёт те же оценки, что и двухшаговый метод наименьших квадратов (two-stage least squares, 2SLS). Но CFA обладает рядом преимуществ:
🟤 Применим в нелинейных моделях (например, логит, пробит, тобит), где 2SLS становится несостоятельным (Rivers, Vuong, 1988; Terza et al., 2008; Wooldridge, 2015)
🟤 Позволяет учитывать гетерогенность эффектов — можно моделировать, как эффект воздействия зависит от характеристик индивида (CATE) (Wooldridge, 2009; Florens et al., 2008)
🟤 Даёт интерпретируемый способ тестировать эндогенность через значимость контрольной функции (Wooldridge, 2015)
🟤Работает в моделях цензурирования и отбора — например, CFA естественным образом встраивается в модель Хекмана (Heckman et al., 2006)

↔️ Когда CFA особенно полезен?
🟤Нелинейные модели. CFA позволяет корректно оценивать причинные эффекты в моделях, где зависимая переменная — бинарная, порядковая или ограниченная (например, доход ≥ 0), IV-методы в таких условиях дают смещенные оценки (Tchetgen Tchetgen, 2014; Terza et al., 2008)
🟤Гетерогенные эффекты. Когда эффект воздействия зависит от характеристик индивида, CFA позволяет моделировать условные средние эффекты лечения (CATE), включая произведения между воздействием и ковариатами (Wooldridge, 2009; Florens et al., 2008)
🟤Модели продолжительности (survival/hazard). CFA применяется в моделях дожития, когда важен не только сам факт события, но и момент его наступления (Liu, 2023)
🟤Структурные и панельные модели. (Petrin, Train, 2010) применили CFA в модели спроса и выбора с панельными данными. Метод позволяет моделировать сложные поведенческие зависимости, включая ограничения на предпочтения, самоотбор и гетерогенность (Heckman et al., 2006)

↔️ Какие ограничения у CFA?
Хотя CFA — мощный инструмент, у него есть ряд ограничений:
🟤Наличие валидных инструментов — инструментальные переменные должны быть релевантны и экзогенны
🟤Корректная спецификация регрессии первого шага — если модель ошибочна, остатки будут искажены, что передастся во второй шаг (Florens et al., 2008; Carlson, 2021; Li, Guo, 2022)
🟤Форма зависимости между ошибкой в уравнении второго шага и остатками должна быть правильно задана — чаще всего предполагается линейность (Rivers, Vuong, 1988)

🖥 Воспользоваться реализацией в R вы можете в библиотеке ivtools

#канал_обозревает
#канал_рекомендует
@causal_channel

🔍 Когда экономика превращается в детектив

Представьте: 1982 год, самая могущественная телекоммуникационная корпорация Америки AT&T контролирует 83% всех телефонов в США, 98% междугородных линий и 90% оборудования. В результате антимонопольного разбирательства компанию разделяют на семь региональных компаний и отдел междугородней связи

💁‍♂️ Как разделение повлияло на компании?
Этот прецедент породил живой спор: привел ли рост конкуренции на рынках после разделения компании к повышению производительности фирм?

🥲 Но как ответить на этот вопрос?
Классические линейные модели в этом случае не помогут:
🟤В них может присутствовать отбор фирм: малопродуктивные компании уходят с рынка, и при использовании сбалансированных панелей оценки эффективности будут завышенными (смотрите на картинке из препринта Olley-Pakes, как отличается оценки производительности в сбалансированной и несбалансированной панелях)
🟤Медленная реакция капитала: использовать фиксированные эффекты можно, но они могут «съесть» часть реального влияния инвестиций
🟤Инвестиции эндогенны: компании сами решали, сколько вкладывать, исходя из скрытых ожиданий роста

🥲 Контрольные функции – для производительности
🟤Стивен Оли (Olley) и Адам Пейкс (Pakes) в статье 1996 года предложили использовать для этого метод контрольной функции, о котором мы писали ранее
🟤В предложенном методе данные об инвестициях превращаются в «улики» о внутренней производительности. Вся процедура происходит в два шага. Сначала оценивается прокси производительности (полученная через инвестиции), а потом с её учётом оцениваются параметры производственной функции

В результате оказалось, что новые фирмы после разделения AT&T стартовали с более низкой производительности, но благодаря конкуренции и технологическим инновациям достигали более высоких темпов роста (Olley, Pakes, 1996)

🥲 Что еще может показать метод контрольной функции?

😢 Российская металлургия
Используя данные 39 металлургических заводов (Малеин, Пономарёв, 2019) оценивают эффекты перехода от мартеновских печей к электродуговым и кислородно-конвертерным технологиям. Оказалось, что новые технологии привели к росту совокупной факторной производительности на 24–28%

😢 Торговая либерализация
(De Loecker, 2011) оценил влияние снятия торговых барьеров в бельгийской текстильной промышленности. Использование стандартных методов с инструментальными переменными показывало эффект либерализации в 8%, тогда как переход к контрольным функциями за счет снижения роли смещений скорректировал его до 4%

🥲 А что, если инвестиции нулевые?
Позже обнаружилось, что если в данных много компаний с нулевыми инвестициями, метод Olley-Pakes теряет силу. Тогда (Levinsohn, Petrin, 2003) предложили использовать как прокси не инвестиции, а материалы для производства. Это позволило корректно оценивать производственные функции даже на коротких и «шумных» панелях

🖥 Воспользоваться реализацией в R вы можете в пакете prodest: там есть как модель Olley-Pakes, так и более современные модели Levinsohn-Petrin и Ackerberg-Caves-Frazer

#канал_обозревает
#канал_рекомендует
@causal_channel