PC & Mobile

Quelles sont les expériences naturelles? Méthodes, approches et applications

Quelles sont les expériences naturelles? Méthodes, approches et applications


Avant-propos

J'aime lire Craig et al. (2017) Article de synthèse sur les expériences naturelles (Aperçu des méthodes, approches et contributions à la recherche en interventions de santé publique). Dans ce post, je souhaite résumer ses points clés et joindre certaines de mes réflexions sur le développement de l'inférence causale.

Photo par samsommer sur Unsplash

Qu'est-ce qu'un NE?

Selon le UK Medical Research Council, tout événement non contrôlé par un chercheur qui divise une population en groupes exposés et non exposés.

Photo par Aldric RIVAT sur Unsplash
Photo par nikita velikanin sur Unsplash
  1. Réglage de la régression. Il a beaucoup d'applications lorsque nous essayons de rendre des cas comparables.
  2. Correspondance des scores de propension. Bon pour les données d'observation aussi, mais Gary King a récemment rejeté l'idée d'utiliser le PSM (ici).
  3. Différence dans les différences. C’est une technique d’inférence causale forte avec une idéologie de recherche directe.
  4. Séries chronologiques interrompues. Méthode causale forte avec plusieurs entrées de données. On peut dire que c'est la technique quasi expérimentale la plus puissante.
  5. Contrôles synthétiques. C’est une méthode à la mode dans l’industrie et dans le monde universitaire, dans laquelle les politologues ont énormément apporté leur contribution. En résumé, nous pourrions créer artificiellement une moyenne pondérée de groupes de contrôle qui servirait de point de base s’il n’ya pas de cas dans le groupe de contrôle qui corresponde au groupe de traitement. Par exemple, nous créons un scénario de contrôle artificiel en utilisant une valeur pondérée des autres cas et comparons les différences entre ces deux groupes. C’est une idée tellement ingénieuse, mais avec des pièges potentiels, pour lesquels je vais développer un autre post.
  6. Régresser la conception de discontinuité. Technique causale forte avec une excellente illustration visuelle.
  7. Variable instrumentale. Techniquement parlant, IV contient un puissant pouvoir inférentiel, mais il est assez difficile de trouver des IV adéquats. Ainsi, ses applications sont limitées.
Photo par nikita velikanin sur Unsplash
  1. Une combinaison de plusieurs méthodes quantitatives et de contrôles visuels des discontinuités dans le RDD et les ITS. Les inspections visuelles sont cruciales et simples pour identifier les irrégularités. Utilisez-les plus et judicieusement, si possible.
  2. Introduire des tests de falsification / placebo pour évaluer la plausibilité de l'attribution causale. Par exemple, nous pouvons utiliser des variables dépendantes non équivalentes pour tester les changements dans les résultats qui ne sont pas exposés à l'intervention avec ceux qui sont exposés à l'intervention. Ici, l'idée sous-jacente est de recouper les résultats en utilisant plusieurs DV, une idée de recherche largement utilisée en sciences sociales.
Afficher plus

SupportIvy

SupportIvy.com : Un lieu pour partager le savoir et mieux comprendre le monde. Meilleure plate-forme de support gratuit pour vous, Documentation &Tutoriels par les experts.

Articles similaires

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Bouton retour en haut de la page
Fermer