ข้องอ้อย
การเล่นข้องอ้อย อุปกรณ์ที่ใช้เล่น ใช้อ้อยกับมีดเป็นอุปกรณ์ในการเล่น โดยเลือกเอาอ้อยมาลำหนึ่ง ขูดผิวออกเป็นทางยาวตลอดลำ เอามีดสับไว้ตรงกลางลำอ้อยนั้นพอให้เป็นรอย เพื่อให้ผู้เล่นทุกคนกะดูด้วยสายตาว่า ตรงนั้นถ้าตัดออกเป็นสองท่อนแล้ว จะมีความแตกต่างกันในเรื่องความสูงต่ำหรือเหลื่อมล้ำกันมากน้อยเท่าใด
วิธีเล่น
1.ก่อนเริ่มเล่น ให้ผู้เล่นทุกคนหักไม้อันเล็กๆ ให้มีความเหลื่อมล้ำของท่อนอ้อยทั้งสองท่อนตามที่ตนกะได้ด้วยสายตานั้น เพื่อให้แต่ละคนเก็บไว้เป็นเครื่องมือชี้ขาดว่าผู้ใดเป็นฝ่ายชนะ
2.จากนั้นก็ตัดอ้อยลำนั้นให้ขาดออกเป็นสองท่อน ถ้าไม้อันเล็กๆ ในมือผู้เล่นคนใดยาวพอดีหรือใกล้เคียงที่สุดกับความเหลื่อมล้ำของอ้อยทั้งสองท่อน ก็ถือว่าผู้นั้นเป็นผู้ชนะ โดยสินพนันออกคนละเท่าๆ กัน ผู้ใดชนะได้สินพนันทั้งหมด
คำถามทางวิทยาศาสตร์และนโยบายที่สำคัญบางอย่างเป็นสาเหตุ ตัวอย่างเช่นอะไรคือผลของโปรแกรมการฝึกงานเกี่ยวกับค่าจ้าง? นักวิจัยพยายามที่จะตอบคำถามนี้อาจเปรียบเทียบรายได้ของผู้ที่ลงทะเบียนเพื่อรับการฝึกอบรมกับผู้ที่ไม่ได้ทำ แต่ค่าจ้างระหว่างกลุ่มเหล่านี้มีความแตกต่างกันเพียงใดเนื่องจากการฝึกอบรมและเท่าไหร่เนื่องจากความแตกต่างก่อนหน้าระหว่างคนที่ลงทะเบียนและผู้ที่ไม่ได้? นี่เป็นคำถามที่ยากและเป็นคำถามที่ไม่ทำให้ข้อมูลมีข้อมูลมากขึ้น กล่าวอีกนัยหนึ่งความกังวลเกี่ยวกับความแตกต่างก่อนหน้านี้เกิดขึ้นไม่ว่าจำนวนคนงานจะอยู่ในข้อมูลของคุณ ในหลาย ๆ กรณีวิธีที่ดีที่สุดในการประเมินผลกระทบเชิงสาเหตุของการรักษาบางอย่างเช่นการฝึกงานคือการดำเนินการทดลองที่มีการควบคุมแบบสุ่มตัวอย่างซึ่งนักวิจัยสุ่มให้การรักษาแก่บางคนไม่ใช่คนอื่น ฉันจะอุทิศบทที่ 4 ให้เป็นการทดลองทั้งหมดดังนั้นที่นี่ฉันจะมุ่งเน้นไปที่สองกลยุทธ์ที่สามารถใช้กับข้อมูลที่ไม่ได้ทดลองได้ กลยุทธ์แรกขึ้นอยู่กับการมองหาบางสิ่งที่เกิดขึ้นในโลกที่สุ่ม (หรือเกือบสุ่ม) กำหนดให้การรักษาแก่คนบางคนไม่ใช่คนอื่น กลยุทธ์ที่สองขึ้นอยู่กับการปรับข้อมูลทางสถิติที่ไม่ใช่ข้อมูลเชิงสถิติด้วยความพยายามที่จะอธิบายถึงความแตกต่างก่อนหน้านี้ระหว่างผู้ที่ทำและไม่ได้รับการรักษา
คนขี้ระแวงอาจอ้างว่าทั้งสองกลยุทธ์ควรหลีกเลี่ยงเพราะต้องมีสมมติฐานที่แข็งแกร่งสมมติฐานที่ยากต่อการประเมินและในทางปฏิบัติมักถูกละเมิด ในขณะที่ฉันเห็นด้วยกับคำกล่าวอ้างนี้ฉันคิดว่ามันไกลเกินไป เป็นจริงอย่างแน่นอนว่าเป็นการยากที่จะทำให้ประมาณการเชิงสาเหตุจากข้อมูลที่ไม่ได้ทดลองได้อย่างน่าเชื่อถือ แต่ฉันไม่คิดว่านั่นหมายความว่าเราไม่ควรลอง โดยเฉพาะวิธีการที่ไม่ใช่แบบทดลองจะเป็นประโยชน์หากข้อ จำกัด ด้านโลจิสติกส์ไม่ให้คุณทำการทดสอบหรือหากข้อ จำกัด ด้านจริยธรรมหมายความว่าคุณไม่ต้องการใช้การทดสอบ นอกจากนี้วิธีการที่ไม่ใช่แบบทดลองจะเป็นประโยชน์หากคุณต้องการใช้ประโยชน์จากข้อมูลที่มีอยู่แล้วเพื่อออกแบบการทดสอบแบบสุ่ม ก่อนที่จะดำเนินการต่อไปควรสังเกตด้วยว่าการประเมินสาเหตุเป็นหนึ่งในหัวข้อที่ซับซ้อนที่สุดในการวิจัยทางสังคมและอาจทำให้เกิดการถกเถียงอย่างรุนแรงและอารมณ์ ในสิ่งต่อไปนี้ฉันจะให้คำอธิบายในแง่ดีของแต่ละวิธีเพื่อสร้างสัญชาตญาณเกี่ยวกับเรื่องนี้จากนั้นฉันจะอธิบายบางส่วนของความท้าทายที่เกิดขึ้นเมื่อใช้วิธีการดังกล่าว รายละเอียดเพิ่มเติมเกี่ยวกับแต่ละวิธีมีอยู่ในเอกสารที่ท้ายบทนี้ ถ้าคุณวางแผนที่จะใช้แนวทางเหล่านี้ในการวิจัยของคุณเองเราขอแนะนำให้คุณอ่านหนังสือที่ดีเยี่ยมหลายเรื่องเกี่ยวกับการอนุมานเชิงสาเหตุ (Imbens and Rubin 2015; Pearl 2009; Morgan and Winship 2014)
วิธีหนึ่งในการประเมินสาเหตุจากข้อมูลที่ไม่ได้ทดลองคือการมองหาเหตุการณ์ที่ได้รับมอบหมายการรักษาแบบสุ่มให้กับบางคนและไม่ใช่กับคนอื่น สถานการณ์เหล่านี้เรียกว่า การทดลองตามธรรมชาติ หนึ่งในตัวอย่างที่ชัดเจนของการทดลองตามธรรมชาติเกิดขึ้นจากการวิจัยของ Joshua Angrist (1990) วัดผลกระทบของการรับราชการทหารกับรายได้ ในช่วงสงครามในเวียดนามสหรัฐอเมริกาเพิ่มขนาดของกองกำลังติดอาวุธผ่านร่าง เพื่อที่จะตัดสินใจว่าประชาชนคนใดจะถูกเรียกให้เข้ารับใช้รัฐบาลสหรัฐฯก็จับสลากเอาไว้ วันเกิดทุกวันเขียนลงบนกระดาษแผ่นหนึ่งและตามที่แสดงในรูปที่ 2.7 กระดาษเหล่านี้ได้รับการคัดเลือกในแต่ละครั้งเพื่อกำหนดลำดับที่ผู้ชายจะถูกเรียกให้ทำหน้าที่ (หญิงสาวไม่ได้อยู่ภายใต้ ร่าง) จากผลการค้นหาผู้ชายที่เกิดเมื่อวันที่ 14 กันยายนได้รับการเรียกชื่อว่าผู้ชายคนแรกที่เกิดวันที่ 24 เมษายนเรียกว่าวินาทีและอื่น ๆ ในท้ายที่สุดในการจับสลากนี้ผู้ชายที่เกิดเมื่อวันที่ 195 ต่างกันถูกเกณฑ์ทหารในขณะที่ผู้ชายที่เกิดใน 171 วันไม่ได้ สภาผู้แทนราษฎรอเล็กซานเด Pirnie (R-NY) วาดภาพแคปซูลครั้งแรกสำหรับร่างแบบ Selective Service เมื่อวันที่ 1 ธันวาคม 1969 Joshua Angrist (1990) ได้รวมร่างหวยกับข้อมูลรายได้จาก Social Security Administration เพื่อประมาณการผลกระทบของการรับราชการทหาร เกี่ยวกับรายได้ นี่คือตัวอย่างของการวิจัยที่ใช้การทดสอบตามธรรมชาติ แหล่งที่มา: ระบบบริการที่เลือกของสหรัฐอเมริกา (1969) / Wikimedia Commons
ภาพที่ 2.7: สภาผู้แทนราษฎรอเล็กซานเด Pirnie (R-NY) วาดภาพแคปซูลครั้งแรกสำหรับร่างแบบ Selective Service เมื่อวันที่ 1 ธันวาคม 1969 Joshua Angrist (1990) รวมร่างหวยกับข้อมูลรายได้จาก Social Security Administration เพื่อประมาณการผลกระทบของการรับราชการทหาร เกี่ยวกับรายได้ นี่คือตัวอย่างของการวิจัยที่ใช้การทดสอบตามธรรมชาติ แหล่งที่มา: US Selective Service System (1969) / วิกิพีเดีย
แม้ว่าการฉายดังกล่าวอาจไม่เป็นที่ประจักษ์ได้ในทันที แต่การจับสลากร่างมีความคล้ายคลึงกันอย่างสำคัญต่อการทดลองที่ได้รับการสุ่มตัวอย่างในสถานการณ์ทั้งสองกรณีผู้เข้าร่วมจะได้รับการสุ่มเลือกเพื่อรับการรักษา เพื่อศึกษาผลของการรักษาด้วยแบบสุ่มตัวอย่างนี้ Angrist ใช้ประโยชน์จากระบบข้อมูลขนาดใหญ่ที่มีอยู่จริงตลอดเวลานั่นคือ US Social Security Administration ซึ่งเก็บรวบรวมข้อมูลเกี่ยวกับรายได้ของคนอเมริกันทุกคนจากการทำงาน โดยรวมข้อมูลเกี่ยวกับผู้ที่ถูกสุ่มเลือกในการจับสลากร่างที่มีข้อมูลรายได้ที่ถูกรวบรวมไว้ในบันทึกการปกครองของรัฐบาล Angrist สรุปได้ว่ารายได้ของทหารผ่านศึกประมาณ 15% น้อยกว่ารายได้ของทหารผ่านศึกที่เทียบเคียงไม่ได้ ตัวอย่างเช่นนี้แสดงให้เห็นว่ากองกำลังทางสังคมการเมืองและธรรมชาติบางครั้งได้รับการจัดทรีตเม้นท์ในลักษณะที่นักวิจัยสามารถใช้ประโยชน์ได้และบางครั้งผลกระทบของการรักษาเหล่านี้จะถูกจับในแหล่งข้อมูลขนาดใหญ่ตลอดเวลา กลยุทธ์การวิจัยนี้สามารถสรุปได้ดังนี้:
เพื่อเป็นการแสดงให้เห็นถึงยุทธศาสตร์นี้ในยุคดิจิตอลลองพิจารณาการศึกษาของ Alexandre Mas และ Enrico Moretti (2009) ที่พยายามประเมินผลของการทำงานร่วมกับเพื่อนร่วมงานที่มีประสิทธิผลต่อประสิทธิภาพการทำงานของคนงาน ก่อนที่จะเห็นผลการค้นหาคุณควรชี้แจงว่ามีความคาดหวังขัดแย้งกันที่คุณอาจมี ในแง่หนึ่งคุณอาจคาดหวังว่าการทำงานร่วมกับเพื่อนร่วมงานที่มีประสิทธิผลจะทำให้คนงานสามารถเพิ่มผลผลิตได้เนื่องจากความกดดัน หรือในทางกลับกันคุณอาจคาดหวังว่าการมีเพื่อนทำงานอย่างหนักอาจทำให้คนงานเลิกงานเพราะงานนี้จะทำโดยเพื่อนของเธอต่อไป วิธีการที่ชัดเจนที่สุดในการศึกษาผลกระทบต่อประสิทธิภาพการทำงานของเพื่อนร่วมงานคือการทดลองแบบสุ่มควบคุมซึ่งจะมีการสุ่มให้พนักงานได้รับการสุ่มตัวอย่างให้เลื่อนไปหาคนทำงานที่มีระดับการผลิตต่างกันและจะมีการวัดผลการผลิตสำหรับทุกคน นักวิจัยไม่ได้ควบคุมเวลาของคนงานในธุรกิจที่แท้จริงใด ๆ ดังนั้น Mas และ Moretti ต้องพึ่งพาการทดลองตามธรรมชาติที่เกี่ยวข้องกับพนักงานเก็บเงินในซุปเปอร์มาร์เก็ต ในซูเปอร์มาร์เก็ตรายนี้เนื่องจากวิธีตั้งเวลาและวิธีการที่ซ้อนกันแคชเชียร์แต่ละคนมีเพื่อนร่วมงานที่แตกต่างกันในแต่ละช่วงเวลาของวัน นอกจากนี้ในซูเปอร์มาร์เก็ตโดยเฉพาะอย่างยิ่งนี้การกำหนดแคชเชียร์ไม่ได้เกี่ยวข้องกับผลผลิตของเพื่อนหรือความวุ่นวายในการจัดเก็บ กล่าวอีกนัยหนึ่งถึงแม้ว่าการจัดตารางเวลาของพนักงานเก็บเงินไม่ได้ถูกกำหนดโดยการจับสลาก แต่ก็เหมือนกับว่าคนงานบางครั้งได้รับมอบหมายให้ทำงานกับเพื่อนร่วมงานด้านประสิทธิภาพสูง (หรือต่ำ) โชคดีที่ซูเปอร์มาร์เก็ตนี้ยังมีระบบเช็คเอาต์แบบดิจิทัลซึ่งติดตามรายการที่แคชเชียร์กำลังสแกนอยู่ตลอดเวลา จากข้อมูลบันทึกการตรวจสอบนี้ Mas และ Moretti สามารถสร้างการวัดผลการทำงานได้อย่างแม่นยำบุคคลและตลอดเวลา: จำนวนรายการที่สแกนต่อวินาที Mas และ Moretti คาดว่าหากแคชเชียร์ได้รับมอบหมายให้ทำงานร่วมกับแรงงานที่มีประสิทธิผลมากกว่าค่าเฉลี่ย 10% ผลผลิตของเธอจะเพิ่มขึ้น 1.5% เมื่อเทียบกับปีที่ผ่านมา . นอกจากนี้ยังใช้ขนาดและความมีชีวิตชีวาของข้อมูลเพื่อสำรวจประเด็นสำคัญสองประเด็นคือความ ไม่เท่าเทียมกัน ของผลกระทบนี้ (สำหรับคนงานประเภทใดที่มีผลต่อขนาดใหญ่ขึ้น) และ กลไกที่ อยู่เบื้องหลังผลกระทบ (ทำไมจึงมีคนทำกำไรสูงที่นำไปสู่ ประสิทธิภาพที่สูงขึ้นหรือไม่?) เราจะกลับไปสู่ประเด็นสำคัญสองประเด็นนี้คือความไม่เหมือนกันของผลกระทบและกลไกการรักษาในบทที่ 4 เมื่อเราพูดถึงการทดลองในรายละเอียดมากขึ้น