Un articolo bonus per la serie “Il libro dei perché”.
In due mesi abbiamo finito di leggere “Il libro dei perché”, che ci ha dato uno sguardo all’affascinante mondo della causalità. COME promessoHo un articolo bonus per chiudere il mio primo Leggi con me serie ufficialmente.
Ispirato da il mio background come ricercatore accademico che ha studiato l’inferenza causale in economia durante il mio dottorato di ricerca. programma, così come la mia esperienza come scienziato dei dati nel settore della creazione di modelli causali per fare previsioni sulla domanda, per l’articolo bonus, vorrei condividere la mia comprensione del concetto di inferenza causale e le somiglianze e le differenze nel modo in cui viene applicato in contesti accademici e industriali.
A causa della differenza nella natura e nello scopo della ricerca accademica e delle applicazioni industriali, i flussi di lavoro dell’inferenza causale sono piuttosto diversi tra i due.
Velocità
La ricerca accademica di solito opera a un ritmo più lento, dalla formazione delle idee al trarre conclusioni finali. Si concentra sulla creazione di fiducia non solo sulla conclusione causale in sé, ma anche sui dati coinvolti, sui metodi utilizzati e sulla robustezza della ricerca. Pertanto, spesso, il processo di ricerca viene esteso per convalidare l’ammissibilità dei dati, eseguire analisi di sensibilità, testare strutture causali, ecc.
Tuttavia, per gli affari, il tempo è denaro. Le aziende tecnologiche sono più pratiche. Preferirebbero concentrare le proprie risorse sulla creazione di applicazioni scalabili che possano essere messe in produzione e apportare vantaggi rapidamente. Il costo dell’attesa di un modello perfetto e generalizzabile è elevato. Pertanto, l’industria preferirebbe avere a disposizione un modello di riferimento come segnaposto prima di perfezionarlo e apportare modifiche.
Metodo
In effetti, la ricerca accademica è la fonte di nuovi approcci e meccanismi per i ricercatori teorici. Tuttavia, i ricercatori empirici che si concentrano su studi o esperimenti osservazionali tendono a utilizzare metodologie standard e consolidate. Ad esempio, la differenza nelle differenze (DID)…
Fonte: towardsdatascience.com
