详细内容或原文请订阅后点击阅览
如何（不）做出有效的因果推论
传统上，分析人员使用被拦截个人的数据来研究偏见，方法是计算被拦截的少数族裔和白人平民之间的暴力率差异，同时控制这两组遭遇之间可观察到的差异。我们将其称为“朴素估计量”……但是，如果没有进一步的假设，只要 [...]
来源:Lars P Syll如何（不）做出有效的因果推论
传统上，分析人员使用被拦截个人的数据来研究偏见，方法是计算被拦截的少数族裔和白人平民之间的暴力率差异，同时控制这两组遭遇之间可观察到的差异。我们将其称为“天真的估计量”……然而，如果没有进一步的假设，只要处理影响调解员（即平民种族影响官员是否拘留平民），这个数量就没有因果解释……这是因为导致停止的处理遭遇（与少数平民）将无法与停止控制（大多数）平民的遭遇相比较。举一个简单的例子，假设警察表现出如下种族偏见：如果他们发现白人平民犯下严重罪行（例如袭击，可能需要使用武力），他们就会拘留他们，但无论观察到的行为如何，他们都会拘留非白人平民。如果这是真的，比较被阻止的白人和非白人平民就相当于比较根本不同的群体。分析人士将观察到更多针对被拦截的白人平民使用武力的情况，因为他们对警察造成的人身威胁不同。根据传统方法，分析人员会天真地得出结论，认为存在反白人偏见，从而错误地描述了使用武力的种族歧视。
迪恩·诺克斯、威尔·洛、乔纳森·穆莫罗
对于寻求从专有管理数据集中识别因果关系的研究人员来说，这项研究是必读的。
仅查看数据通常会给出错误的因果印象 - 特别是当数据从一开始就有偏差，并因处理后调节而导致样本选择效应时，就像这里的情况一样。将白人银行抢劫犯与没有犯罪的黑人平民进行比较并不能提供有效因果推断所需的同类比较。