Causal Analysis in Population Studies: Concepts, Methods, Applications

هدف اصلی بسیاری از مطالعات در تحقیقات جمعیتی و جمعیت شناسی، توضیح روابط علت و معلولی بین متغیرها یا رویدادها است. برای دهه‌ها، دانشمندان جمعیت تلاش‌های خود را بر تخمین «علل اثرات» با استفاده از تکنیک‌های استاندارد رگرسیون مقطعی و دینامیکی متمرکز کرده‌اند که ضرایب رگرسیون معمولاً به عنوان تخمین‌هایی از اثرات علی درک می‌شوند. رویکرد استاندارد برای استنتاج «اثرات علل» در علوم طبیعی و روان‌شناسی، انجام آزمایش‌های تصادفی است. در مطالعات جمعیتی، طرح‌های تجربی عموماً غیرممکن هستند.

در مطالعات جمعیتی، بیشتر تحقیقات بر اساس طرح‌های غیرآزمایشی (طرح‌های مشاهده‌ای یا پیمایشی) و به ندرت بر اساس آزمایش‌های شبه یا طبیعی است. آزمایش. استفاده از طرح‌های غیر تجربی برای استنتاج روابط علّی - به عنوان مثال. روابطی که در نهایت می تواند خط مشی ها یا مداخلات را تعیین کند، یک تعهد پیچیده است. به طور خاص، اثرات درمان را می توان از داده های غیر تجربی با رویکرد خلاف واقع استنباط کرد. در این دیدگاه خلاف واقع، اثرات علی به عنوان تفاوت بین پیامد بالقوه بدون توجه به اینکه آیا یک فرد درمان خاصی را دریافت کرده است (یا علت خاصی را تجربه کرده است) تعریف می شود. رویکرد خلاف واقع برای برآورد اثرات علل از داده‌های شبه تجربی یا از مطالعات مشاهده‌ای برای اولین بار توسط روبین در سال 1974 پیشنهاد شد و توسط جیمز هکمن و دیگران توسعه یافت.

این کتاب هم مشارکت های نظری و هم کاربردهای تجربی رویکرد خلاف واقع به استنتاج علی را ارائه می دهد.

The central aim of many studies in population research and demography is to explain cause-effect relationships among variables or events. For decades, population scientists have concentrated their efforts on estimating the ‘causes of effects’ by applying standard cross-sectional and dynamic regression techniques, with regression coefficients routinely being understood as estimates of causal effects. The standard approach to infer the ‘effects of causes’ in natural sciences and in psychology is to conduct randomized experiments. In population studies, experimental designs are generally infeasible.

In population studies, most research is based on non-experimental designs (observational or survey designs) and rarely on quasi experiments or natural experiments. Using non-experimental designs to infer causal relationships—i.e. relationships that can ultimately inform policies or interventions—is a complex undertaking. Specifically, treatment effects can be inferred from non-experimental data with a counterfactual approach. In this counterfactual perspective, causal effects are defined as the difference between the potential outcome irrespective of whether or not an individual had received a certain treatment (or experienced a certain cause). The counterfactual approach to estimate effects of causes from quasi-experimental data or from observational studies was first proposed by Rubin in 1974 and further developed by James Heckman and others.

This book presents both theoretical contributions and empirical applications of the counterfactual approach to causal inference.