Канал влияния
前往频道在 Telegram
Канал Анны Ставнийчук (к.э.н., н.с. ЭФ МГУ) и Ольги Марковой (к.э.н., с.н.с. ЭФ МГУ)* об оценке эффектов, поведенческой экономике и антитрасте с юмором и полезными материалами causal.channel@gmail.com *Мнение авторов не является позицией ЭФ МГУ
显示更多1 326
订阅者
-124 小时
+87 天
+3630 天
数据加载中...
吸引订阅者
七月 '26
七月 '26
+47
在0个频道中
六月 '26
+42
在1个频道中
Get PRO
五月 '26
+89
在3个频道中
Get PRO
四月 '26
+40
在0个频道中
Get PRO
三月 '26
+76
在2个频道中
Get PRO
二月 '26
+111
在3个频道中
Get PRO
一月 '26
+100
在6个频道中
Get PRO
十二月 '25
+111
在2个频道中
Get PRO
十一月 '25
+46
在2个频道中
Get PRO
十月 '25
+48
在0个频道中
Get PRO
九月 '25
+124
在2个频道中
Get PRO
八月 '25
+59
在2个频道中
Get PRO
七月 '25
+33
在1个频道中
Get PRO
六月 '25
+87
在7个频道中
Get PRO
五月 '25
+89
在6个频道中
Get PRO
四月 '25
+50
在0个频道中
Get PRO
三月 '25
+220
在3个频道中
Get PRO
二月 '250
在2个频道中
Get PRO
一月 '250
在2个频道中
Get PRO
十二月 '24
+164
在2个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 29 七月 | 0 | |||
| 28 七月 | +4 | |||
| 27 七月 | +1 | |||
| 26 七月 | +1 | |||
| 25 七月 | +1 | |||
| 24 七月 | +3 | |||
| 23 七月 | +2 | |||
| 22 七月 | 0 | |||
| 21 七月 | +5 | |||
| 20 七月 | 0 | |||
| 19 七月 | +1 | |||
| 18 七月 | +1 | |||
| 17 七月 | +2 | |||
| 16 七月 | 0 | |||
| 15 七月 | +3 | |||
| 14 七月 | +2 | |||
| 13 七月 | 0 | |||
| 12 七月 | 0 | |||
| 11 七月 | +3 | |||
| 10 七月 | +5 | |||
| 09 七月 | 0 | |||
| 08 七月 | +1 | |||
| 07 七月 | 0 | |||
| 06 七月 | +1 | |||
| 05 七月 | 0 | |||
| 04 七月 | 0 | |||
| 03 七月 | +10 | |||
| 02 七月 | +1 | |||
| 01 七月 | 0 |
频道帖子
| 2 |  Хроники выгорания и забота о себе
Согласно опросу SuperJob, в России в 2026 году об эмоциональном выгорании на работе говорят 71% экономически активных россиян, для сравнения в 2025 году этот показатель составил 58% (SuperJob, 2026)
Сегодня, 24 июля — международный день заботы о себе. Дата (24/7) выбрана не случайно, а как напоминание, что забота о себе должна быть постоянной, а не разовой акцией. Чтобы не быть голословными, мы решили сегодня обсудить выгорание на примере недавнего широкого исследования в Швеции (Nekoei, Sigurdsson, Wehr, 2025) и показать, что день заботы о себе — это не только о себе, но и о других тоже, так как эффекты выгорания расходятся далеко за пределы жизни одного человека
Немного предыстории: в 2006 году Швеция первой в мире ввела строгие клинические критерии диагностики выгорания, что позволило собрать уникальную базу — полные административные данные по всей стране за 14 лет, которые включают множество показателей от маркеров выгорания до больничных листов и налоговых деклараций. Окей, но как оценить эффект от выгорания?
Сразу сделаем дисклеймер: далее мы будем обсуждать одну из лучших доступных на сегодня причинных оценок эффекта выгорания (понимая ограничения исследования — например, невозможность полностью избавиться от самоотбора). Но в экономике труда рандомизировать выгорание или другие события (например, смену работы или брак) чаще всего невозможно по этическим причинам — никто не может специально довести случайную половину работников до истощения ради чистоты эксперимента, поэтому мы аккуратно, но все же верим в оценки обсуждаемого исследования как в верхнюю границу оценки эффекта
Эпизод I: человек, который выгорел
Чтобы отделить субъективные причины выгорания от объективных, Араш Некои, Йоусеф Сигурдссон и Доминик Вер (Nekoei, Sigurdsson, Wehr, 2025) предложили смотреть на переходы людей между компаниями (понимая, что это не случайный выбор, но контролируя характеристики людей, их семей и финансового положения). Это позволило отделить эффект рабочей среды от личных особенностей человека, используя matched difference-in-differences. Главный вывод: выгорание — это свойство места, а не человека. Переход из фирмы с низким риском выгорания (с низкой долей выгоревших) в фирму с высоким риском увеличивает вероятность выгорания сотрудника в 4 (!) раза
📍И рынок здесь не помогает: на стрессовых вакансиях нет премии за риск, наоборот, фирмы с высоким уровнем выгорания платят меньше и оказываются менее продуктивными
📍След от выгорания не исчезает вместе с формальным выздоровлением. Спустя семь лет после кризиса доход остается на 12% ниже прежней траектории
Регрессия к среднему? Может, дело не в том, что выгорание вызывает падение дохода, а в том, что человек уже перерабатывал и был на пике карьеры, а падение — это просто естественная коррекция после аномального всплеска, то есть мы видим регрессию к среднему? Для этого авторы проверяют параллельность трендов за 4–5 лет периода, предшествующего выгоранию. Оказывается, что выгоревшие не показывают аномального карьерного или зарплатного взлета перед диагнозом: расхождение начинается только после него
Эпизод II: страдает тот, кто рядом
Выгорание затрагивает не только человека, который выгорел, но и его близких. Доход жены выгоревшего падает на 4,4% и остается сниженным надолго, для мужей выгоревших женщин эффект слабее — 1,1%. Авторы связывают это с возможным внутрисемейным перераспределением: когда один партнер выгорает, временно теряет трудоспособность или сокращает нагрузку, здоровый партнер вынужден компенсировать это дома — брать на себя больше бытовых обязанностей, заботу о детях, эмоциональную поддержку выгоревшего партнера
Эпизод III: "выгоревшие" дети
Самый неожиданный результат касается детей. Если родитель выгорает в школьные годы ребенка, вероятность его поступления в вуз падает на 8% (что частично может быть связано с сокращающимся доходом семьи)
Так замыкается круг: усталость, не остановленная вовремя, накапливается и находит отражение во всей семейной истории
#канал_обозревает
@causal_channel | 711 |
| 3 |  Деньги, дипломы, связи и... страдания
В экономике часто говорят про разные капиталы - физический, финансовый, человеческий, социальный... Но новая работа предлагает еще одну важную категорию — "капитал страданий": те лишения, через которые человек прошел [Kim et al., 2026]
Пережитые кризисы закаляют нас?
Ранние исследования показывают, что люди с опытом лишений часто более эмпатичны и охотнее помогают другим [Willingham et al., 2016], но это верно не для любого опыта, как показывает свежее исследование [Kim et al., 2026]. Авторы выделяют два типа страданий:
🔵Инструментальные страдания — боль и усилия, которые прямо вшиты в путь к результату: тяжелая миграционная процедура для получения гражданства, изнурительная ординатура ради лицензии, совмещение учебы и работы ради карьеры
🔵Случайные страдания — лишения, которые связаны со случайностями: болезнь, кризис, стихийное бедствие
В итоге, когда страдания носят инструментальный характер, они становятся частью ценности достижения [Kim et al., 2026]. Не просто "я врач", а "я врач, который ночами пахал в ординатуре". Не просто "у меня есть гражданство", а "я получил гражданство через бесконечные очереди и отказы". В этом случае любые реформы, которые облегчают другим путь к результату, воспринимаются как угрозы: если вход станет проще, мой "капитал страданий" обесценится
Эффект "подтянутой лестницы" — pulling up the ladder
Авторы называют это "подтягиванием лестницы за собой" [Kim et al., 2026], который проявляется в разных контекстах:
🔵Натурализованные иммигранты в США сильнее сочувствуют тем, кто пытается въехать, чем граждане по рождению, но при этом именно иммигранты чаще поддерживают жесткую миграционную политику и строгий контроль границ
🔵В лабораторном эксперименте участники проходят неприятное задание с шумом. Одним говорят, что так они "зарабатывают право на приз", другим — что приз выдают независимо от усилий. В итоге именно те, кто "заработал", меньше поддерживают идею облегчить условия для будущих участников
🔵В другом эксперименте люди, получившие приз ценой неприятного опыта, оценивают этот приз ниже, когда узнают, что в будущем другим хотят сильно упростить путь к тому же результату
Важно: речь не о том, что люди "перестают сочувствовать" — в опросах у "переживших лишения" (например, у прошедщих тяжелый путь к получению гражданства) эмпатия к новичкам выше, чем у "не переживших", но это не конвертируется в поддержку смягчения правил
Чем интересен полученный результат?
При обсуждении повышения минимальной зарплаты против сильнее всего выступают те, кто сам только что вырвался чуть выше минимальной з/п [Kuziemko et al., 2014]
В дискуссиях о миграционной политике те, кто прошел длинный и болезненный путь к гражданству, могут оказаться опорой жесткого статус-кво [Kim et al., 2026]
В итоге, когда мы обсуждаем реформы, смягчающие правила, мало учитывать только выигрыши и потери в доходах, нужно задавать еще один вопрос: чьи страдания уже встроены в нынешние правила как "цена входа" и насколько они готовы заблокировать нововведение?
А еще мы задумались о том, сколько же нововведений и упрощений могут тормозиться из-за "капитала страданий"
#канал_обозревает
@causal_channel | 1 040 |
| 4 |  🗺 У тебя есть карта? Лучше! У меня рисунок карты!
В прошлых постах мы уже обсуждали, что до выбора метода нужно сначала определиться, какой эффект мы хотим идентифицировать и при каких допущениях он вообще существует. Для этого часто используются направленные ациклические графы (directed acyclic graph, DAG). Идеал в виде полного DAG хорош теоретически, но практически недостижим. Сегодня обсудим, что с этим делать
Суровая правда жизни
Формально DAG – это граф, где каждая стрелка X→Y означает причинную связь: вмешательство в X меняет распределение Y, а не просто корреляцию (Pearl, 2009). От такого графа требуют:
• включить все общие причины для каждой пары переменных
• описать весь процесс генерации данных (data-generating process, DGP): поведение единиц наблюдения, дизайн исследования, латентные (ненаблюдаемые) факторы, ошибки измерения, взаимное влияние единиц (interference) (Cartwright, 1994; Greenland, 2010)
Если бы мы знали полный DAG мира, мы могли бы по правилам d‑separation и backdoor‑критерия точно сказать, идентифицируем ли любой эффект и какие ковариаты обеспечивают несмещённость (Pearl, 2009)
Но в реальном исследовании:
• мы неполно знаем поведенческие и социальные механизмы
• многие ключевые факторы латентны или измерены грубыми прокси
• детали дизайна и валидности часто не задокументированы
Достоверный причинный граф
Натан Куимпо и Питер Штайнер предлагают концепцию достоверного графа (credible DAG). Они говорят, что строить полный DAG, полностью описывающий DGP, почти невозможно, но для прикладного анализа достаточно построить credible граф – тот, который включает все правдоподобные источники конфаундинга (Quimpo, Steiner, 2026)
• Отказываемся от цели «описать весь мир»
• Сосредотачиваемся на релевантной части DGP для конкретного эффекта
Достоверный DAG должен [см. алгоритм на фото]:
• сохранять каузальную трактовку стрелок: каждая дуга X→Y остаётся причинной, а не просто корреляционной (Pearl, 2009)
• быть полным по конфаундерам эффекта: включать все правдоподобные общие причины T и Y, а также общие причины их ключевых детерминант; пропуск допустим только там, где влияние механизма аргументированно считается малым (Greenland, 2010; Quimpo, Steiner, 2026)
• явно отражать дизайн и угрозы валидности: рандомизацию, самоотбор, критерии включения, выбывание (attrition), ошибки измерения, несоблюдение (non‑compliance), одновременные во времени события (history), взаимное влияние единиц (interference) (Hernán, Robins, 2023; Greenland, 2010)
• строиться на основе литературы, экспертных интервью, дизайна, выражать гипотетический консенсус о том, что здесь важно (Pearl, 2014; Grosz et al., 2020)
Что даёт достоверный DAG?
Если достоверный DAG полон для рассматриваемого эффекта, то:
• по нему можно формально вывести корректный набор ковариат, блокирующий все бэкдор пути между T и Y и не открывающий коллайдеры (backdoor‑критерий, d‑separation) (Pearl, 2009)
• при стандартных предпосылках оценка эффекта будет теоретически несмещённой – настолько же, как если бы у нас был полный DAG, ограниченный релевантной частью мира (Imbens, Rubin, 2015; Quimpo, Steiner, 2026)
Подход имеет ограничения:
• несмещённость зависит от качества каузального знания: если существенный конфаундер не включён, идентификация по DAG неверна, оценка смещена (Greenland, 2010; Quimpo, Steiner, 2026)
• иногда даже достоверный DAG может лишь подтвердить, что эффект не идентифицируем при разумных допущениях – и такой вывод является научно честным (Greenland, 2010)
• неполнота остаётся неизбежной: мы всё равно решаем, какими стрелками и узлами можно пренебречь; эти решения – источник возможного остаточного смещения. Но теперь они зафиксированы и по ним можно делать осмысленные проверки устойчивости и чувствительности (VanderWeele, Robins, 2010)
Быть идеалистом теоретически прекрасно, но практически недостижимо, и подобные инструменты позволяют исследователю достичь компромисс: сохранить каузальную строгость там, где это критично для оценки эффекта, и одновременно явно признать неполноту нашего знания
#канал_обозревает
@causal_channel | 862 |
| 5 |  🔎 Доказательства, которые мы заслужили
В 2014 году Марит и Тоомас Хинносаары с соавторами провели полевой эксперимент: они добавили на страницы 60 испанских городов в Википедии текст и фотографию, ориентированные на туристов. Это дало около 9% прироста числа ночёвок в этих городах и, соответственно, заметный рост туристических доходов (Hinnosaar et al., 2021)
Интервенция дешевая, локальная, не затрагивает идеологические споры и полностью в руках муниципальной власти – казалось бы, отличный пример политики, которую логично масштабировать
🔎 В чем загвоздка?
В 2026 году Хорхе Гарсия‑Омбрадос и соавторы берут этот уже проверенный результат как готовую политику и строят вокруг него новый эксперимент. Они не проверяют заново, работает ли улучшение страниц в Википедии, а спрашивают: что нужно, чтобы мэры реально начали это делать, и от чего зависит принятие такой интервенции (García‑Hombrados et al., 2026)
• Авторы отбирают 5 678 из 8 131 муниципалитетов Испании, где туризм действительно важен и где можно надёжно определить идеологию местной власти
• Туристический статус задаётся по простым наблюдаемым признакам: наличие туристических объектов или туристического офиса, участие в выставке FITUR, расположение на побережье или у границы, членство в агентстве SEGITUR, фиксируемые расходы туристов по банковским картам
• Идеология муниципалитета определяется по партии мэра: основной правый блок (Partido Popular), основной левый блок (PSOE), прочие правые и прочие левые партии
Всем этим городам рассылают одинаковую рекомендацию: улучшить страницу муниципалитета в Википедии, добавив информацию о локальных праздниках и достопримечательностях, фотографии и, по возможности, расширив языковые версии, прежде всего английскую. Меняются только источник и формат сообщения
🫵 Лучший совет – не слушать ничьих советов?
В эксперименте использованы разные по идеологии источники: правый аналитический центр FAES (связан с Partido Popular), левый Fundación Alternativas (с PSOE), правое издание El Mundo и левое онлайн‑СМИ elDiario.es. Им противопоставлен источник с неочевидной для мэров идеологической позицией – исследователь из London School of Economics, которого не воспринимают как участника внутренней партийной борьбы
Муниципалитеты случайно делят на шесть групп: одни получают краткую записку от «своего» аналитического центра, другие – от «чужого», третьи – от LSE, четвёртые – статью в «своей» газете, пятые – статью в «чужой», а шестые вообще ничего не получают и служат контролем. Письма рассылает нейтральный туристический исследовательский центр, а логотип и описание источника становятся видны только после открытия письма
📊 Что измеряли?
Авторы смотрят не на декларируемое отношение к политике, а на то, предпринимают ли мэры какие‑то шаги в ответ на информацию
• Главный показатель – внесла ли мэрия хотя бы одну рекомендованную правку на странице города в Википедии после рассылки
• Параллельно фиксируется, было ли открыто письмо, переходили ли к тексту записки или статьи и к инструкции по редактированию. Это позволяет разделить этапы «получили информацию», «обновили убеждения» и «перешли к действию»
📰 Что получилось?
• Главный вывод такой: даже идеальная по экономическим критериям политика – доказанная на RCT, дешёвая, управляемая на местном уровне и лишённая явного идеологического содержания – не превращается автоматически в практику. Её принятие существенно зависит от того, кто именно приносит результаты исследования
• Сообщения от «своего» идеологического источника заметно повышают вероятность внедрения, от «чужого» практически не меняют поведение по сравнению с контролем, а нейтральный университет оказывается где‑то посередине
Оказалось, что для доказательной политики одних хороших данных и аккуратной идентификации мало: критично важны доверие к источнику, его идеологический ярлык и архитектура каналов, по которым научные результаты доходят до людей, принимающих решения
#канал_обозревает
@causal_channel | 810 |
| 6 |  💎Ценность доказательности: сколько реально стоят A/B‑тесты?
Большие компании вроде Airbnb, Amazon и Google совокупно проводят больше ста тысяч экспериментов в год (Gupta et al., 2019). Но почти никто не знает, сколько денег приносит сама культура экспериментов как элемент доказательного принятия решений (evidence-based decision making, EBDM). В новой статье Альберто Абади, Аниш Агарвал, Хидо Имбенс, Сантьяго Торрес и трое исследователей из Amazon предлагают это посчитать (Abadie et al., 2026)
📈 Ценность доказательств
Авторы вводят показатель Value of Evidence (VoE) – средний прирост целевой метрики от решений по данным – по сравнению с агентом, который решает по среднему эффекту прошлых идей, – за вычетом стоимости экспериментов
Идея:
• есть поток идей (фичи, интервенции, политики)
• можно запускать их сразу или сначала тестировать
VoE показывает, сколько даёт стратегия «сначала измеряем, потом действуем»
При статус-кво «выкатывать все» авторы используют близкий показатель Value of Information under Default adoption (VoID) – ценность информации относительно сценария «запускаем всё подряд»
📊Эмпирический Байес
Каждая идея имеет неизвестный истинный эффект. Эксперимент даёт шумную оценку: больше наблюдений – меньше шум, но дороже тест
Решение «запускать / не запускать» авторы строят не по сырым оценкам, а по ожидаемому эффекту с учётом истории прошлых тестов. Это эмпирический Байес (empirical Bayes): новая оценка «подтягивается» к распределению эффектов, восстановленному из тысяч предыдущих экспериментов (Morris, 1983; Efron, 2010; Abadie et al., 2026)
Так можно посчитать: если бы во всех прошлых экспериментах решения принимались по этому правилу, какой был бы средний выигрыш относительно сценария без данных
🔼Кейс Upworthy
Upworthy – онлайн-медиа, которое в 2010-х делало «виральные» позитивные истории и массово A/B-тестировало связки «заголовок + обложка». Его архив (2013–2015 гг.) – идеальная лаборатория для оценки ценности доказательного подхода
На данных 4,8 тыс. таких тестов:
• средний «сырой» эффект отрицательный – новые варианты в среднем вредят
• разброс огромный: стандартное отклонение оценок (6,03 клика на тысячу показов) почти в восемь раз больше среднего эффекта (-0,76)
При применении байесовского правила отбора VoE и VoID оказываются уверенно положительными: если не запускать всё подряд, а фильтровать идеи на основе анализа истории, система в среднем зарабатывает
🔎Что важнее: точность или разнообразие идей?
Авторы показывают, что:
• увеличение точности оценок (больше данных в каждом тесте) даёт лишь умеренный прирост VoE
• увеличение разнообразия (гетерогенности) и потенциальной силы эффектов (широкое «распределение идей» с редкими большими плюсами и минусами) даёт гораздо больший прирост VoE, а сжатие разброса резко обесценивает данные
Если все идеи «одинаково средние», даже идеальная статистика мало помогает. Если есть редкие очень хорошие и очень плохие идеи, информация становится особенно ценной: она отбрасывает плохие и вытаскивает хорошие
🚫Почему p‑value – плохой советчик для бизнеса?
Типичное правило «запускаем фичу, если эффект положителен и p‑value < 0.05» оказывается экономически неэффективным
На данных Upworthy:
• оптимальное байесовское правило даёт больше VoE
• p‑value‑правило съедает примерно треть потенциальной ценности
Причина: порог по значимости защищает от ложноположительных результатов, но не максимизирует ожидаемый выигрыш. Он отбрасывает редкие крупные эффекты с шумными оценками и поощряет маленькие, хоть и «надёжные» эффекты. Гораздо важнее не сам факт «значимо/незначимо», а ожидаемый экономический эффект с учётом риска ошибок
Сторонников доказательного подхода часто упрекают в романтизме и том, что они мало говорят о цене высоких стандартов. Работа (Abadie et al., 2026) хороший контрпример. Она показывает, где высокие стандарты действительно окупаются (при большом разбросе эффектов и грамотных правилах решений); а где можно тратить много на эксперименты и почти ничего не выигрывать (если идеи «ровные», а решения принимают по p‑value)
#канал_обозревает
@causal_channel | 1 243 |
| 7 |  Байесовский спринт
Для тех, кто пропустил интенсив Байесовский спринт, который проводил Георгий Алексеевич Мороз:
🔗 материалы спринта
📺 видео 1-й части
📺 видео 2-й части | 660 |
| 8 |  Как приложения знакомств изменили рынок свиданий
Во всемирный день поцелуев мы решили сделать пост про приложения знакомств, которые за более чем десять лет превратились из нишевой забавы в главную инфраструктуру романтических знакомств. Но что именно изменилось, если смотреть не истории из социальных сетей, а на данные?
Свежая статья Беркерена Бююкэрена, Алексея Макарина и Хэю Сюна пытается дать именно каузальный ответ о влиянии Tinder (Büyükeren et al., 2026)
Исследователи используют любопытный эпизод из истории самого Tinder. На старте компания целенаправленно продвигала приложение через студенческие греческие организации. Их участники стали "первой волной" активных пользователей, в то время как остальные студенты на тех же кампусах подключались позже и менее интенсивно
Это позволяет авторам применить метод difference‑in‑differences: сравнить греческих и не‑греческих студентов в одном и том же университете до и после полноценного запуска Tinder летом 2013 года
Авторы, по сути, делают ставку на то, что греческие студенты — это отдельная субкультура с высоким уровнем внутригруппового взаимодействия и относительно меньшим влиянием на остальных, чтобы спиловеры не разрушили параллельные претренды
Результаты интересные:
🧡Среднее число партнеров за год у греческих студентов растет примерно на 0,22, причём рост сосредоточен в правом хвосте распределения – в группе студентов с уже высоким числом партнёров, особенно среди мужчин
🧡Доля тех, кто имел интимные контакты за последний месяц и год, увеличивается на 3–4 п.п.
🧡При этом вероятность состоять в стабильных отношениях почти не меняется, как и показатели качества отношений (насилие в паре, серьезные конфликты и т.п.)
Цена "за приложение" тоже есть:
🩹На 1,9 п.п. возрастает доля греческих студентов, заявивших о пережитом сексуальном насилии за год (при среднем уровне около 8,7%)
🩹Чаще диагностируют и/или тестируют на ИППП – выше вероятность теста на ВИЧ и лечения хламидиоза. См. также (Greenwood, Agarwal, 2016): появление онлайн‑платформ для случайных знакомств за несколько лет повысило заболеваемость ВИЧ во Флориде примерно на 13,5%
🩹Но средний индекс психического благополучия… улучшается для греческих студентов, особенно для женщин: сокращается доля студентов, которые сообщают (в анонимном опросе), что за последний год испытывали безысходность, тяжелую депрессию и тревогу
Авторы интерпретируют это как эффект снижения издержек поиска и асимметрии информации: приложение убирает часть психологической "цены отказа" (видны только взаимные лайки), расширяет "рынок партнеров", но не превращает это автоматически в больше браков или качественных отношений
Это пример того, как платформенные технологии одновременно повышают эффективность рынков и перераспределяют риски и выгоды между участниками, причем зачастую в сторону тех, кто и без того был ближе к "верхней части распределения"
#канал_обозревает
@causal_channel | 972 |
| 9 |  👨⚖️ Я на тебя промпт напишу! Как ИИ изменил самопредставительство в судах
Свежая статья Ананд Ша и Джошуа Леви показывает (Shah, Levy, 2026): после появления мощных LLM доля дел, где люди выступают без адвокатов (pro se), резко выросла. Около 20 лет она была стабильна на уровне ~11%, а к 2025 году поднялась до 16,8%. В абсолютных числах pro se дел почти вдвое больше, при том что число дел с адвокатами почти не меняется – в систему заходят новые люди, которые раньше до суда просто не доходили
⏯ Откуда данные?
• Авторы собрали около 4,6 млн гражданских дел в федеральных судах США за 2005–2026 годы
• Добавили ~46 млн записей из судебных картотек, чтобы видеть, что происходит внутри дела – сколько ходатайств, приказов, ответов и т.д.
• Взяли выборку реальных исковых заявлений и прогнали их через детектор генеративного текста, чтобы напрямую поймать использование ИИ
⏯ Что считали?
Авторы признают, что доступ к LLM появился почти у всех сразу, «чистой» контрольной группы без ИИ не осталось. Вместо этого они:
• опираются на длинный стабильный до‑ИИ период: доля pro se около 11% почти не меняется десятилетиями и не реагирует на кризисы и политические волны; на этом фоне резкий сдвиг после 2022 года выглядит как структурный разрыв, а не продолжение тренда
• сравнивают «простые» и «сложные» типы дел: там, где pro se были распространены ещё до ИИ (споры о нарушении гражданских прав, дела из потребительского кредитования, споры об обращении взыскания на предмет ипотеки), генеративный ИИ должен давать максимальный эффект — и именно в этих категориях доля pro se после 2022 года и растёт, тогда как в сложных (патенты, ценные бумаги и т.п.) почти не двигается
• проверяют наличие ИИ‑текста в реальных документах: до 2022 года детектор почти ничего не находит, к 2026‑му видит признаки генеративного текста примерно в каждом пятом иске
⏯ Что нашли?
• Рост почти полностью идёт за счёт истцов и сосредоточен в «простых» делах, где главный барьер — написать понятный и формально корректный иск, а не вести длинный сложный процесс
• Географически эффект почти повсеместный: в большинстве штатов число pro se‑дел уже превысило свои исторические максимумы.
• Длительность дел почти не меняется: доля дел, закрывающихся за 6 месяцев, до и после ИИ примерно одинакова. Зато внутри дел работы стало больше: число записей в картотеке за первые 180 дней по pro se‑делам выросло примерно на 30–40%, суммарная нагрузка на суд — в полтора–два раза
В совокупности это довольно убедительно указывает на генеративный ИИ: он реально расширяет доступ к правосудию для тех, кто не может оплатить юриста, но одновременно ощутимо увеличивает текстовую нагрузку на суды. И будет интересно наблюдать за тем, как суды и законодатели будут отвечать на это
#канал_обозревает
@causal_channel | 1 091 |
| 10 |  🪄 ЛевиОса, а не левиосА
Лето высвободило немного времени, и мы решили написать несколько постов о типичных эмпирических заблуждениях – открываем рубрику #канал_развенчивает_мифы
Начинаем с теста Грейнджера: что он на самом деле измеряет, чего не измеряет и почему это важно
💡 Откуда взялся тест?
Идея принадлежит не Грейнджеру. Математик Норберт Винер первым сформулировал принцип: переменную можно назвать «каузальной», если включение её истории улучшает прогноз другой (Wiener, 1956). В 1969 году Клайв Грейнджер операционализировал это в рамках линейных авторегрессионных моделей (Granger, 1969): если прошлые значения X улучшают прогноз Y сверх того, что даёт история самого Y, то X «является причиной» Y. Формально это F-тест в VAR-модели
Занятно, что в 1974 году сам Грейнджер показал, что регрессия нестационарных рядов порождает значимые коэффициенты там, где их нет (Granger, Newbold, 1974), то есть подсветил наивное применение своего же теста. А в нобелевской лекции сказал: «Of course, many ridiculous papers appeared». Нобелевскую премию он получил, кстати, не за тест причинности, а за анализ в условиях коинтеграции
🪜 Снова о лестнице причинности
Ранее мы писали [см. пост], что Джудеа Перл разграничил три типа утверждений (Pearl, 2000):
1) Взаимосвязь: «X связан с Y?»
2) Воздействие: «Что произойдёт, если сделать X?»
3) Контрфакт: «Что было бы, если бы X было другим?»
Тест Грейнджера относится к уровню 1. Вопрос «влияет ли X на Y?» – это уровни 2 и 3. Этот переход требует структурных предположений, которые данные сами по себе не дают
🙅♂️ Когда тест не говорит о причинности?
Иногда в ответ на вопрос об эндогенности в модели можно услышать: «мы применили тест Грейнджера и обратной причинности не обнаружили». Это существенное заблуждение!
Тест проверяет, улучшают ли лаги Y прогноз X и ничего больше. Он не тестирует эндогенность в смысле корреляции регрессора с ошибкой, не контролирует одновременность и не заменяет инструментальные переменные. Отклонение нулевой гипотезы о нулевых коэффициентах при лагах – это не то же самое, что отсутствие обратной причинности в структурном смысле (Maziarz, 2015)
Перечислим остальные проблемы:
• Конфаундеры. Если Z влияет и на X, и на Y, тест зафиксирует X→Y при отсутствии прямой связи. Шоуджи и Фокс (Shojaie, Fox, 2022) показали численно: один параметр модели меняет направление «причинности» при неизменных данных
• Нестационарность. Два независимых случайных блуждания дают значимый F-тест – это свойство метода, а не сигнал о реальной связи (Granger, Newbold, 1974)
• Нелинейность. Линейная модель не видит нелинейные механизмы и может инвертировать направление (Liu et al., 2018)
• Рациональные ожидания. Если фирмы сегодня реагируют на ожидаемую инфляцию завтра, тест покажет «инфляция влияет на инвестиции» – хотя направление обратное. Будущая переменная попадает в информационное множество настоящего, нарушая ключевое допущение о том, что причина предшествует следствию (Maziarz, 2015)
• Чувствительность к лагу. Разные критерии выбора порядка VAR (AIC, BIC, HQIC) нередко приводят к противоположным выводам на одних и тех же данных (Maziarz, 2015)
👍 Когда тест использовать можно?
• Разведовательный инструмент – описать информационные потоки и сформулировать гипотезы о механизме
• При наличии теории: Уайт и Лу (White, Lu, 2010) показали, что причинность по Грейнджеру совпадает со структурной при одновременном выполнении трёх условий: нет латентных конфаундеров, модель верно специфицирована, лаг выбран корректно. Все три требуют предварительного теоретического обоснования
• Для описания функциональной связности (functional connectivity) – именно так тест используется в нейронауках и финансах: не как доказательство причинности, а как описание того, как информация распространяется между переменными (Shojaie, Fox, 2022)
Как всегда скажем, что нет плохих инструментов – важно то, уместно ли они используются. Для ответа на вопрос «влияет ли X на Y?» нужны другие инструменты, позволяющие идентифицировать причинно-следственные связи
#канал_развенчивает_мифы
#канал_обозревает
@causal_channel | 892 |
| 11 |  📢 Вебинар AMLEDS
Сегодня вечером пройдёт вебинар, который стоит посетить!
Спикер: Скотт Каннингем (Baylor University)
Тема: "AI-агенты для исследователей: инструменты, применение и открытые вопросы"
Скотт Каннингем – настоящая рок-звезда современной эконометрики. Автор одного из первых и любимого многими учебника по причинно-следственному выводу "Causal Inference: The Mixtape" (мы с нетерпением ждём грядущего переиздания The Remix 🎶). Автор подкаста с ведущими учёными, стример, организатор классных воркшопов и человек, который сделал очень много для популяризации эконометрики
В последнее время он активно экспериментировал с AI-инструментами в научной работе – и похоже, накопленный опыт вырос в отдельный полноценный воркшоп
🗓 26 июня 2026 года
🕒 18:00 Мск
🎙 Формат: Zoom-вебинар (онлайн, бесплатно)
📝 Регистрация по ссылке
#канал_зовёт
@causal_channel | 1 562 |
| 12 |  📚 Чему учат в университете – и имеет ли это значение?
Многие об этом любят рассуждать, но ответить на него эмпирически очень сложно: стандартные административные данные не содержат информации о содержании курсов. В новой работе Барбара Биази и Сун Ма (Biasi, Ma, 2026) решают эту проблему с нуля
🗂 Что сделали авторы?
• Собрали 459 410 силлабусов (программ курсов) семи крупных университетов Техаса и сопоставили их с корпусом из 107 млн академических публикаций (OpenAlex)
• Для каждого курса построили меру близости к переднему краю науки (frontier knowledge proximity) – насколько содержание курса текстуально похоже на недавние научные работы относительно старых
Если курс оперирует концепциями, которые только-только появились в литературе – proximity высокая. Если те же концепции давно стали стандартом учебников – низкая. Граница между «новым» и «старым» задаётся отдельно для каждой дисциплины, исходя из лагов цитирования в этой области
👨🏫 Вариация огромная, и она определяется преподавателем
• Переход от 25-го к 75-му перцентилю proximity эквивалентен замене ~30% содержания курса на более свежий материал
• При этом декомпозиция Шепли-Оуэна показывает: различия между университетами объясняют лишь 0,3% этой вариации, между дисциплинами – 5%
• Основной вклад вносят конкретный курс (26%) и конкретный преподаватель (21%)
• Два студента одного факультета одного вуза могут получить принципиально разное образование – в зависимости от того, к кому они попали
🪄 Идентификация
• Очевидная проблема – эндогенный выбор: более способные и мотивированные студенты могут сами выбирать «передовые» курсы
• Авторы решают её, используя институциональную особенность техасских университетов: при записи на курс студент видит только силлабус прошлого семестра, но не обновлённый. Значит, изменения proximity между семестрами – условно экзогенны с точки зрения студента
• Контролируя на лаги proximity, фиксированные эффекты преподавателей и пересечения «университет × специальность × когорта», авторы идентифицируют эффект воздействия (ITT) frontier knowledge на исходы студентов
• Плацебо-тест (замена реализованной proximity на proximity того же курса 2 года спустя) даёт нулевые коэффициенты – в поддержку условной экзогенности
🎓 Результаты
Одно стандартное отклонение в frontier proximity (~замена 27% содержания курсов на более свежее) улучшает все измеренные образовательные исходы:
• вероятность получить диплом ↑ на 1,7%
• время до диплома ↓ на 0,4 года
• вероятность поступить в аспирантуру ↑ на 16%
• заработок через 1–6 лет после выпуска ↑ на 2,8% (для аспирантов – 5,3%)
Причём эффект особенно силён в первый год обучения, что указывает на механизм мотивации и усилий, а не просто накопления знаний
💰 Неравенство и механизм
Эффекты асимметричны [см. рисунок]:
• Студенты из семей с низким доходом (нижний квартиль, <$40 тыс/год) выигрывают прежде всего от завершения учёбы (+2,1 п.п. к completion против +1,2 п.п. у верхнего квартиля), но не показывают значимого прироста в поступлении в аспирантуру
• У студентов из обеспеченных семей (>$90 тыс/год) – наоборот: скромный прирост в completion, зато +4,8 п.п. к вероятности пойти в аспирантуру
Медиационный анализ объясняет, почему:
• Для студентов из малообеспеченных семей контроль на образовательные исходы (диплом, GPA, время до степени, аспирантура) убирает почти весь эффект на заработки
• Для студентов из обеспеченных семей значимая премия к заработку сохраняется после контроля – что указывает на прямой возврат к приобретённым навыкам сверх того, что даёт диплом (Becker, 1964; Spence, 1973; Arteaga, 2018)
Исследование показывает, что ключ к высоким результатам не в строительстве новых корпусов и не в реформировании учебных программ, а в том, кто стоит у доски. Поддержка научно активных преподавателей способна дать отдачу, сопоставимую с куда более дорогостоящими вмешательствами. Инвестиции в исследования при этом генерируют двойную отдачу: новые знания и более актуальное обучение через тех, кто эти знания производит
#канал_обозревает
@causal_channel | 960 |
| 13 |  🧠 The Causal Summit 2026
Уже сегодня вечером пройдет бесплатный онлайн-саммит по Causal Inference и Causal AI. Ведущие исследователи и практики со всего мира расскажут о новинках и своем опыте в причинном выводе
Модерирует Quentin Gallea – автор The Causal Mindset Handbook, обучил 15 000+ специалистов, проводил воркшопы для Google и других крупнейших компаний
В программе 5 треков:
1️⃣Введение – почему предсказание и причинность — это не одно и то же, и как совмещать оба подхода. Примеры из Spotify, Amazon, Netflix
2️⃣Причинный вывод на практике – как это работает в реальном бизнесе и что мешает внедрению
• Robson Tigre (Recast) – causal inference в финтехе, e-commerce, маркетинге и крипте: как избежать неоправданных допущений, и получить интерпретируемые результаты, заслуживающие доверия
• Jamilla Cooiman (CausAI) – технические и организационные барьеры внедрения, и как компании делают первые шаги в сфере применения причинного анализа
3️⃣Causal Discovery в бизнесе – не только тестировать гипотезы, но и находить их
• Paul Hünermund (TUM) – как как последние достижения в области causal discovery помогают понять, что вообще стоит тестировать, прежде чем запускать A/B тест
• Martin Huber (Fribourg) – нетехническое введение в то, как извлекать причинно-следственные связи из данных без экспериментов
4️⃣Новые подходы в Causal ML – когда предсказания недостаточно
• Philipp Bach (FU Berlin) – Double Machine Learning: от базовых идей до современных разработок с реальными бизнес-примерами
• Matheus Facure (Nubank) – почему модель вероятности оплаты долга бесполезна без uplift; на примере реального кейса взыскания долгов показано, что в отличие от ML переход к причинно-следственной uplift модели дает ответ на вопрос о том, на что именно направить усилия для достижения наибольшего эффекта
5️⃣Causal AI и LLMs — что языковые модели уже умеют в причинном анализе, а что – нет
• Carlos Trujillo (Wise) – байесовский фреймворк для оценки LLM-агентов: каким задачам можно доверять, а каким — нет
• Nick Huntington-Klein (Seattle U.) – эксперимент с реальными данными: LLM пока плохо справляются с идентификацией конфаундеров и дают несогласованные результаты
🗓 23 июня, 18:00-21:00 Мск
🎟 Онлайн, регистрация: causalsummit.com
#канал_зовёт
@causal_channel | 834 |
| 14 |  😮 Начни с себя
Часто, когда говорят об обучении этичности, представялют себе специальные уроки про честность или формальные беседы о правилах. Но на самом деле мы учимся честности или этичности не на занятиях и не благодаря плакатам, а в те моменты, когда учитель своим примером показывает, что ты можешь делать с правилами: строго соблюдать, обойти или подогнать под ситуацию
Представьте: учитель завышает вам годовую оценку по математике, чтобы вы точно прошли порог для поступления. Это подарок. Вопрос: вы после этого будете честнее на выпускном экзамене или, наоборот, почувствуете, что "правила — это лишь условность"?
В новой статье Виктор Леви и Мозес Шайо на результатах израильских экзаменов Bagrut демонстрируют, как разделить эти мотивы (Lavy, Shayo, 2026)
Как устроены школьные выпускные экзамены в Израиле?
В израиле аналог нашего ЕГЭ – это выпускные экзамены Bagrut, где по каждому предмету ученик получает внутреннюю школьную оценку (которую ставит учитель) и внешнюю национальную. Итоговый балл школьника обычно считается как их среднее
Министерство образования отслеживает средние разрывы между этими двумя оценками по школе и предмету, классифицируя крупные завышения или занижения как нарушения
Авторы исследуют то, как нечестность учителей влияет на склонность учеников списывать: они смотрят отличия в списывании для учеников этичных и неэтичных учителей (измеренного по данным предшествующих лет), контролируя на характеристики ученика, школы и года, ряд характеристик сообщества и прошлые санкции
Имитировать или отплатить?
Авторы предлагают разложить реакцию учеников на два механизма:
1️⃣Имитирование: если учитель нарушает правила (завышает или занижает оценки), ученик делает вывод, что правила гибкие и их можно обходить
2️⃣Взаимность: если нарушение приносит пользу, возникает благодарность – и ученик меньше списывает. Если же учитель занижает баллы, появляется обида — и ученик может решить нарушить правила в ущерб школе
Когда учитель занижает оценку, все действительно прямолинейно: ученик чувствует несправедливость и одновременно видит, что взрослый нарушает нормы => расте вероятность списывания на внешнем экзамене (см. красные столбики на рисунке)
При завышении ситуация двоякая, и это ключевой результат статьи:
🔵В больших, социально гетерогенных школах, где ученики живут в разных районах и слабо связаны друг с другом:
▫️Учитель завышает оценки => ученики видят, что правила можно обойти "во имя добра"
▫️Здесь побеждает "имитация"
▫️В итоге мы видим более высокую вероятность того, что такой ученик будет уличен в списывании на внешнем экзамене
То есть завышение оценок учителем обучает неэтичности: ребенок усваивает, что честность – это опция, а не норма
🔵В однородных, тесных сообществах завышения оценок воспринимаются иначе:
▫️"Учитель нас выручил, дал шанс на поступление"
▫️Здесь включается позитивная взаимность: ученики не хотят подставлять "своего" учителя и школу, меньше списывают, чтобы не спровоцировать санкции
▫️В итоге мы видим снижение вероятности дисквалификации за списывание среди тех, для кого "подтянули" оценки
В таком контексте завышение оценок укореняет норму: своих берегут, даже когда правила нарушаются
Так это же только те, которых поймали!
И да, и нет: с одной стороны, это нижняя граница оценки эффекта
С другой стороны, они используют:
🔵фиксированные эффекты ученика (один и тот же ученик подвержен примерно одной и той же "ловимости")
🔵фиксированные эффекты школы и года (разная строгость мониторинга на уровне школ/лет вычитается)
🔵"этичность" учителей берется с лагом: завышения/занижения в t–1 вряд ли связаны с тем, поймали ли конкретного ученика в период t
Нам кажется, в вопросах этики надо начинать с себя. И это не абстрактное "быть хорошим человеком", а очень конкретные решения: завысить ли оценку, закрыть ли глаза на мелкое нарушение, обойти ли формальность "во имя добра". Каждый из нас своими действиями создаёт нормы. Пусть это будут такие нормы, в которых нам самим не стыдно жить
#канал_обозревает
@causal_channel | 1 185 |
| 15 | Пока наши студенты защищают выпускные работы, а мы с интересом следим за их защитами 👋, решили поделиться с вами свеженькими полезными находками
Питер Халл обновил свои материалы по эконометрике — на странице Metrics Notes теперь лежат свежие слайды бакалаврского и магистерского курсов за весну 2026 года с расширенными материалами и исправленными неточностями и опечатками прошлых версий
Там же собраны другие полезные материалы его авторства: ускоренный курс по design-based эконометрике, а также заметки про effective populations, propensity score, residualized regressions, instrumented DiD, shift‑share IV и weak IV – по сути, полноценный toolbox для современных исследований
#канал_обозревает
#канал_рекомендует
@causal_channel | 1 757 |
| 16 | Программа_КС_бизнес_власть_22_мая_26.pdf | 883 |
| 17 | IV Круглый стол "Практики эффективного диалога бизнеса и власти" посвящен доказательному подходу в ОРВ.
Место проведения: УрГЭУ (Екатеринбург) с онлайн подключением
Время: 13.00 Мск (15.00 Екб) ❗️Обращаем внимание на изменение времени начала
Ключевые направления дискуссии:
Когда нужно регулировать — Елена Артюх (Уполномоченный по защите прав предпринимателей в СО) и Какое регулирование считать эффективным - Владимир Чураков (Мосстратегия)
Доказательный подход и «Голос рынка» — Георгий Богатырев (Банк России)
Мнение бизнеса — Михаил Андронов («Аскорт», Москва) и Барзыкина Галина (Курская область)
Региональный опыт — новые инструменты: представители органов власти Москвы, Чувашии, Владимирской и Свердловской областей
Научный взгляд — эксперты МГУ (Ольга Маркова, Анна Ставнийчук) и руководитель ЦРК Ирина Рахмеева (УрГЭУ)
📋 Программа круглого стола и приглашение на субъекты РФ👇
Кому нужно именное приглашение - пишите в чат Центра
Ссылка для регистрации
#новостиОРВ #обсудим | 804 |
| 18 | 📌 В пятницу на круглом столе у нас ответственная миссия — будем обсуждать как научные аргументы и доказательный подход могут помочь выстраивать диалог между бизнесом и властью | 756 |
| 19 | Разыгрываем один билет на AHA'26!
Как и обещали, возвращаемся с подробностями розыгрыша 🎟
Мы уже успели заглянуть на онлайн-часть AHA'26 и нам понравилось - классные спикеры рассказывают о том, с чем сталкиваются в работе и как это решают:
🔸Ксения Бокша (VK) рассказала, что для объединения множества сервисов в единую Data Platform нужен свой "технодесант" - ребята, которые могут прийти и на "собственной тяге" переписать все, что угодно
🔸Кирилл Ли (Купер.Тех) поделился тем, как они управляют запасами и создают положительный опыт пользователей через работу с заменой/отменой позиций при заказе. Для того, чтобы посчитать эффект от их новой модели, они перешли к within subject оценкам (мы давно планируем рассказать об особенностях таких экспериментов - ждите в новых постах)
🔸Надежда Белякова (Яндекс.Такси) рассказала, что алгоритм параллельной рассылки предложений водителям (multi-offer dispatch) в 2 раза сократил время на вызов такси
И теперь к главному 👇
Как и обещали, сегодня мы хотим разыграть 1 билет на AHA'26 - конференцию о продуктовой аналитике, AI и масштабировании цифровых продуктов
Чтобы участвовать, до 23:59 17 мая напишите в комментариях:
1️⃣на какой доклад вы хотите попасть
2️⃣коротко почему именно на него
Можно в духе: «Хочу на доклад про ..., потому что мне не дает покоя вопрос...»
Победителя выберем случайным образом 18 мая
❗️Важно:
🔵мы проводим розыгрыш только среди подписчиков канала
🔵одного комментария достаточно (дублирующие комментарии мы увы не сможем учесть)
Удачи и до встречи на AHA'26!
#канал_зовёт
@causal_channel | 915 |
| 20 | Наша секция на Конференции по вычислительным социальным наукам в ЕУ
14–16 мая в Европейском пройдет Конференция по вычислительным социальным наукам. Мы организовали двухдневную секцию, посвященную вычислительным методам в изучении права, — приходите или подключайтесь к трансляции. Для обоих форматов участия необходима регистрация. Вот что будет:
14 мая, четверг
14:15 — 16:40, ауд. 429
▪️Влияние ИИ на российский LegalTech: индивидуальный и индустриальный уровень, Якуненко Екатерина Сергеевна, Яндекс, автор телеграм-канала Делай RAG
▪️ИИ-агент для задач правовой экспертизы и регуляторной политики, Рахмеева Ирина Игоревна, УрГЭУ
▪️Суды окружного уровня влияют на размещение юридических фирм, Сёмин Павел Олегович, ПГНИУ
▪️Правонарушения акционеров и директоров как беловоротничковое преступление, Леденев Виктор Владимирович, ЕУ СПб
15 мая, пятница
12:15 — 17:45, ауд. 429
▪️Платформа Телеграм в современных социальных исследованиях: база данных и примеры применения, Седашов Евгений Александрович, НИУ ВШЭ
▪️Когда диплом не спасает: нелинейные эффекты образования в российском правосудии (на примере ст. 264 УК РФ), Жучкова Светлана Васильевна, Янкевич Семён Васильевич, НИУ ВШЭ
▪️Профессиональный бэкграунд судей как экстралегальный фактор вынесения судебных решений, Капустина Лика Владимировна, НИУ ВШЭ
▪️Влияние антимонопольного правоприменения на вход новых компаний в России, Зварич Андрей Александрович, Ставнийчук Анна Юрьевна, Маркова Ольга Анатольевна, МГУ им. М.В. Ломоносова
▪️Цена преступности, Скугаревский Дмитрий Анатольевич, ЕУ СПб
Программа конференции обширная, там еще много чего интересного: шесть других секций, мастер-классы, открытые лекции, — полный список вот здесь. | 778 |
