Statistical methods for causal inference

Celem pracy jest przedstawienie metod (typów metod) statystycznych służących estymowaniu zależności przyczynowych oraz zasygnalizowanie toczącej się dyskusji na ten temat. Zakres niniejszej pracy jest zbyt wąski aby pokusić się o dokładny opis formalny poszczególnych metod lub przegląd, choćby najważniejszych z współczesnych podejść statystycznych, jednak omówione zostaną przykładowe modele, ich najważniejsze cechy, różnice oraz przykłady technik statystycznych służących realizacji tych modeli.. W pierwszej części pracy omówione zostaną najważniejsze pojęcia związane z wyciąganiem wniosków przyczynowych z badań eksperymentalnych oraz quasi-eksperymentalnych które są kluczowe dla zrozumienia kwestii bardziej złożonych w dalszej części pracy. Następnie przedstawione zostaną podstawowe założenia trzech modeli (podejść) estymowania zależności przyczynowych oraz przykładowe techniki statystyczne które w części lub całości znalazły swoje zastosowanie w tych modelach. Poszczególne modele opierają swoje „silniki statystyczne” na zasadniczo różnych rdzeniach, których przedstawieniem w niniejszej pracy są konkretne techniki statystyczne. „Model przyczynowy Campbella” (osadzony w metodach eksperymentalnych), „Model przyczynowy Rubina” (korzystający z propensity score matching) oraz „Naukowy model przyczynowości” lub „Model przyczynowy Heckmana (wykorzystujący modelowanie strukturalne). W końcowej części pracy opisane zostaną kontrowersje wokół stosowania poszczególnych podejść w kontekście estymowania zależności przyczynowych (szczególnie w ewaluacji polityk publicznych) ze szczególnym uwzględnieniem sporu dotyczącego wykorzystania metod analizy ścieżkowej (np. SEM).The purpose of this paper is to present methods (types of methods) for causal inference and indicato (zasygnalizować?) ongoing discussion on this topic. The scope of this study is too narrow to attempt a detailed description of the various methods or formal review of AT least most important of modern statistical approaches. But this paper will discuss examples of models and their main features, differences and examples of statistical techniques for the implementation of these models. The first part of this paper will discuss the most important concepts of causal inferences from experimental and quasi-experimental which are crucial for understanding the more complex In the next part of the paper. Then will be presented the basic Assumption of three models (approach) of estimate the causal relationships and examples of statistical techniques that are included all or partly in these models. Different models base their "statistical engines" on substantially different cores. Those cores are presented in this paper by specific statistical techniques. "Campbell causal model" (embedded in the experimental methods), "Rubin Causal Model" (using the propensity score matching) and "Scientific causality model" or "Heckman causal model (using structural equation modeling). The final part of the paper describes the controversy surrounding the use of different approaches in the context of estimating causal relationships (especially in the evaluation of public policies), with particular emphasis on the dispute on use of path analysis in causa inferences