Krajem kolovoza i početkom rujna imao sam prilike prisustvovati na dvije sjajne konferencije. Prvu, ekonomsku (http://exelconference.eu/), organizirao sam zajedno sa Dejanom Kovačem i Borisom Podobnikom, kolegama iz naše udruge Adriatic Economic Association (www.adecas.eu), na koju smo doveli tri ekonomista svjetskog ranga: Alana Kruegera (https://krueger.princeton.edu/) i Henrya Farbera (http://irs.princeton.edu/people/henry-farber) sa Princetona, te Josha Angrista (https://economics.mit.edu/faculty/angrist) sa MIT-a. Druga je bila godišnja konferencija American Political Science Association u San Franciscu (http://web.apsanet.org/apsa2017/), gdje sam predstavljao rezultate jednog od svojih polit-ekonomskih istraživanja.
Umjesto da sažmem pozitivne dojmove, ovaj ću tekst posvetiti zajedničkom nazivniku sa obje konferencije. Slušanjem izvrsnih izlaganja iz raznih polja ekonomike i teorije mreža (na prvoj konferenciji), te političke ekonomije i međunarodnih odnosa (na drugoj), primijetio sam ohrabrujući trend povećanja korištenja novih znanstvenih metoda u ekonomici i društvenim znanostima općenito, a koje su se razvile u prirodnim znanostima. Metode poput nasumičnih kontroliranih pokusa (randomized control trials) ili prirodnih eksperimenata (natural experiments) polako postaju standard u društvenim znanostima.
Počeci primjene novih znanstvenih metoda u ekonomiji kreću još od 90-ih godina prošlog stoljeća. Međutim tek posljednjih godina sve više ekonomista u svijetu shvaća važnost korištenja novih znanstvenih metoda u otkrivanju kauzalnih odnosa u svojim istraživanjima. Posebno među mlađim istraživačima riječ ‘kauzalnost’ više nije tabu, a korištenje eksperimenata ili kvazi-eksperimenata postaje standard.
Rijetko se koje istraživanje danas može objaviti u najboljim časopisima ukoliko ne primjenjuje bar neki oblik randomizacije. To naravno ne znači da ova metodološka tranzicija teče bez problema. Neovisno koliko dobro mnogi istraživači koriste nove metode u svojim istraživanjima, sama činjenica da razmišljaju u tom smjeru je veliki korak naprijed. Ekonomika je ušla u vlastitu kauzalnu revoluciju.
Trebat će vremena prije nego što društvene znanosti u potpunosti prihvate učinke ove revolucije. Neka područja ekonomije nikada neće moći implicirati nikakve kauzalne tvrdnje, poput primjerice istraživanja u makroekonomici. Iako i tu postoji napredak. Teško da će se moći eksperimentirati sa kamatnim stopama i javnim dugom, no mogu se primjerice tražiti optimalne porezne stope i njihov utjecaj na potrošnju. Također, društvene znanosti vjerojatno nikada neće biti precizne kao fizika ili korisne kao računarstvo. No to su pogrešno postavljeni ciljevi. Naš cilj bi trebao biti replicirati metode koje se koriste u psihologiji, ili još bolje – u medicini. Ekonomija je danas u istoj fazi gdje je medicina bila prije stotinu godina, ili psihologija prije pedeset godina. I dalje imamo gomilu šarlatana koji koriste pijavice i električne šokove, ali sve više ljudi prihvaća novi kauzalni standard u društvenim znanostima.
Eksperimentalni ideal u društvenim znanostima
Kako netko donosi kauzalne zaključke u ekonomiji? Zamislite da moramo procijeniti je li određena politika djelotvorna. Želimo vidjeti hoće li akcija A uzrokovati ishod B. Kada postavljamo takvo pitanje prva opasnost je u kognitivnoj iluziji zamjene korelacije za kauzalnost. Drugim riječima, primjećujemo kako je akcija A prethodila ishodu B, te odmah zaključujemo kako je akcija A uzrokovala ishod B (kada to objašnjavam studentima koristim klasične primjere poput korelacija korištenja Internet explorera i stope ubojstava, prosječnih temperatura i broja gusara u svijetu, cjepiva i autizma, potrošnje vina i studentskih ocjena, i sl.). Međutim, može postojati čitav niz neopaženih varijabli (unobservables) koje mogu uzrokovati i akciju A i ishod B. Prevedeno na jezik ekonomista, kada koristimo jednostavne OLS regresije akcije A na ishod B, u osnovi samo dokazujemo korelacije i ne možemo reći ništa o uzročnom djelovanju A na B.
Kako bismo se oslobodili pristranosti koja je povezana s varijablama koje ne možemo opaziti, a koje mogu poremetiti naše procjene, moramo uvjetovati nasumičnost u uzorku. Moramo osigurati nasumičnu alokaciju (randomization) promatranih jedinica u ispitivane (treatment) i kontrolne (control) skupine, gdje su ispitivane jedinice one koje poduzimaju akciju A, dok su kontrolne jedinice statistički identične skupine koje ne poduzimaju akciju A. Istraživači potom promatraju razlike u ishodima. Ako se ishodi značajno razlikuju između ispitivane i kontrolne skupine, možemo reći da akcija A uzrokuje ishod B.
Uzmimo klasičan primjer iz medicine. Dajemo lijek ispitivanoj skupini, dok kontrolnoj dajemo placebo. Zatim promatramo zdravstvene ishode jedne i druge skupine kako bismo shvatili je li lijek djelotvoran. Isto se može učiniti i u ekonomiji.
Pritom je vrlo važno da se promatrane jedinice dodjeljuju nasumično jer randomizacija podrazumijeva statističku neovisnost. Kada nasumično odaberemo tko će biti u ispitivanoj a tko u kontrolnoj skupini, pobrinemo se da se ljudi iz obje skupine statistički ne razlikuju jedni od drugih, što nam omogućuje savršenu usporedivost. Usporedivost znači da ako zamijenimo bilo koje dvije osobe iz jedne grupe u drugu, ishodi bi trebali ostati isti. Bilo koja razlika u ishodima B između dvije vrlo slične grupe trebala bi biti rezultat akcije A.
Pozitivni trendovi
Društvene znanosti posjeduju alate za upravo ovakve eksperimentalne testove. U ekonomiji je moguće pokrenuti stvarne randomizirane kontrolirane pokuse (eksperimente na terenu; field experiments) gdje se jedna ekonomska politika primjenjuje na jednoj skupini ljudi, dok se kontrolnoj skupini ne daje ništa, te se zatim promatra kako ljudi reagiraju na politiku promjenom u ponašanju te kako to utječe na što god želimo promatrati kao ishod (zdravlje, potrošnja, prihodi, itd.). Primjeri su pokusi koji su provedeni za ispitivanje učinkovitosti uvođenja obaveznog zdravstvenog osiguranja u SAD-u koji su pokazali da su zdravstveni ishodi bolji kada postoji obvezno osiguranje, ili trenutni eksperimenti u par zemalja koji ispituju učinkovitost uvođenja temeljnog dohotka na smanjenje nezaposlenosti i nejednakosti.
Osim eksperimenata na terenu, mogu se raditi i tzv. prirodni eksperimenti (natural experiments), koji još nose naziv kvazi-eksperimenti. Kvazi zato jer se ne provodi pravi eksperiment, već postoje dovoljno kvalitetni podaci koji omogućuju iskorištavanje nekog oblika nasumične alokacije sudionika u ispitivane i kontrolne skupine. Bez obzira na metodu koja se koristi, ključni zadatak je opravdati zašto je u nekom specifičnom slučaju alokacija u kontrolne i ispitivane skupine bila nasumična, ili kao nasumična (as-if random).
Kao što sam napomenuo u uvodu, ovakve metode postaju novi standard u ekonomici. Prošlo je vrijeme velikih narativnih teorija i modelskih konstrukcija koje se nikada ne mogu dokazati i prošlo je vrijeme kada je empirijsko istraživanje bilo ograničeno na multivarijatne regresije u koje se trpalo što više moguće varijabli. Slijedeća slika to ilustrira:
(izvor: Bloomberg; podaci preuzeti iz nedavnog rada Daniela Hamermesha objavljenog u Journal of Economic Literature): (https://www.bloomberg.com/view/articles/2017-07-14/so-many-critics-of-economics-miss-what-it-gets-right)
Trend je jasan. Nagli pad radova koji se bave čistom teorijom (od 57% 1980-ih, do 19% danas), ogroman porast empirijskih radova koji koriste vlastite podatke (od 2.4% do 34% danas) i veliki porast klasičnih eksperimenata u ekonomiji (0.8% do 8.2%). Ovaj pozitivan trend će se nastaviti i dalje, sve više favorizirajući eksperimente i empiriju nad teorijom.
Slijedeći graf iz the Economista (https://www.economist.com/news/finance-and-economics/21710800-big-data-have-led-latest-craze-economic-research-economists-are-prone) detaljnije ulazi u empirijski dio te daje vrlo sličan prikaz trenda. Značajan je skok u korištenju kvazi-eksperimentalnih metoda (prirodnih eksperimenata) kao što su diskrecijska regresija (regression discontinuity) i metode razlike u razlici (differences-in-differences) još od kraja 90-ih godina. Atraktivnost DSGE (dynamic stohastic general equilibrium) modela u istom razdoblju osnažio je i njihovu prisutnost, iako je trend u blagom padu u posljednjem desetljeću. Konačno, od 2000-ih naovamo značajan je skok upravo randomiziranih kontroliranih pokusa, a posljednjih nekoliko godina čak i u korištenju velikih podataka (big data) te strojnog učenja (machine learning) u polju ekonomije. Ovo su doista ohrabrujući trendovi koji konačno usmjeravaju ekonomiku ka znanosti.
Ipak, još uvijek postoje problemi. Kritičari eksperimentalnih pristupa brinu se o vrsti pitanja koja ekonomisti počinju postavljati. Umjesto velikih makroekonomskih pitanja poput „što uzrokuje krize“, usredotočeni smo na promatranje učinaka usko definirane politike unutar podskupa stanovništva. Postoje brojne rasprave koje dovode u pitanje vanjsku valjanost (external validity) odnosno širu primjenjivost svakog randomiziranog kontroliranog pokusa, što je legitimna briga. Ako određena ekonomska politika funkcionira na jednoj skupini ljudi na jednom području u jednom vremenskom trenutku, zašto bismo očekivali da će funkcionirati u institucionalno, povijesno ili kulturološki potpuno drukčijem okruženju? Prirodni eksperimenti se kritiziraju na isti način, čak i kada je nasumičnost potpuno opravdana.
Nadalje, zbog sve većeg pritiska za objavljivanje, mnogi mladi znanstvenici previše naglašavaju važnost vlastitih otkrića ili imaju tendenciju da precjenjuju svoj kauzalni zaključak. Još uvijek postoje brojna ograničenja koja valja imati na umu dok se čitaju čak i najbolji eksperimentalni radovi. To ne znači da bi ih trebalo prestati raditi, upravo suprotno. Svaki rad koji koristi jednu od „novih metoda“ ogroman je napredak u odnosu na multivarijantne regresije iz prošlosti, i dah svježeg zraka u odnosu na većinom beskorisne teorijske radove zarobljene u krutim pretpostavkama. Naučiti razmišljati kao znanstvenik je strma krivulja učenja. Trebati će vremena da naučimo dizajnirati još bolje eksperimente i još bolje identifikacijske strategije kako bismo došli do razine moderne medicine. A kad se to dogodi, politika više neće imati opravdanja ignorirati empirijske nalaze iz ekonomije pod natruhom ideološke pristranosti određenoj školi ekonomske misli. Gotovo je sa ideologijom u ekonomici. Od sada nadalje naglasak će biti na znanosti.
P.S. Za one koji žele znati više. Dva glavna govornika na našoj konferenciji, Angrist i Krueger su 1999 napisali izvrsno poglavlje o svim do tada dostupnim empirijskim strategijama u polju ekonomike rada. Sa svojim istraživanjima 90-ih upravo su njih dvojica postavili standarde za struku naglašavajući važnost strategija identifikacije uzročnih odnosa. Preporučam pročitati tekst: (https://web.stanford.edu/group/scspi/_media/pdf/Reference%20Media/Angrist_Krueger_1999_Measurment%20and%20Methodology.pdf). Osim toga preporučam i sjajan materijal za učenje koji se koristi na Harvardu i MIT-u kod Esther Duflo (http://web.mit.edu/14.771/www/emp_handout.pdf). Duflo je jedna od heroja kauzalne revolucije. Njeni radovi su udžbenički primjer kako treba raditi terenske eksperimente u ekonomiji (https://economics.mit.edu/files/800).
Za one koji žele kopati još dublje, nema boljeg udžbenika na tržištu od Angrist & Pischke Mostly Harmless Econometrics (http://press.princeton.edu/titles/8769.html). Osim možda njihove novije i tehnički manje zahtjevne knjige, Mastering Metrics (http://press.princeton.edu/titles/10363.html). Početnicima preporučam započeti sa Metrics, a tek onda krenuti na Mostly Harmless. Konačno, još dvije preporuke: Thad Dunning: Natural Experiments in the Social Sciences (http://www.cambridge.org/gb/academic/subjects/social-science-research-methods/qualitative-methods/natural-experiments-social-sciences-design-based-approach#m54zU6DQ8786sQdq.97), te Gerber & Green: Field Experiments (http://books.wwnorton.com/books/webad.aspx?id=24003). Iako tehnički zahtjevne, obje knjige su izvrsne za doktorske studente i sve iznad razine doktorata.