Celem artykułu jest przedstawienie przeglądu nowoczesnych metod statystycznych stosowanych przy szacowaniu efektu oddziaływania czynników, pokazanie zalet i wad tych metod oraz wskazanie kierunków ich rozwoju. Ze względu na to, że eksperymenty losowe są rzadko stosowane w naukach ekonomicznych, skoncentrowano się na analizie danych nieeksperymentalnych, z którymi wiąże się problem niewłaściwego doboru próby. W artykule rozważano selekcję próby na czynniki obserwowalne oraz nieobserwowalne. Szczególne znaczenie odpowiedniego doboru próby dla oszacowania efektów oddziaływania zostało udokumentowane na przykładzie empirycznym, służącym ocenie skuteczności szkolenia zawodowego bezrobotnych.
metody statystyczne, dobór zmiennych
Aakvik A., Heckman J. J., Vytlacil E. (2005), Estimating Treatment Effects for Discrete Outcomes When Responses to Treatment Vary: an Application to Norwegian Vocational Rehabilitation Programs, „Journal of Econometrics”, No. 125
Abadie A., Imbens G. W. (2008), On the Failure of the Bootstrap for Matching Estimators, „Econometrica”, No. 76
Angrist J. D. (1990), Lifetime Earnings and Vietnam Era Draft Lottery: Evidence from Social Security Administrative Records, „American Economic Review”, No. 80
Angrist J. D., Imbens G. W., Rubin D. B. (1996), Identification of Causal Effects Using Instrumental Variables, „Journal of the American Statistical Association”, No. 91 (434)
Cameron A. C., Trivedi P. K. (2005), Microeconometrics: Methods and Applications. Cambridge University Press, New York
Card D., Krueger A. B. (1994), Minimum Wages and Employment: A Case Study of the Fast Food Industry in New Jersey and Pennsylvania, „American Economic Review”, No. 84 (4)
Cox D. R. (1972), Regression Models and Life Tables (with Discussion), „Journal of the Royal Statistical Society”, Series B 34
Dehejia R. H., Wahba S. (1999), Causal Effects in Nonexperimental Studies: Reevaluating the Evaluation of Training Programs, „Journal of the American Statistical Association”, No. 94
Gruszczyński M. (red.) (2012), Mikroekonometria. Modele I metody analizy danych indywidualnych, Wolters Kluwer Polska Sp. z o.o., Warszawa
Heckman J. J., Ichimura H., Todd P. E. (1997), Matching as an Econometric Evaluation Estimator: Evidence from Evaluating a Job Training Programme, „Review of Economic Studies”, No. 64
Heckman J. J., LaLonde R. J., Smith J. A. (1998), The Economics and Econometrics of Active Labour Market Programmes, [w:] Ashenfelter O., Card D. (wyd.), The Handbook of Labour Economics, Vol. 3A, Elsevier, New York
Hujer R., Maurer K-O., Wellner M. (1997), The Impact of Training on Unemployment Duration in West Germany — Combining a Discrete Hazard Rate Model with Matching Techniques, „Frankfurter Volkswirtschaftliche Diskussionsbeiträge”, No. 74, Johann Wolfgang Goethe-University, Frankfurt/Main
Imbens G. W., Angrist J. (1994), Identification and Estimation of Local Average Treatment Effect, „Econometrica”, No. 62
Krawczyk M. (red.) (2012), Ekonomia eksperymentalna, Wolters Kluwer Polska Sp. z o.o. Warszawa
LaLonde R. J. (1986), Evaluating the Econometric Evaluations of Training Programs, „American Economic Review”, No. 76 (4)
Landmesser J. (2010), Assessing the Impact of Training on Unemployment Duration Using Hazard Models with Instrumental Variables, „Quantitative Methods in Economics”, Vol. XI, No. 1
Landmesser J. (2011a), Mikroekonometryczne metody pomiaru skuteczności szkoleń dla bezrobotnych, Taksonomia 18, Klasyfikacja i analiza danych — teoria i zastosowania (red. K. Jajuga, M. Walesiak), „Prace Naukowe UE we Wrocławiu”, nr 176
Landmesser J. (2011b), The Impact of Vocational Training on the Unemployment Duration, „International Advances in Economic Research”, No. 17
Morgan S., Winship C. (2007), Counterfactuals and Causal Inference: Methods and Principles for Social Science, Cambridge University Press, New York
Poskrobko T. (2012), Nowe koncepcje i teorie rozwoju w ekonomii, [w:] Czaja S., Poskrobko T. i in., Wyzwania współczesnej ekonomii, Wydawnictwo Difin, Warszawa
Rosenbaum P. R., Rubin D. B. (1983), The Central Role of the Propensity Score in Observational Studies for Causal Effects, „Biometrika”, nr 70 (1)
Rosenbaum P. R., Rubin D. B. (1985), Constructing a Control Group Using Multivariate Matched Sampling Methods that Incorporate the Propensity Score, „The American Statistician”, No. 39 (1)
Rubin D. B. (1978), Bayesian Inference for Causal Effects, „Annals of Statistics”, No. 6
Rubin D. B. (1980), Bias Reduction Using Mahalanobis-Metric Matching, „Biometrics”, No. 36
Strawiński P. (2007), Przyczynowość, selekcja i endogeniczne oddziaływanie, „Przegląd Statystyczny”, nr 4
