Principal Stratification with Bayesian Additive Regression Trees for Count-Valued Intermediate Variables: Estimating the Effect of Fertility on Women's Employment
Dieses Paper führt ein neuartiges Bayesian Additive Regression Trees (BART)-Framework für die prinzipielle Stratifizierung ein, das die Herausforderungen bei der Schätzung kausaler Effekte mit zählwertigen Zwischenvariablen, wie etwa der Fertilität, adressiert, indem es die kovariatenabhängige Instrumentengültigkeit und Effektheterogenität flexibel modelliert und letztlich nuancierte negative Auswirkungen der Fertilität auf die Erwerbstätigkeit von Frauen in spezifischen afrikanischen Kontexten offenlegt, die traditionelle Methoden nicht erfassen können.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen herauszufinden, warum eine Pflanze aufhört zu wachsen. Liegt es daran, dass die Pflanze von Natur aus klein ist, oder daran, dass Sie aufgehört haben, sie zu gießen? In der Welt der Wissenschaft nennt man das das Finden eines „kausalen Effekts“. Aber das Leben ist chaotisch. Oft ist das, was wir als Ursache für eine Veränderung vermuten (wie das Bekommen eines Kindes), mit anderen Dingen verstrickt, die wir nicht sehen können (wie dem Wunsch einer Mutter zu arbeiten oder der Unterstützung ihrer Familie). Es ist, als würde man versuchen, das Salz in einer Suppe zu schmecken, während jemand anderes gleichzeitig Pfeffer und Zucker hinzufügt.
Um dies zu lösen, verwenden Wissenschaftler einen cleveren Trick namens „Instrument“. Denken Sie an ein Instrument wie an einen glücklichen Münzwurf, der zufällig eine Sache verändert (wie die Anzahl der Kinder, die eine Frau hat), ohne direkt eine andere Sache zu verändern (wie ob sie arbeitet). Wenn der Münzwurf wirklich zufällig ist, muss jeder Unterschied in den Arbeitsgewohnheiten zwischen der „Glücklichen“ und der „Pechvogel“-Gruppe am der Anzahl der Kinder liegen und nicht an anderen verborgenen Gründen. Manchmal ist die „Münze“ jedoch gar nicht zufällig; sie hängt zum Beispiel vom Alter oder dem Hintergrund einer Person ab. Wenn das der Fall ist, versagen die alten mathematischen Werkzeuge, die Wissenschaftler normalerweise verwenden, und liefern verschwommene oder falsche Antworten. Dies ist das Rätsel, das diese Arbeit lösen will: wie man die wahren Kosten der Entscheidung für ein Kind auf die Erwerbstätigkeit einer Frau misst, selbst wenn die „glückliche Münze“ nicht perfekt zufällig ist.
Die Autoren dieser Arbeit, Lucas Godoy Garraza und Leontine Alkema, beschlossen, ein neues, superflexibles Werkzeug zu bauen, um dieses Rätsel zu lösen. Sie nahmen eine Methode namens „Principal Stratification“ – was so etwas ist wie das Sortieren von Menschen in geheime Gruppen basierend darauf, wie sie auf den glücklichen Münzwurf reagieren würden – und kombinierten sie mit einer leistungsstarken Machine-Learning-Technik namens „Bayesian Additive Regression Trees“ (oder BART). Wenn Standard-Mathematikwerkzeuge wie ein starres Lineal sind, das nur gerade Linien messen kann, dann ist BART wie ein flexibles, dehnbares Maßband, das sich drehen und biegen kann, um jeder Form zu folgen. Sie haben dieses Werkzeug auch angepasst, um mit „zählenden“ Variablen umzugehen. Da man nicht ein halbes Baby haben kann, ist die Anzahl der Kinder eine ganze Zahl (1, 2, 3...), kein glatter Übergang. Ihr neues Werkzeug, genannt PrinceBART, ist speziell darauf ausgelegt, diese ganzzahligen Zählwerte zu handhaben und gleichzeitig flexibel genug zu sein, um die komplexen Beziehungen zwischen Alter, Bildung und Arbeit zu entwirren.
Um zu testen, ob ihr neues Werkzeug tatsächlich funktioniert, führten die Autoren tausende Computersimulationen durch. Sie erschufen fiktive Welten, in denen die „glückliche Münze“ (Unfruchtbarkeit, also die Unfähigkeit, Kinder zu bekommen) knifflig war und von anderen Faktoren abhing. In diesen Simulationen lieferten die alten, starren Werkzeuge oft die falsche Antwort oder waren sehr instabil. Im Gegensatz dazu fand PrinceBART konsistent die richtige Antwort, selbst wenn die Daten chaotisch waren und die Effekte je nach Person unterschiedlich ausfielen. Es war, als würde man zeigen, dass ein starres Lineal zwar brechen könnte, wenn man versucht, einen gewundenen Fluss zu messen, aber ihr dehnbares Maßband den Kurven perfekt folgte.
Als sie dieses neue Werkzeug auf reale Daten aus Nigeria, Senegal und Kenia anwandten, waren die Ergebnisse faszinierend und zeigten, dass die „Kosten“ der Kinderbekommens nicht für jeden gleich sind. In Nigeria legt die Studie nahe, dass ein weiteres Kind die Chance einer Frau auf Beschäftigung um etwa 6,3 Prozentpunkte senkt. In Senegal und Kenia hingegen zeigten die Daten keinen klaren durchschnittlichen Rückgang der Beschäftigung für das ganze Land. Aber hier ist der wichtigste Teil: Der Durchschnitt verbirgt eine gewaltige Geschichte. Die Autoren fanden heraus, dass die Strafe für das Bekommen eines Kindes stark bei bestimmten Gruppen konzentriert ist. In allen drei Ländern sind es die jüngsten Frauen und diejenigen mit der geringsten Bildung, die am meisten unter dieser Belastung leiden. Beispielsweise sieht sich eine Frau unter 20 Jahren ohne Bildung einem massiven Rückgang der Beschäftigungschancen gegenüber, während eine ältere, gebildete Frau vielleicht gar keinen Rückgang feststellt.
Das Papier legt nahe, dass diese jüngeren, weniger gebildeten Frauen wahrscheinlich über weniger Arbeitsschutz oder weniger familiäre Unterstützung bei der Kinderbetreuung verfügen, sodass ein zusätzliches Kind sie dazu zwingt, die Arbeit aufzuge-ben. Ältere oder gebildetere Frauen scheinen besser in der Lage zu sein, die zusätzliche Verantwortung zu bewältigen, ohne ihren Job zu verlieren. Die Autoren sind vorsichtig zu betonen, dass ihre neue Methode zwar viel besser darin ist, diese verborgenen Muster zu finden als die alten Werkzeuge, die Ergebnisse aber dennoch auf Umfragedaten basieren und auf bestimmten Annahmen beruhen. Sie haben diese Erkenntnisse nicht mit einem Zauberstab bewiesen, aber ihre Simulationen zeigen, dass ihre Methode robust ist, und ihre Anwendung in der realen Welt legt nahe, dass die „Kosten“ der Fertilität keine feste Zahl für alle sind, sondern eine Geschichte, die sich ändert, je nachdem, wer man ist und wo man lebt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.