Канал влияния

📢 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

📚 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

🧠 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 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