Hallitusvastuussa oleva poliitikko kertoo mielellään, kuinka työllisyyden tai talouden kasvu on hallituksen politiikan ansiota. Hän ei suinkaan nosta esiin maailmanlaajuista talouskehitystä kasvun taustalla.
Kun yrityksen liikevoitto kasvaa, yritysjohtajan on luontevaa mainita käynnistämänsä muutosohjelma sen sijaan, että hän pyytäisi omistajia kiinnittämään huomiota koko alan suotuisaan kehitykseen.
Kriittinen ja valveutunut äänestäjä tai osakkeenomistaja ymmärtää, että näissä väitteissä on mukana attribuutioharha. Sillä tarkoitetaan taipumusta tulkita tapahtumien seuranneen pikemminkin tehdyistä päätöksistä ja päätöksentekijän erityisominaisuuksista kuin tilanteesta tai olosuhteista, joihin päätöksentekijä ei voi vaikuttaa.
Kuinka sitten erottaa päätöksentekohetkellä vallitseva yleinen trendi päätösten aidoista seurauksista eli kausaalivaikutuksista?
Tuttua lääketieteestä
Taloustieteessä (economics) viime vuosikymmenet ovat olleet voittokulkua kausaalipäättelyn menetelmien käytössä. Näitä ovat kokeelliset ja niin sanotut kvasikokeelliset tilastomenetelmät. Viime vuoden taloustieteen Nobel-palkinnon saajat David Card, Joshua Angrist ja Guido Imbens ovat alan kehittäjiä.
Kausaalipäättelyä ja kokeellisia menetelmiä on sovellettu jo vähintään sata vuotta. Kokeellisen menetelmän perusajatus on selkeimmillään lääketieteessä: jos halutaan tietää uuden lääkeaineen kausaalivaikutus, valitaan edustava populaatio ja poimitaan siitä edustava satunnaisotos. Tästä otoksesta poimitaan satunnaisesti ihmisiä niin, että osa päätyy kohderyhmään ja osa verrokkiryhmään.
Kohderyhmään päätyvät saavat lääkkeen – tästä käytetään nimitystä ”kohtelu”. Verrokkiryhmään päätyvät saavat plasebovalmisteen. Kohde- ja verrokkiryhmää vertailemalla saadaan tietää uuden lääkeaineen mahdollinen kausaalivaikutus.
Aitoja ja kvasikokeita
Lääke- ja luonnontieteissä laajasti hyödynnettyjä kokeellisia menetelmiä sovelletaan yhä laajemmin myös yhteiskunta- ja taloustieteessä.
Yrityksen asiakkaita voidaan satunnaistaa uuden markkinointi- tai hinnoittelustrategian piiriin tai yrityksen henkilökuntaa uuteen kannustinjärjestelmään. Yhteiskunnallisissa tutkimusasetelmissa on tapana puhua kenttäkokeista (field experiments), yrityksissä A/B-testauksesta.
Tänä vuonna uudistuneen kotitalousvähennyksen vaikutuksia olisi voitu tutkia kokeellisesti, jos osa kotisiivouksen teettäjistä olisi saanut aiempaa korkeamman, 3 500 euron verohelpotuksen ja osalla se olisi pysynyt ennallaan 2 500 eurossa. Tämä olisi toki ollut poliittisesti vaikea toteuttaa.
Kokeellista menetelmää on laajennettu erityisesti taloustieteessä kvasikokeelliseen suuntaan.
Otetaan esimerkiksi oppilaitoksen vaikutus opiskelijan valmiuksiin, tuloihin tai onnellisuuteen myöhemmin elämässä. Vaikka kahdesta koulusta valmistuneiden opiskelijoiden välillä näissä olisi eroja, ei voida suoraan päätellä, miten koulu on heihin vaikuttanut. Opiskelijajoukot olivat erilaisia jo käydessään ensi kertaa sisään oppilaitosten ovista.
Jos kuitenkin pääsykokeissa tai todistusvalinnoissa sovelletaan kynnyspistearvoa, eli vain rajan ylittäneet pääsevät sisään, ovat rajan tuntumaan päätyneet opiskelijat lähes samanlaisia. Heidän todennäköisyytensä päätyä opiskelemaan kahteen erilaiseen oppilaitokseen on siten ollut lähes sattumankauppaa.
Tämä ”kvasikoe” täyttää koeasetelman tunnusmerkit, vaikka tutkijat eivät satunnaista opiskelijoita kohde- ja verrokkiryhmiin.
Tekoäly vain yksi työkalu
Etuliite ”kvasi” tai termi ”kokeellinen” saattavat herättää epäilyksiä. Kuulostaa siltä kuin tieteellinen kvasimetodi olisi vasta kokeiluasteella; miksi ihmeessä moiselle akateemiselle norsunluutornipuuhastelulle kannattaisi lotkauttaa korvaansa? Sen sijaan trendikkäät termit ”iso data” ja ”tekoäly” saavat paljon huomiota.
Väitän, että tutkimusnäyttöön perustuvassa päätöksenteossa kausaalipäättely on jopa tärkeämpää kuin nuo muotisanat. Iso data ja koneoppimismenetelmät ovat erityisen hyödyllisiä vain, jos niitä käytetään yhdessä kokeellisten tai kvasikokeellisten menetelmien kanssa.
Kenttäkokeet ja A/B-testaus ovatkin vaikuttavimmillaan juuri silloin, kun käytössä on suuria tilastoaineistoja. Parhaimmillaan koneoppimisen avulla voidaan etsiä vaikkapa potilas-, asiakas- tai kansalaiskohtaisesta datasta tekijöitä, jotka tuntuvat olevan yhteydessä vaikuttavuuteen.
Erityisen mielenkiintoisia ovat korrelaatiot, joita talous- tai käyttäytymistieteellisen teorian perusteella on syytä olettaa syy-yhteyksiksi.
Lähdemme liikkeelle ennakkohypoteeseista, joista keinoäly ja teoria ovat antaneet vihiä. Sitten testaamme hypoteeseja satunnaiskokeiden avulla. Isoa dataa käytettäessä satunnaiskokeiden otoskokoja voidaan kasvattaa lähes rajattomasti.
Tulokset kiinnostavat digijättejä
Osa tuloksista osoittautuu pelkiksi trendivaikutuksiksi, mutta osan taustalta paljastuu politiikkamuutosten aikaansaamia vaikutuksia. Vain kartuttamalla tietoa syy-yhteyksistä voidaan hyvinvointivaltion tai yrityksen tavoitteita edistää johdonmukaisesti tietoon perustuen.
Digitaalisilla alustoilla toimivien suuryritysten toimet tukevat väitettäni. Esimerkiksi Google, Lyft, Airbnb, Amazon ja Microsoft ohjaavat internetalustoilleen saapuvaa liikennettä satunnaistaen ”rohtokohteluun ja plaseboon”. Tiedon perusteella ne kehittävät alustojensa toimintoja.
Näihin yrityksiin on rekrytoitu viime aikoina suuri joukko talousnobelistien metodeihin paneutuneita vastavalmistuneita taloustieteen tohtoreita ja maistereita. He analysoivat dataa ja suunnittelevat uusia kokeiluja. Tämä osoittaa, että kokeilut tuottavat yrityksille merkittävää lisäarvoa.
Pohjoismaat kärkijoukkoon
Pohjoismaiset yhteiskunnat kattavine rekisteridatoineen ovat nekin etulyöntiasemassa. Tarvitaan kuitenkin huolellista ennakkosuunnitelmaa siitä, miten kokeellisia ja kvasikokeellisia menetelmiä sovelletaan laki- ja politiikkamuutoksen vaikutusten arvioinnissa suuria rekisteriaineistoja ja koneoppimista hyödyntäen. Muutoin etulyöntiasema jää vain menetetyksi mahdollisuudeksi.
Jos lakimuutosten ja politiikan vaikutuksista halutaan luotettavia arvioita, tämän takaamiseksi on edellytettävä kausaalipäättelyyn perustuvaa vaikuttavuusarviota kunkin lakimuutoksen yhteydessä. Luotettavimmillaan arvio on, jos kokeiluvaiheessa vaikkapa kansalaisia tai yrityksiä voidaan satunnaistaa uuden lain piiriin datan keräämisen ajaksi.
On esitetty argumentteja, että satunnaistamismenettely on perustuslain vastainen, koska kansalaisia ei kohdella yhdenmukaisesti. Mutta onko todella näin, jos jokaisella on yhtä suuri mahdollisuus päätyä verrokki- ja kohteluryhmään ja politiikka-arvioinnin vaihe on vain väliaikainen? Lisäksi aitoa koeasetelmaa ei välttämättä tarvita, jos syy-seuraussuhdetta voidaan arvioida luotettavasti kvasikokeellisin menetelmin.
Yksityisyys vaarassa?
On myös esitetty huoli kansalaisten yksityisyydestä tai yrityssalaisuuksien paljastumisesta. Näin ei kuitenkaan tapahdu, jos identiteetti pidetään salassa ja data pysyy esimerkiksi Tilastokeskuksen tai Terveyden ja hyvinvoinnin laitoksen turvallisilla palvelimilla, joilla tällaisia rekisteriaineistoja jo nyt säilytetään.
EU-tasolla voisi olla paikallaan edistää lainsäädäntöä, jossa yrityksiä edellytetään avaamaan asiakasdataa tutkimus- ja näyttöpohjaisen politiikan tueksi. Kaikki analysoitava data voidaan anonymisoida ennen käyttöä ja vaikutusarviointia.
Lakien vaikuttavuusarvio parantaisi merkittävästi yhteiskunnan resurssien käyttöä, politiikan tietopohjaisuutta ja demokratian toimivuutta.
Vastuumme kantavina äänestäjinä ja sijoittajina lukisimme varmasti mieluummin enemmän taloutta ja yhteiskuntaa käsitteleviä artikkeleita, jotka perustuvat tarkkojen laki-, politiikka- tai strategiamuutosten vaikutusarvioihin kriittisillä haastatteluilla höystettynä kuin sinänsä viihdyttäviä mutta trendit ja kausaalivaikutukset sotkevia myyttisiä kehityskertomuksia poliitikoista tai yritysjohtajista.
Tämän sisällön mahdollistaa Svenska Handelshögskolan.
Journalistinen päätösvalta on MustReadin toimituksella.
Tämä artikkeli on julkaistu Creative Commons CC BY-ND 4.0 -lisenssillä.
Keskustelu
Tätä juttua ei ole vielä kommentoitu.