Forskningsprojekt Vid skattning av effekten av ett åtgärdsprogram antas vanligen att åtgärden en individ får inte har någon påverkan på andra individer. Antagandet är ofta ej uppfyllt. Om indirekta effekter inte tas i beaktande kan slutsatser bli vilseledande. Projektets syfte är att ge rekommendationer på lämpliga metoder som kan användas i studier där indirekta behandlingseffekter misstänks förekomma.
Exempelvis kan en utbildning som ges till en individ öka dennes chans att få arbete men samtidigt leda till minskad chans för en obehandlad individ på samma arbetsmarknad. Vi kommer, med datorsimuleringar, att jämföra befintliga metoder som tillåter indirekta effekter i scenarier som är rimliga på en arbetsmarknad. Registerdata kommer att användas för att undersöka hur resultaten skiljer sig åt när den rekommenderade metoden används jämfört med när ingen hänsyn tas till indirekta effekter.
Institutet för arbetsmarknads- och utbildningspolitisk utvärdering (IFAU), 2013-2014: 1 093 000 kr
In the context of causal inference, interference means that the treatment received by one individual may affect the outcomes of other individuals. Although not always explicitly stated, assumptions of no-interference is made routinely by researchers evaluating and estimating effects of treatments, e.g., the effect of job-training on the duration of unemployment. It is often not a plausible assumption. For example, if a labor market program has an effect on one individual that receives treatments, it will also affect other individuals in the same local labor market, assuming there is a fixed number of jobs.
Ignoring interference can lead to misleading conclusions about treatment effects. Thus, it is important to develop methods of estimating causal effects under interference. Also, interference spawns new causal estimands (i.e., causal quantities (effects) of interest), e.g., spillover effects.
Recently the literature on causal inference under interference has begun to grow and in this project the goal is to make a survey of these proposals in order to provide recommendations suitable methods for use in the evaluation of labor market policies. To accomplish this we intend to compare existing proposals by means of simulations of different interference scenarios that are plausible in a labor market. Simulated data will be similar to data available in the Institute for Evaluation of Labour Market and Education Policy (IFAU) registers.
Moreover, we will apply the recommended methods to see if the findings would be different if one takes possible interference into account instead of ignoring it when estimating the effects of a labor market action.
Keywords: causal inference, SUTVA, no-interference, evaluation study, treatment effect
