Ранее я писал о конфаундерах и других конструкциях, искажающих причинно-следственные связи. Сейчас готовлю новый пост на эту тему.
А пока — пример коллайдера и того, как с ним (пока что) не справляется даже AI. Наткнулся на него на соседнем канале — делюсь:

Заход к причинно-следственному анализу

Возвращаясь к вопросу для AI, который как новый тест Тьюринга, говорит о [не]понимании современным AI причинно-следственных связей.

Найди такую тройку переменных A, B и С, в которой:

— A скоррелировано с C;
— B скоррелировано с C;
— A и B не скоррелированы между собой.

Нынешняя версия ChatGPT отвечает:

Конечно! Один из простых примеров такой тройки — случай, когда A и B независимо друг от друга зависят от одной и той же скрытой (латентной) переменной C. Вот пример: (и дальше идет пример).

Уверенно отвечает, «конечно» ))) на самом деле, пример, который он приводит, когда A и B «независимо» зависят от C – это пример конфаундера, общей причины. И в этом случае, между A и B, безусловно, корреляция будет. То есть он неправильный пример привел. Можно вступить с ним в дискуссию, он примет аргументы, исправит пример, и приведет еще один такой же, ничем не лучше первого. Ну может быть, вместо «латентности» употребит другое умное слово.

Корректный ответ на этот вопрос – такая тройка переменных должна подразумевать, что A и B должны быть независимыми общими причинами для C. И тогда, да – будет примерно так:

Пусть есть школа актеров (C), куда принимают учеников либо с актерским талантом (A), либо внешне привлекательных (B). И тогда при отсутствии связи между талантом и привлекательностью (между А и B ) на всей популяции, между парами A-C и B-C такая связь будет.

Интересно еще то, что связь между А и B появится (и будет достаточно сильной), если наша выборка будет ограничена учениками из этой школы актеров (C). Это будет наш selection bias – если у нас нет других случаев, мы сделаем неверный вывод о наличии связи между талантом и привлекательностью. Это явление — классический пример «блуждающей корреляции» (spurious correlation), возникающей при выборке по «коллайдеру».

Причем здесь понимание причинности? А дело в том, что такой случай, когда между A и B нет безусловной связи, но есть условная (при фиксации третьей переменной C), позволяет нам сделать причинно-следственный вывод: нарисовать причинные стрелки на графе от A к C и от B к C! Иными словами, увидев такую картину, мы сможем подтвердить, что A и B являются причинами C. То есть даже если представители школы скажут, что принимают учеников исключительно на основе баллов аттестата, у нас будут все основания поверить им не до конца.

Такая структура – появление корреляции между двумя переменными при фиксации третьей, называется «коллайдером». Она доказывает причинно-следственное влияние (которое, все же, необходимо интерпретировать корректно – в нашем примере дело не обязательно в работе приемной комиссии). И она – один из самых чудесных источников инсайтов в наших исследованиях.

#статистика, #статистикапричин

До 40% рабочего времени HR уходит на повторяющиеся задачи.

🧠 Сегодня выигрывают те, кто доверяет рутину автоматизации и ИИ — умные сервисы берут на себя всю “бумажную” работу и делают процессы проще и быстрее.

Чтобы вы могли работать с удовольствием и фокусироваться на главном, мы собрали для вас лучшие каналы про автоматизацию и HRTech.

Скачав подборку, вы сможете:

➤ Узнать о свежих сервисах для автоматизации подбора, обучения и адаптации

➤ Получить обзоры HRMS, ATS, LMS и других платформ, которые реально экономят время

➤ Следить за трендами: ИИ в рекрутинге, чат-боты, цифровой документооборот, HR-аналитика

➤ Находить практические кейсы и инструкции по внедрению автоматизации в компаниях

Работайте проще, а не больше — переходите по ссылке и забирайте подборку!
👉https://xn--r1a.website/addlist/C6gRgDRuF3A2NTli

Мои коллеги из TalentCode проводят исследование «AI в обучении сотрудников» и ищут ответы на следующие вопросы:

• Какие реальные эффекты уже достигнуты и подсчитаны по отдельным решениям?
• Что «не взлетело» и пока рано внедрять?
• Какие ресурсы требуются для внедрения AI в различных задачах?
• Какой технологический стек применим с учетом российских реалий?

Все участники получат отчет по итогам. Супер-точные цифры в такого рода исследовании получить сложно, но как минимум можно будет картировать решения и грубо оценить отдачу.

👉Подробнее тут

Лестница причинности

Читаю сейчас The Book of Why Джуды Перла — одного из отцов современного AI и ключевой фигуры в развитии каузального анализа. У него есть и более академичные работы, к примеру, Causality: Models, Reasoning, and Inference, но The Book of Why написана гораздо более доступно и предназначена для широкой аудитории.

Сегодня хочу поделиться с вами концептом «Лестницы причинности» из книги Перла, который я перевёл и адаптировал для канала. А чтобы не оставаться в теории, помещу её в контекст HR-аналитики.

📊 Первая ступень: связь
Мы видим, что опыт сотрудников положительно связан с их эффективностью. Но только на основе связи мы не можем утверждать, что именно опыт повышает эффективность. Возможно, менее эффективные сотрудники чаще уходят, поэтому их стаж не растёт. На этом уровне данных мы описываем наблюдаемые зависимости, но не можем говорить о причинности, что часто нарушается в реальности.

🔬Вторая ступень: интервенция
Мы запускаем новую программу обучения на одном из предприятий и сравниваем эффективность сотрудников до и после внедрения — или с аналогичными предприятиями, где программы не было. Здесь мы уже говорим о причинно-следственном эффекте: обучение → рост эффективности.

🚀 Третья ступень: контрфактический вывод
Несколько лет мы используем программу кадрового резерва для удержания и продвижения сотрудников. Контрфактический вопрос звучит так: а что было бы, если бы программы резерва у нас не было? Изменились бы показатели удержания и карьеры сотрудников? Это высший уровень причинного анализа — моделирование альтернативной истории.

К слову, именно отсутствие каузального мышления в современном AI Перл считает тупиком. На Хабре есть перевод его интервью 2018 года.

#книги #causality

Ещё раз про стену Будро

Многие, конечно, наслышаны про «стену Будро» — концепцию, впервые появившуюся в книге Investing in People: Financial Impact of Human Resource Initiatives авторов Уэйна Касио и Джона Будро (2010). Признаем: всё ещё актуально.

Любопытно, что в оригинале она выглядела не так, как на картинке, которую я показываю. Этот визуальный вариант — адаптация от AIHR, а в России мы знаем его во многом благодаря популяризации Эдуарда Бабушкина.

Однако интереснее другое. На прошлой неделе я выступал перед HR-стажёрами Яндекса с лекцией по основам HR-аналитики. Фокус моего выступления был на каузальном аспекте современного анализа. И в момент подготовки я понял, что привычное изображение «стены Будро» устарело.

10–15 лет назад считалось, что вершина зрелости аналитики — это предсказания. Сегодня мы живём в эпоху продвинутых ML- и LLM-моделей, которые прогнозируют всё, что угодно — от увольнений до продуктивности. Но вместе с этим пришло понимание, что предсказание ≠ понимание. Поэтому многие уже наигрались с моделями прогнозирования увольнений. Дальше — вопрос «а что теперь?»

Понять, почему что-то происходит, оказалось сложнее и ценнее, чем просто угадать, что произойдёт. Поэтому сегодня настоящая «высшая точка» развития HR-аналитики — не за стеной Будро, а по другую сторону причинности.

Думаю, на знакомом изображении стены Будро по версии AIHR сегодня логичнее разместить причинность после предсказаний — именно там теперь проходит настоящая граница зрелости аналитики.

#causality #размышлизм

Какие методы анализа персонала являются самыми передовыми? И что нужно, чтобы стать экспертом в HR-аналитике?

Наконец-то я добрался до выпуска подкаста Directionally Correct, где гостем был Людек Стехлик — человек, которого я считаю одной из важных фигур в нашей области.

Я, как известно, крайне скептичен к визионерам, футурологам и прочим «мыслителям», которые рассказывают, как должно быть устроено будущее HR-аналитики — при этом не умея построить элементарную регрессию.

В отличие от них, такие аналитики, как Людек, — мои ролевые модели.
Глубина, методичность, академичность, реальная практика, и — важный нюанс — способность объяснить сложное простыми словами.
И конечно же, Людек – как и я выходец их психологии, который, ко всему, совмещает академический опыт и работу в бизнесе.

🎓К слову, всех причастных с прошедшим 22 ноября Днём психолога!

Людек даёт очень интересный ответ на тему того, почему ему нравится делиться знаниями с окружающими, — и делает это с характерной психологической точностью, вплетая в рассказ многофакторную природу мотивации (психологи поймут) 😄 Часть его мотивов совпадает с тем, почему я веду этот канал.

Не обошлось и без разговора про причинно-следственный анализ и DAG. Людек справедливо замечает, что в психологии традиционно сильны экспериментальные дизайны, в то время как современная причинно-следственная аналитика гораздо лучше развита в эконометрической среде — с богатым инструментарием, строгими методами и сильной статистической культурой.
И нам в HR-аналитике есть, что оттуда заимствовать.

Поделился интересными примерами оценки эффекта (impact evaluation). Например, рассказал про кейс с платформой kudos/bravo и ощущением признания: они анализировали, влияет ли использование платформы на восприятие признания и справедливого вознаграждения.
Интересно, что смотрели не только на сам факт отправки благодарностей, но и на характеристики сообщений — какие из них дают наибольший эффект. Использовали регрессионный контроль, чтобы аккуратно отделить влияние платформы от других факторов.

И много других интересных вещей, поэтому очень рекомендую выпуск всем, кому HR-аналитика интересна всерьёз. А для лёгкого развлечения — там есть отличный момент про то, что американцы и правда плохо знают географию. Кто послушает — поймёт. 🙈😂

#разбор_видео

Statistical Rethinking 2026

Год начался примечательно: после двухлетнего перерыва Ричард МакЭлрит вновь выкладывает свои лекции — теперь в рамках нового курса Statistical Rethinking 2026. В этот раз курс разбит на две секции: начальную (A) и для опытных (B).

Лекции выходят попеременно по секциям, и на текущий момент уже опубликовано по одной лекции в каждой. Формат записи изменился: лекции теперь записываются в аудитории, с включёнными вопросами студентов и без студийной пост-обработки.

Для меня вход в causal inference несколько лет назад начался именно с работ МакЭлрита. Я приходил за байесовской статистикой, а в итоге получил куда более глубокий сдвиг — переосмысление аналитического фреймворка. Моя статья о конфаундинге — по сути, прямое переложение и развитие его идей в прикладном HR-контексте. Поэтому я не перестаю рекомендовать Statistical Rethinking всем, кто интересуется причинно-следственным анализом.

Лично мне сейчас особенно любопытно посмотреть, как изменились лекции за эти два года.
И, как известно, repetitio est mater studiorum.

P.S. Из личных ожиданий на этот год: готовится третье издание книги Statistical Rethinking, а также второе издание Handbook of Regression Modeling in People Analytics от Кита МакНалти — в нём, как заявлено, появится отдельный блок про causal inference!

#causality #байес