#систематика /// Лестница причинности
Три уровня прослеживания причинно-следственной связи:
- Наблюдаемая связь
- Вмешательство
- Контрфактическое суждение
1) Наблюдаемая связь — когда какое-то наблюдение А говорит о Б, о том как что-то устроено.
Примеры:
Если идёт дождь (А), то земля мокрая (Б).
Если я гуляю в панаме и на улице дождь (А), то панамка мокрая (Б).
Если сотрудник устал (А), то в его работе появляются ошибки (Б).
В этих случаях, за редким ислючением, есть связь "если А, то Б".
2) Вмешательство — когда какое-то действие А оказывает эффект на Б.
Примеры:
Если я буду поливать из шланга (А), то она станет мокрая (Б).
Если я в панаме встану под душ (А), то панама будет мокрая (Б).
Если загрузить сотрудника овертаймами (А), то в его работе появятся ошибки (Б).
Здесь добавляется действие, которое является причиной: "сделать А, чтобы получить Б" или же "НЕ делать А, чтобы НЕ получить Б"
3) Контрфактическое суждение — когда мы разбираем альтернативный вариант событий: случилось бы Б, если б не произошло А?
Примеры:
Будет ли земля мокрая (Б), если я НЕ поливаю из шланга (А)? Будет ли земля мокрая если не идет дождь?
Будет ли панама мокрая (Б), если я НЕ гулял под дождем (А)? Будет ли панама мокрая, если я НЕ буду стоять в ней под душем?
Будут ли ошибки в работе сотрудника, если НЕ загружать его овертаймами?
В этом случае мы разбираем варинаты событий, альтернативные нашим действиям, можно сказать проверяем устойчивость связи А и Б.
Будет ли земля мокрая (Б), если я НЕ поливаю из шланга (А)? Будет ли земля мокрая если не идет дождь? — вполне может быть, проехала поливалка и земля мокрая.
Будет ли панама мокрая (Б), если я НЕ гулял под дождем (А)? Будет ли панама мокрая, если я НЕ буду стоять в ней под душем? — очень вероятно: я оставил панамку на улице и она мокрая из-за росы.
Будут ли ошибки в работе сотрудника, если НЕ загружать его овертаймами? — запросто: сотрудник может делать ошибки из-за каких-то других переживаний даже при щадящем режиме и малой загрузке.
Как применять в коммуникации:
Наблюдать, предполагать и строить модели — выявлять связи между причиной им следствием в поведениях агентов, выявлять их объекты интереса и связанные с ними результаты поведения.
Наблюдать, предполагать и строить модели с критическим (контрфактическим) анализом — выявлять неявные причины для налюдаемых следствий, строить более сильные причинно-следственные модели.
Действовать — анализировать наблюдения, чтобы понять, что можно сделать, чтобы изменить поведение агента в нужную нам сторону, спроектировать вмешательство с жидаемым результатом (помним про win-win стратегию!).
____
#коммуникация #причинно_следственная_связь #наблюдение #псс
Три уровня прослеживания причинно-следственной связи:
- Наблюдаемая связь
- Вмешательство
- Контрфактическое суждение
1) Наблюдаемая связь — когда какое-то наблюдение А говорит о Б, о том как что-то устроено.
Примеры:
Если идёт дождь (А), то земля мокрая (Б).
Если я гуляю в панаме и на улице дождь (А), то панамка мокрая (Б).
Если сотрудник устал (А), то в его работе появляются ошибки (Б).
В этих случаях, за редким ислючением, есть связь "если А, то Б".
2) Вмешательство — когда какое-то действие А оказывает эффект на Б.
Примеры:
Если я буду поливать из шланга (А), то она станет мокрая (Б).
Если я в панаме встану под душ (А), то панама будет мокрая (Б).
Если загрузить сотрудника овертаймами (А), то в его работе появятся ошибки (Б).
Здесь добавляется действие, которое является причиной: "сделать А, чтобы получить Б" или же "НЕ делать А, чтобы НЕ получить Б"
3) Контрфактическое суждение — когда мы разбираем альтернативный вариант событий: случилось бы Б, если б не произошло А?
Примеры:
Будет ли земля мокрая (Б), если я НЕ поливаю из шланга (А)? Будет ли земля мокрая если не идет дождь?
Будет ли панама мокрая (Б), если я НЕ гулял под дождем (А)? Будет ли панама мокрая, если я НЕ буду стоять в ней под душем?
Будут ли ошибки в работе сотрудника, если НЕ загружать его овертаймами?
В этом случае мы разбираем варинаты событий, альтернативные нашим действиям, можно сказать проверяем устойчивость связи А и Б.
Будет ли земля мокрая (Б), если я НЕ поливаю из шланга (А)? Будет ли земля мокрая если не идет дождь? — вполне может быть, проехала поливалка и земля мокрая.
Будет ли панама мокрая (Б), если я НЕ гулял под дождем (А)? Будет ли панама мокрая, если я НЕ буду стоять в ней под душем? — очень вероятно: я оставил панамку на улице и она мокрая из-за росы.
Будут ли ошибки в работе сотрудника, если НЕ загружать его овертаймами? — запросто: сотрудник может делать ошибки из-за каких-то других переживаний даже при щадящем режиме и малой загрузке.
Как применять в коммуникации:
Наблюдать, предполагать и строить модели — выявлять связи между причиной им следствием в поведениях агентов, выявлять их объекты интереса и связанные с ними результаты поведения.
Наблюдать, предполагать и строить модели с критическим (контрфактическим) анализом — выявлять неявные причины для налюдаемых следствий, строить более сильные причинно-следственные модели.
Действовать — анализировать наблюдения, чтобы понять, что можно сделать, чтобы изменить поведение агента в нужную нам сторону, спроектировать вмешательство с жидаемым результатом (помним про win-win стратегию!).
____
#коммуникация #причинно_следственная_связь #наблюдение #псс
#систематика /// Причинно-следственная связь
(рекомендую смотреть на десктопе, позже сделаю перепубликацию с картинками)
У каждого события есть причина, и чтобы лучше, точнее моделировать, объяснять, предсказывать, нам важно уметь находить причины событий.
В обще виде связка причины и следствия выглядит так:
[причина] ————> [следствие]
Важно, чтобы стрелка была однонаправленной, если стрелку можно направить в противоположную сторону, то события не связаны причинно-следственной связью (ПСС).
Как проверить ПСС-связность событий? Необходимо уметь объяснить эту связь (а точнее гипотезу о том, что события связаны, что причинное событие действительно есть причина следственного события). Это можно сделать с помощью медиатора — промежуточного события, которое является следствием изначальной причины и причиной для изначального следствия:
[причина] ——> [медиатор] ——> [следствие]
Что может пойти не так? Может появиться искажающий фактор:
[причина] ——> [медиатор] ——> [следствие]
↑ ↑
[———— искажающий фактор ————]
Искажающий фактор является причиной и для изначальной причины, и для следствия. Он может помешать увидеть истинную причину события, не самом деле таковой не являясь (при условии, что у следствия на самом деле есть причина, отличная от искажающего фактора).
Противоположность искажающего фактора — так называемый коллайдер, который есть следствие для изначальных причины и следствия:
[причина] ——> [медиатор] ——> [следствие]
↓ ↓
[——————— коллайдер ———————]
Он не так опасен как искажающий фактор, потому что не заменяет истинную причину, однако может вносить путаницу, поэтому за ним тоже стоит следить, если он появляется в схеме ПСС.
Также важно отслеживать циклы в причинном графе, так как цикл мешает выявить искомую цепочку для проверки гипотезы. С циклом можно бороться, "отключая" временную составляющую, выделяя логическую цепочку событий. Но всё же лучше избегать циклов, в примере ниже такой как раз есть.
Пример построения ПСС:
Гипотеза: неучтенные требования возникают на более поздней стадии проектирования, потому что аналитики забивают на юзкейсы.
[игнорируют практику юзкейсов] ————> [неучтенные требования возникают позже]
Медиатор для проверки: юзкейсы не прописали — пропустили неочевидные сценарии, корнеркейсы.
[игнорируют юзкейсы] ——> [пропускают сценарии] ——> [требования возникают позже]
Для такой ситуации есть и искажающий фактор:
[игнорируют юзкейсы] ————> [требования возникают позже]
↑ ↑
[в целом много задач и переключений между ними]
Убедимся, что это действительно искажающий фактор (вставляем медиаторы):
[много задач, переключений] —> [нет времени на юзкейсы] —> [игнорируют юзкейсы]
[много задач, переключений] —> [UC в последнюю очередь] —> [требования возникают позже]
[много задач, переключений] —> [UC прописаны, другие требования нет] —> [требования возникают позже]
Есть ли в данном случае коллайдер? Да:
[игнорируют юзкейсы] ————> [требования возникают позже]
↓ ↓
[согласований и обсуждений больше, их эффективность ниже]
Проверим, являются ли изначальные причина и следствие причиной для коллайдера, вставив медиаторы:
[игнорируют юзкейсы] —> [сценарии выявляются в ходе обсуждений] —> [обсуждений больше]
[требования возникают позже] —> [откатываемся, перемоделируем] —> [обсуждений больше]
Этот пример не идеален, так как можно замкнуть цикл: коллайдер является причиной искажающего фактора. Но если выделить единичный проект для рассмотрения ПСС по приведенной гипотезе, то граф остается корректным. Позже планирую вернуться с более строгим примером.
___
#псс #причинно_следственная_связь
(рекомендую смотреть на десктопе, позже сделаю перепубликацию с картинками)
У каждого события есть причина, и чтобы лучше, точнее моделировать, объяснять, предсказывать, нам важно уметь находить причины событий.
В обще виде связка причины и следствия выглядит так:
[причина] ————> [следствие]
Важно, чтобы стрелка была однонаправленной, если стрелку можно направить в противоположную сторону, то события не связаны причинно-следственной связью (ПСС).
Как проверить ПСС-связность событий? Необходимо уметь объяснить эту связь (а точнее гипотезу о том, что события связаны, что причинное событие действительно есть причина следственного события). Это можно сделать с помощью медиатора — промежуточного события, которое является следствием изначальной причины и причиной для изначального следствия:
[причина] ——> [медиатор] ——> [следствие]
Что может пойти не так? Может появиться искажающий фактор:
[причина] ——> [медиатор] ——> [следствие]
↑ ↑
[———— искажающий фактор ————]
Искажающий фактор является причиной и для изначальной причины, и для следствия. Он может помешать увидеть истинную причину события, не самом деле таковой не являясь (при условии, что у следствия на самом деле есть причина, отличная от искажающего фактора).
Противоположность искажающего фактора — так называемый коллайдер, который есть следствие для изначальных причины и следствия:
[причина] ——> [медиатор] ——> [следствие]
↓ ↓
[——————— коллайдер ———————]
Он не так опасен как искажающий фактор, потому что не заменяет истинную причину, однако может вносить путаницу, поэтому за ним тоже стоит следить, если он появляется в схеме ПСС.
Также важно отслеживать циклы в причинном графе, так как цикл мешает выявить искомую цепочку для проверки гипотезы. С циклом можно бороться, "отключая" временную составляющую, выделяя логическую цепочку событий. Но всё же лучше избегать циклов, в примере ниже такой как раз есть.
Пример построения ПСС:
Гипотеза: неучтенные требования возникают на более поздней стадии проектирования, потому что аналитики забивают на юзкейсы.
[игнорируют практику юзкейсов] ————> [неучтенные требования возникают позже]
Медиатор для проверки: юзкейсы не прописали — пропустили неочевидные сценарии, корнеркейсы.
[игнорируют юзкейсы] ——> [пропускают сценарии] ——> [требования возникают позже]
Для такой ситуации есть и искажающий фактор:
[игнорируют юзкейсы] ————> [требования возникают позже]
↑ ↑
[в целом много задач и переключений между ними]
Убедимся, что это действительно искажающий фактор (вставляем медиаторы):
[много задач, переключений] —> [нет времени на юзкейсы] —> [игнорируют юзкейсы]
[много задач, переключений] —> [UC в последнюю очередь] —> [требования возникают позже]
[много задач, переключений] —> [UC прописаны, другие требования нет] —> [требования возникают позже]
Есть ли в данном случае коллайдер? Да:
[игнорируют юзкейсы] ————> [требования возникают позже]
↓ ↓
[согласований и обсуждений больше, их эффективность ниже]
Проверим, являются ли изначальные причина и следствие причиной для коллайдера, вставив медиаторы:
[игнорируют юзкейсы] —> [сценарии выявляются в ходе обсуждений] —> [обсуждений больше]
[требования возникают позже] —> [откатываемся, перемоделируем] —> [обсуждений больше]
Этот пример не идеален, так как можно замкнуть цикл: коллайдер является причиной искажающего фактора. Но если выделить единичный проект для рассмотрения ПСС по приведенной гипотезе, то граф остается корректным. Позже планирую вернуться с более строгим примером.
___
#псс #причинно_следственная_связь
#систематика /// Частые проблемы при построении ПСС
1) Непомнимание, что есть причина, а что следствие.
В таком случае стоит внедрять больше медиаторов для построения логической цепочки.
Также поможет заземление — формулируем события графа максимально приближенно к конкретным объектам.
2) Граф ПСС имеет циклы, когда следствие оказывается причиной для исходной причины.
Это плохая ситуация, и для рассмотрения подобных графов стоит исключить временную составляющую и рассматривать логическую последовательность в рамках одной цепочки событий / цикла.
3) Нет понимания каков вклад у каждой из причин — не получается четко сформулировать про "необходимо и достаточно", только размытые оценки.
В этом случае стоит опираться на контрфактические суждения и вероятностную оценку на их основе.
___
#псс #причинно_следственная_связь #заземление #вероятность
1) Непомнимание, что есть причина, а что следствие.
В таком случае стоит внедрять больше медиаторов для построения логической цепочки.
Также поможет заземление — формулируем события графа максимально приближенно к конкретным объектам.
2) Граф ПСС имеет циклы, когда следствие оказывается причиной для исходной причины.
Это плохая ситуация, и для рассмотрения подобных графов стоит исключить временную составляющую и рассматривать логическую последовательность в рамках одной цепочки событий / цикла.
3) Нет понимания каков вклад у каждой из причин — не получается четко сформулировать про "необходимо и достаточно", только размытые оценки.
В этом случае стоит опираться на контрфактические суждения и вероятностную оценку на их основе.
___
#псс #причинно_следственная_связь #заземление #вероятность
#систематика /// Пример причинно-следственной связи (с обещанной картинкой :)
Дополнение к посту про ПСС
Пример построения ПСС:
Гипотеза: неучтенные требования возникают на более поздней стадии, потому что аналитики забивают на юзкейсы.
[игнорируют юзкейсы] > [неучтенные требования возникают позже]
Медиатор для проверки: юзкейсы не прописали — пропустили неочевидные сценарии.
[игнорируют юзкейсы] > [пропускают сценарии] > [требования возникают позже]
Искажающий фактор:
[в целом много задач и переключений между ними]
Коллайдер:
[согласований и обсуждений больше, их эффективность ниже]
Пример не идеален, т.к. можно замкнуть цикл: коллайдер есть причина искажающего фактора. Но если выделить единичный проект для рассмотрения ПСС по приведенной гипотезе, то граф корректный.
___
#псс #причинно_следственная_связь
Дополнение к посту про ПСС
Пример построения ПСС:
Гипотеза: неучтенные требования возникают на более поздней стадии, потому что аналитики забивают на юзкейсы.
[игнорируют юзкейсы] > [неучтенные требования возникают позже]
Медиатор для проверки: юзкейсы не прописали — пропустили неочевидные сценарии.
[игнорируют юзкейсы] > [пропускают сценарии] > [требования возникают позже]
Искажающий фактор:
[в целом много задач и переключений между ними]
Коллайдер:
[согласований и обсуждений больше, их эффективность ниже]
Пример не идеален, т.к. можно замкнуть цикл: коллайдер есть причина искажающего фактора. Но если выделить единичный проект для рассмотрения ПСС по приведенной гипотезе, то граф корректный.
___
#псс #причинно_следственная_связь
#систематика /// Причинность и данные
Мы строим ПСС для принятия решения. Это решение нам нужно для достижения цели. Вот эта самая цель должна быть следствием для нашей ПСС. В противном случае это лишь проверка связей между медиаторами. Можно говорить об общей / основной ПСС для целевого действия / события.
Для построения ПСС (например, в виде графа) собираем всю информацию, которая может влиять на события в цепочке. Важно, что именно модель, которую мы строим, определяет данные для проверки, а не наоборот. То есть, не "взяли доступные данные и сооружаем из них какую-то модель", а "построили модель-гипотезу, и для ее проверки собираем данные".
В итоге цепочка действий для принятия решений с помощью ПСС выглядит так:
1) Определить целевое следствие — что именно мы хотим получить в итоге или что именно мы хотим проверить, признать следствием (это важно, так как чаще всего мы хотим узнать причину, так вот необходимо четко понимать, строго сформулировать причину чего мы хотим найти).
2) Определив следствие — строим ПСС-модель, графически или текстом. На этом этапе важно собрать: релевантные наблюдения, экспертные мнения (собственные или доступные в окружении).
3) Проводим проверку с помощью контрфактических суждений: отсекаем случайности, искажающие факторы, недостаточно сильные и неоднозначные свидетельства.
4) Составляем гипотезы вида "необходимо сделать / перестать делать X, чтобы случилось Y", где X и Y — измеримые, в идеале количественные, показатели. Именно для этих показателей необходимо собирать данные, готовить эксперимент для проверки гипотезы.
___
#причинно_следственная_связь #цель #данные #эксперимент
Мы строим ПСС для принятия решения. Это решение нам нужно для достижения цели. Вот эта самая цель должна быть следствием для нашей ПСС. В противном случае это лишь проверка связей между медиаторами. Можно говорить об общей / основной ПСС для целевого действия / события.
Для построения ПСС (например, в виде графа) собираем всю информацию, которая может влиять на события в цепочке. Важно, что именно модель, которую мы строим, определяет данные для проверки, а не наоборот. То есть, не "взяли доступные данные и сооружаем из них какую-то модель", а "построили модель-гипотезу, и для ее проверки собираем данные".
В итоге цепочка действий для принятия решений с помощью ПСС выглядит так:
1) Определить целевое следствие — что именно мы хотим получить в итоге или что именно мы хотим проверить, признать следствием (это важно, так как чаще всего мы хотим узнать причину, так вот необходимо четко понимать, строго сформулировать причину чего мы хотим найти).
2) Определив следствие — строим ПСС-модель, графически или текстом. На этом этапе важно собрать: релевантные наблюдения, экспертные мнения (собственные или доступные в окружении).
3) Проводим проверку с помощью контрфактических суждений: отсекаем случайности, искажающие факторы, недостаточно сильные и неоднозначные свидетельства.
4) Составляем гипотезы вида "необходимо сделать / перестать делать X, чтобы случилось Y", где X и Y — измеримые, в идеале количественные, показатели. Именно для этих показателей необходимо собирать данные, готовить эксперимент для проверки гипотезы.
___
#причинно_следственная_связь #цель #данные #эксперимент
#систематика /// Построение причинно-следственной связи
ПСС строится из экспертных мнений и контрфактических суждений (КФ-суждения).
Базовый алгоритм:
1. Придумываем / выявляем цепочку событий, которые выглядят для нас наиболее логично и непротиворечиво. Проще говоря — "как надо", где надо == наш ролевой интерес.
2. Избегаем соблазна оставить в модели псевдо-связи, которые кажутся релевантными, однако на самом деле только "шумят" и создают дребезг. Их нельзя оставлять только потому что "они же тут рядом".
3. Отслеживаем: дребезг в модели, места где "непонятно как работает", контрфактические изменения (которые говорят о том, что причина и следствие не связаны). Если что-то из этого есть в модели, значит модель пока не готова, продолжаем поиск — ищем элементы для ПСС-модели + продолжаем исследования — напрягаем мозги (делаем контрфактические суждения) и экспертов (собираем априорные данные).
4. Альтернативный (или дополнительный) подход — фиксируем желаемый результат (следствие в строящейся модели) и ищем / подбираем наиболее сильные элементы-события, лучшие кандидаты на элементы-причины.
5. Если предыдущие четыре пункта пройдены и у нас есть модель со всеми элементами, то нам осталось только понять какие именно нужны данные для проверки модели. Данные получаем в ходе эксперимента. На этом этапе важно не поддаваться моде сбора данных: не собирать лишние, чтобы экономить на их сборе и интерпретации + не собирать данные для построения модели, а только для проверки уже построенной модели.
Когда есть модель с достаточным количеством элементов, и определены необходимые данные, то можно приступать с эксперименту, который включаем сбор данных и собственно проверку гипотезы.
___
#псс #причинно_следственная_связь #моделирование #эксперимент
ПСС строится из экспертных мнений и контрфактических суждений (КФ-суждения).
Базовый алгоритм:
1. Придумываем / выявляем цепочку событий, которые выглядят для нас наиболее логично и непротиворечиво. Проще говоря — "как надо", где надо == наш ролевой интерес.
2. Избегаем соблазна оставить в модели псевдо-связи, которые кажутся релевантными, однако на самом деле только "шумят" и создают дребезг. Их нельзя оставлять только потому что "они же тут рядом".
3. Отслеживаем: дребезг в модели, места где "непонятно как работает", контрфактические изменения (которые говорят о том, что причина и следствие не связаны). Если что-то из этого есть в модели, значит модель пока не готова, продолжаем поиск — ищем элементы для ПСС-модели + продолжаем исследования — напрягаем мозги (делаем контрфактические суждения) и экспертов (собираем априорные данные).
4. Альтернативный (или дополнительный) подход — фиксируем желаемый результат (следствие в строящейся модели) и ищем / подбираем наиболее сильные элементы-события, лучшие кандидаты на элементы-причины.
5. Если предыдущие четыре пункта пройдены и у нас есть модель со всеми элементами, то нам осталось только понять какие именно нужны данные для проверки модели. Данные получаем в ходе эксперимента. На этом этапе важно не поддаваться моде сбора данных: не собирать лишние, чтобы экономить на их сборе и интерпретации + не собирать данные для построения модели, а только для проверки уже построенной модели.
Когда есть модель с достаточным количеством элементов, и определены необходимые данные, то можно приступать с эксперименту, который включаем сбор данных и собственно проверку гипотезы.
___
#псс #причинно_следственная_связь #моделирование #эксперимент
#систематика /// Сбор данных и эксперимент
Пререквизит для проведения эксперимента:
- Хорошо ли сформулирована гипотеза? Она должны хорошо объяснять.
- Есть ли оценка априорных шансов? Нам необходимы известные данные по нашему вопросы в домене.
- Есть ли свидетельства против нашей гипотезы? Необходимо провести контрфактические суждения, проверить связность модели.
- Посчитана ли правдоподобность? Важно численно выразить следствие в нашей модели, убедиться, что это следствие есть именно то, что мы хотим получить когда будем принимать решение по итогу проведения эксперимента.
Если чего-то из этого списка нет в наличии, то высок риск, что проверять гипотезу на эксперименте "в мире" (а не в голове) будет дорого и, вероятно, бессмысленно. То есть, гипотезу надо доформулировать. Достроить модель.
Если чего-то из этого нет, и при этом не получается добыть (элементы модели, данные), то надо создать связанную гипотезу — "соседнюю" / "прокси"-гипотезу. Это часто случается при проверке гипотез, связанных с абстрактными вещами, такими как креативность, мышление, успешность, etc.
Финальная проверка на дешевизну проверки гипотез:
- Осталась ли какая-либо неопределенность?
- Нужны ли еще элементы модели или уже только данные?
Если в ответах на эти вопросы есть хоть одно "да", то дополняем модель данными.
Если среди ответов нет "да", то переходим к сбору данных.
Данные:
1. Каких данных минимально достаточно? Нам не нужны лишние данные, чтобы не тратить ресурсы на их поиск, обработку, интерпретацию.
2. Проверка на опровержение — представляем, что у нас есть идеальные данные. Возможно ли обнаружить еще какие-либо данные, которые опровергнут нашу идеальную модель с подстваленными идеальными данными?
3. По итогу этих двух пунктов решаем, какие еще данные нужны, какие еще элементы модели нужны. То есть, откатываемся на построение ПСС, если необходимо, и снова переходим к сбору данных.
4. Итерируем эти шанги до максимально стройной и сильной модели.
Основной принцип дешевизны проверки гипотез — не проверять то, что можно проверить в голове (чаще всего на КФ-суждениях). Чаще всего дешевле потратить полдня с блокнотом и ручкой, чем несколько дней на сбор и интерпретацию в в лучшем случае ненужных, а в худшем искажающих данных.
___
#псс #причинно_следственная_связь #моделирование #эксперимент
Пререквизит для проведения эксперимента:
- Хорошо ли сформулирована гипотеза? Она должны хорошо объяснять.
- Есть ли оценка априорных шансов? Нам необходимы известные данные по нашему вопросы в домене.
- Есть ли свидетельства против нашей гипотезы? Необходимо провести контрфактические суждения, проверить связность модели.
- Посчитана ли правдоподобность? Важно численно выразить следствие в нашей модели, убедиться, что это следствие есть именно то, что мы хотим получить когда будем принимать решение по итогу проведения эксперимента.
Если чего-то из этого списка нет в наличии, то высок риск, что проверять гипотезу на эксперименте "в мире" (а не в голове) будет дорого и, вероятно, бессмысленно. То есть, гипотезу надо доформулировать. Достроить модель.
Если чего-то из этого нет, и при этом не получается добыть (элементы модели, данные), то надо создать связанную гипотезу — "соседнюю" / "прокси"-гипотезу. Это часто случается при проверке гипотез, связанных с абстрактными вещами, такими как креативность, мышление, успешность, etc.
Финальная проверка на дешевизну проверки гипотез:
- Осталась ли какая-либо неопределенность?
- Нужны ли еще элементы модели или уже только данные?
Если в ответах на эти вопросы есть хоть одно "да", то дополняем модель данными.
Если среди ответов нет "да", то переходим к сбору данных.
Данные:
1. Каких данных минимально достаточно? Нам не нужны лишние данные, чтобы не тратить ресурсы на их поиск, обработку, интерпретацию.
2. Проверка на опровержение — представляем, что у нас есть идеальные данные. Возможно ли обнаружить еще какие-либо данные, которые опровергнут нашу идеальную модель с подстваленными идеальными данными?
3. По итогу этих двух пунктов решаем, какие еще данные нужны, какие еще элементы модели нужны. То есть, откатываемся на построение ПСС, если необходимо, и снова переходим к сбору данных.
4. Итерируем эти шанги до максимально стройной и сильной модели.
Основной принцип дешевизны проверки гипотез — не проверять то, что можно проверить в голове (чаще всего на КФ-суждениях). Чаще всего дешевле потратить полдня с блокнотом и ручкой, чем несколько дней на сбор и интерпретацию в в лучшем случае ненужных, а в худшем искажающих данных.
___
#псс #причинно_следственная_связь #моделирование #эксперимент