In fields such as epidemiology, social sciences, psychology and statistics, an observational study draws inferences from a sample to a population where the independent variable is not under the control of the researcher because of ethical concerns or logistical constraints. One common observational study is about the possible effect of a treatment on subjects, where the assignment of subjects into a treated group versus a control group is outside the control of the investigator. This is in contrast with experiments, such as randomized controlled trials, where each subject is randomly assigned to a treated group or a control group. Observational studies, for lacking an assignment mechanism, naturally present difficulties for inferential analysis.
The independent variable may be beyond the control of the investigator for a variety of reasons:
A randomized experiment would violate ethical standards. Suppose one wanted to investigate the abortion – breast cancer hypothesis, which postulates a causal link between induced abortion and the incidence of breast cancer. In a hypothetical controlled experiment, one would start with a large subject pool of pregnant women and divide them randomly into a treatment group (receiving induced abortions) and a control group (not receiving abortions), and then conduct regular cancer screenings for women from both groups. Needless to say, such an experiment would run counter to common ethical principles. (It would also suffer from various confounds and sources of bias, e.g. it would be impossible to conduct it as a blind experiment.) The published studies investigating the abortion–breast cancer hypothesis generally start with a group of women who already have received abortions. Membership in this "treated" group is not controlled by the investigator: the group is formed after the "treatment" has been assigned.
The investigator may simply lack the requisite influence. Suppose a scientist wants to study the public health effects of a community-wide ban on smoking in public indoor areas.
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
This course teaches the basic techniques, methodologies, and practical skills required to draw meaningful insights from a variety of data, with the help of the most acclaimed software tools in the dat
The course provides an introduction to econometrics. The objective is to learn how to make valid (i.e., causal) inference from economic and social data. It explains the main estimators and present met
This is a seminar course. By reading and discussing an introductory book as well as research papers about computational social science, students will become familiar with core issues and techniques in
Explore l'évolution des enquêtes dans l'astronomie moderne du domaine du temps, mettant en évidence l'impact des observations du domaine du temps sur les prix Nobel récents.
Une étude longitudinale est une étude résultant du suivi d'une population ou d'un phénomène dans le temps en fonction d'un événement de départ. L’objectif de la recherche longitudinale est de cartographier un développement sur une période spécifique. Une comparaison peut être faite entre la mesure de début et celle de fin (et des mesures intermédiaires) d’un phénomène particulier. Ainsi, l'étude longitudinale s'oppose conceptuellement à l'étude transversale qui s'intéresse à un phénomène à instant t.
Une expérience naturelle ou expérimentation naturelle est une expérience dans laquelle l'assignation aléatoire au traitement est provoquée par des causes naturelles et/ou politiques. On oppose ainsi les expériences naturelles aux expériences contrôlées dans laquelle l'assignation au traitement est aléatoirement déterminée pour les besoins de l'étude. Par exemple, David Card a utilisé l'exode de Mariel comme une expérience naturelle pour mesurer l'effet de l'immigration sur le marché du travail en Floride.
En statistiques et en économétrie, les méthodes d'appariement (en anglais matching) sont un ensemble de méthodes statistiques permettant d'évaluer l'effet causal d'un traitement. Cette méthode est notamment utilisée pour évaluer l'effet causal d'un traitement en comparant des individus traités et non-traités ayant des caractéristiques observables similaires. Les méthodes d'appariement ont été promues par Donald Rubin. Elles ont été fortement critiquées par Robert LaLonde en . Modèle causal de Neyman-Rubin
Purpose: This study was designed and conducted to validate the reference values of hematological parameters for healthy adult male and female residents of Kabul city, Afghanistan. Methodology: In this cross-sectional study, the samples were collected accor ...
Albany2024
Background Each year, five million people are left disabled after stroke. Upper -extremity (UE) dysfunction is a leading problem. Neuroplasticity can be enhanced by non-invasive brain stimulation (NIBS) but evidence from large, randomized multicenter trial ...
Elsevier2024
,
Despite the growing interest in emotions in engineering education, empirical research on incorporating them into engineering ethics education is limited. Therefore, we designed this experimental study to assess how different methods for integrating compass ...