Det är lättare att tolka den brokiga ekonomiska och politiska verkligheten då man tar hjälp av bevis och forskningsdata. Kausal inferens är ett effektivt verktyg: med hjälp av slumpmässiga urval får vi tips om hur resurserna kan användas på ett klokt sätt och som stöd för demokratin. Största nyttan av artificiell intelligens och stora datamängder får vi då vi tillämpar experimentella metoder.

En politiker med regeringsansvar säger gärna att vi har regeringens politik att tacka för sysselsättningen eller den ekonomiska tillväxten. Samma politiker väljer att inte lyfta fram den globala ekonomiska utvecklingen som ligger bakom tillväxten. När företagets rörelsevinst ökar är det naturligt för företagsledaren att nämna det förändringsprogram som chefen själv har dragit igång i stället för att göra ägarna uppmärksamma på den gynnsamma utvecklingen i hela branschen.

En kritisk och medveten väljare eller aktieägare förstår att det ingår en attributionsbias i de här påståendena. Det betyder att man tolkar händelser snarare som en följd av beslut och beslutsfattarens särskilda egenskaper än en situation eller förhållanden som beslutsfattaren inte kan påverka.

Hur ska man då kunna skilja på en allmänt rådande trend vid tidpunkten då ett beslut fattas från de äkta följderna av beslut, det vill säga de kausala effekterna?

Välkänt inom medicin

Inom nationalekonomi (economics) har de senaste decennierna varit ett segertåg för användningen av metoder för kausal inferens. Dessa utgörs av experimentella och så kallade kvasiexperimentella statistiska metoder. Förra årets Nobelpristagare i nationalekonomi David Card, Joshua Angrist och Guido Imbens har utvecklat disciplinen.

Kausal inferens och experimentella metoder har tillämpats i minst hundra år. Grundtanken i den experimentella metoden framgår tydligast inom läkarvetenskapen. Om vi vill ta reda på den kausala effekten för ett nytt läkemedel, väljer vi ut en representativ population och tar ut ett representativt slumpmässigt urval ur den. Ur detta urval tar vi slumpmässigt ut människor, så att en del hamnar i målgruppen och en del i kontrollgruppen.

Personerna i målgruppen får läkemedlet, det vill säga ”behandling”. Personerna i kontrollgruppen får ett placebopreparat. Genom att jämföra mål- och kontrollgruppen får vi veta det nya läkemedlets eventuella kausala effekt.

Äkta och kvasiexperiment

De experimentella metoder som används i stor utsträckning inom läkar- och naturvetenskaperna tillämpas allt mer även inom samhällsvetenskaper och ekonomiska vetenskaper. Kunderna i ett företag kan randomiseras enligt en ny marknadsförings- eller prissättningsstrategi eller företagets personal enligt ett nytt incitamentsystem. Inom samhällelig forskningsdesign brukar man tala om fältexperiment och i företag om A/B-testning.

I år kunde man till exempel ha studerat hushållsavdragets inverkan genom experiment om en del av dem som beställt städning i hemmen hade fått en högre skattelättnad än tidigare, 3 500 euro, och en del en oförändrad skattelättnad, 2 500 euro. Det hade ändå varit svårt att förverkliga politiskt.

Den experimentella metoden har utvidgats i kvasiexperimentell riktning, framför allt inom nationalekonomi.

Vi kan ta läroanstaltens inverkan på studerandens färdigheter, inkomster eller lycka senare i livet som exempel. Även om det förekommer skillnader i dessa mellan studerande som utexaminerats från två olika skolor, går det inte att dra en slutsats av hur skolan har påverkat studerandena. Studerandegrupperna var olika redan första gången de gick in genom dörren till läroanstalten.

Däremot om ett tröskelpoängvärde tillämpas på inträdesprovet eller på den betygsbaserade antagningen, det vill säga bara de som har klarat sig över gränsen kommer in, är studerandena som landat närmast gränsen likartade. Sannolikheten för att de börjar studera i två olika läroanstalter har därmed i det närmaste varit en slump.

Detta ”kvasiexperiment” uppfyller kännetecknen för experiment, trots att forskarna inte randomiserar studerandena i mål- och kontrollgrupper.

Artificiell intelligens är bara ett verktyg

Prefixet ”kvasi” eller termen ”experimentell” kan väcka misstankar. Det låter som att en vetenskaplig kvasimetod ännu är på försöksstadiet. Varför i all sin dar skulle man lyssna till en sådan akademisk elfenbenstornsprodukt? Däremot får trendiga termer som ”big data” och ”artificiell intelligens” mycket uppmärksamhet.

Jag vill påstå att för beslutsfattande som bygger på forskningsrön kausal inferens är till och med viktigare än dessa modeord. Stora datamängder och maskininlärningsmetoder är endast till nytta i evidensbaserad beslutsfattande om de används tillsammans med experimentella eller kvasiexperimentella metoder.

Fältexperiment och A/B-testning har störst verkan när vi har tillgång till stora statistiska material. I bästa fall kan vi till exempel leta efter faktorer i patient-, kund- eller medborgarspecifika data som verkar ha ett samband med effektiviteten med hjälp av maskininlärning.

Särskilt intressanta är korrelationer som med stöd av ekonomiska eller beteendevetenskapliga teorier kan antas vara orsakssamband.

Vi utgår från förhandshypoteser som artificiell intelligens och teori har gett en antydan om. Sedan testar vi hypoteserna med hjälp av slumpmässiga försök. Vid användningen av stora datamängder kan urvalsstorlekarna utökas nästan gränslöst.
Resultaten intresserar de digitala jättarna

En del av resultaten visar sig vara rena trendinfluenser, men bakom en del kommer konsekvenserna av politiska åtgärder fram. Endast genom att samla information om orsakssambanden kan vi främja välfärdsstatens eller företagets mål på ett konsekvent sätt baserat på kunskap.

Digijättarnas agerande på digitala plattformar stödjer mitt påstående. Till exempel Google, Lyft, Airbnb, Amazon och Microsoft styr trafiken till sina internetplattformar genom att randomisera den till ”behandling och placebo”. Med hjälp av kunskapen utvecklar de funktionerna på sina plattformar.

De senaste åren har ett stort antal nyutexaminerade nationalekonomidoktorer och -magistrar som är insatta i ekonominobelpristagarnas metoder rekryterats till dessa företag. De analyserar data och planerar nya försök. Det här visar att försöken skapar ett betydande mervärde för företagen.

De nordiska länderna i täten

De nordiska samhällena med sina omfattande registerdata har ett försprång. Det behövs ändå en noggrann, färdig plan för hur experimentella och kvasiexperimentella metoder ska tillämpas på bedömningen av konsekvenserna av lagändringar och politiska åtgärder med hjälp av registermaterial och maskininlärning. Annars förvandlas försprånget till en förlorad möjlighet.

Om vi vill ha tillförlitliga uppskattningar av konsekvenserna av lagändringar och politiska åtgärder, måste vi kräva att en konsekvensbedömning som bygger på kausal inferens görs i samband med varje lagändring. Tillförlitligast är bedömningen om vi kan randomisera medborgare eller företag i försöksskedet inom ramen för en ny lag under den tid som data samlas in.

Det har argumenterats för att randomiseringsförfarandet strider mot grundlagen eftersom medborgarna inte behandlas lika. Men är det verkligen så, om alla har lika stor möjlighet att hamna i mål- och kontrollgruppen och det politiska bedömningsskedet är tillfälligt? Dessutom behövs inte nödvändigtvis en äkta studiedesign, om det går att göra en tillförlitlig bedömning av förhållandet mellan orsak och verkan med kvasiexperimentella metoder.

Hot mot integriteten?

Det finns också en viss oro för att medborgarnas integritet eller företagshemligheter kan avslöjas. Det kommer inte att hända, om identiteten hålls hemlig och data förvaras på till exempel Statistikcentralens eller Institutet för hälsa och välfärds säkra servrar. Här sparas dylika registermaterial redan nu.

På EU-nivå kunde det vara på sin plats att aktivt verka för lagstiftning som förutsätter att företag ska öppna upp kunddata som stöd för forsknings- och evidensbaserad politik. Alla data som ska analyseras kan anonymiseras före användning och konsekvensbedömning.

En konsekvensbedömning av lagar skulle märkbart förbättra användningen av samhällets resurser, göra politiken mera kunskapsbaserad och förbättra demokratin.

Som ansvarsfulla väljare och investerar skulle vi säkert hellre läsa fler artiklar om ekonomi och samhälle som baserar sig på noggranna konsekvensbedömningar av lag-, politik- eller strategiförändringar kryddade med kritiska intervjuer än mytiska utvecklingsberättelser om politiker eller företagsledare. Sådana artiklar är visserligen underhållande, men de blandar ihop trender och kausala effekter.

Topi Miettinen
Skribenten är professor i nationalekonomi vid Hanken. Han har specialiserat sig på mikroekonomi och spelteori samt beteendeekonomi och experimentell ekonomi.

Texten publicerades ursprungligen på finska på Mustread.fi 25.3.2022.