Słownik metodologiczny · Projekt badania

Eksperyment naturalny – gdy interwencję przydziela rzeczywistość

W eksperymencie naturalnym o tym, kto zostaje objęty interwencją, decyduje zdarzenie zewnętrzne – prawo, reforma, loteria. Wyjaśniamy różnicę wobec quasi-eksperymentu, przegląd metod i przykład różnicy w różnicach w R.

Strona główna / Słownik / Eksperyment naturalny
W skrócie: Eksperyment naturalny to badanie, w którym ekspozycję na interwencję wyznacza zdarzenie zewnętrzne (nowe prawo, reforma, loteria), a nie badacz. Pozwala ocenić skutki zmian, którymi nie da się manipulować, ale jest bardziej podatny na obciążenia niż eksperyment z randomizacją (Craig i in., 2012).

Co to jest eksperyment naturalny?

Eksperyment naturalny (ang. natural experiment) to sytuacja, w której ekspozycję na interwencję wyznacza nie badacz, lecz zdarzenie zewnętrzne: nowe prawo, reforma, loteria, próg w przepisach czy klęska żywiołowa. Badacz wykorzystuje to zdarzenie, by porównać osoby lub regiony objęte zmianą z tymi, których nie objęła. Craig i in. (2012) w wytycznych Medical Research Council wskazują, że badania tego typu bywają jedyną możliwością oceny skutków polityk zdrowotnych, gdy ekspozycją nie da się manipulować, ale też że takie badania są bardziej podatne na obciążenia niż eksperyment planowany z randomizacją.

Eksperyment naturalny a quasi-eksperyment

Oba schematy obywają się bez losowego przydziału. W quasi-eksperymencie badacz zwykle sam wprowadza interwencję lub planuje porównanie; w eksperymencie naturalnym przydział jest dziełem okoliczności, a badacz go jedynie znajduje. Najcenniejsze są sytuacje, w których przydział jest „jak losowy” – wtedy różnice w wyniku trudniej przypisać zmiennym zakłócającym. Taki przydział może też posłużyć jako instrument; Angrist i Krueger (2001) omawiają zmienne instrumentalne wywodzące się z eksperymentów naturalnych, a ideę tę rozwija randomizacja mendlowska.

Metody analizy

Typowe narzędzia to różnica w różnicach, przerwany szereg czasowy, regresja nieciągła i zmienne instrumentalne oraz metoda syntetycznej kontroli. Kluczowym problemem jest selektywna ekspozycja, dlatego trzeba rozumieć proces, który zdecydował, kto został objęty interwencją, i rozważyć alternatywne wyjaśnienia nawet przy dużym i szybkim efekcie (Craig i in., 2017). W przykładzie z R proste porównanie „przed i po” w regionie z zakazem palenia daje spadek o 24.5 zawału na 100 tys., bo miesza efekt z ogólnym trendem. Różnica w różnicach względem regionu bez zakazu daje −17.0, 95% CI [−28.3, −5.7], blisko prawdziwych −15.

Jak opisać w pracy

Wprowadzenie zakazu palenia w lokalach w regionie A w 2015 r. potraktowano jako eksperyment naturalny. Region B, w którym przepisy się nie zmieniły, posłużył za porównanie. Efekt oszacowano metodą różnicy w różnicach, zakładając równoległe trendy w obu regionach przed zmianą przepisów.
Przykład reprodukowalny

Eksperyment naturalny w R

Kod symuluje zakaz palenia wprowadzony w jednym regionie i porównuje proste porównanie „przed i po” z różnicą w różnicach (lm() z interakcją region × okres).

Przed i po a różnica w różnicach

Dane wejściowe: roczne wskaźniki zawałów na 100 tys. w regionach A (zakaz od 2015 r.) i B, lata 2011–2018; wspólny trend −2 rocznie, prawdziwy efekt zakazu −15 (dane symulowane, set.seed(540)).

Co odczytać: „przed i po” w regionie A −24.5; różnica w różnicach −17.0, 95% CI [−28.3, −5.7]. Model jest uproszczony: przy prawdziwych danych rocznych uwzględnij autokorelację.

R
# Eksperyment naturalny: zakaz palenia w lokalach wprowadzony w regionie A (nie przez badacza)
# zawały na 100 tys. mieszkańców, 4 lata przed i 4 lata po; region B bez zmian
set.seed(540)
lata <- 2011:2018
po <- as.numeric(lata >= 2015)
trend <- -2 * (lata - 2011)                          # wspólny spadek w obu regionach
A <- round(250 + trend - 15 * po + rnorm(8, 0, 4))   # prawdziwy efekt zakazu: -15
B <- round(230 + trend + rnorm(8, 0, 4))
dane <- data.frame(rok = rep(lata, 2), region = factor(rep(c("A", "B"), each = 8), levels = c("B", "A")),
                   po = rep(po, 2), y = c(A, B))
# porównanie "przed i po" tylko w regionie A miesza efekt z trendem
przed_po <- mean(A[po == 1]) - mean(A[po == 0])
# różnica w różnicach: zmiana w A minus zmiana w B
did <- przed_po - (mean(B[po == 1]) - mean(B[po == 0]))
round(c(przed_po_A = przed_po, roznica_w_roznicach = did), 1)
m <- lm(y ~ region * po, data = dane)
round(c(efekt = unname(coef(m)["regionA:po"]), confint(m)["regionA:po", ]), 1)
Wynik w R
         przed_po_A roznica_w_roznicach 
              -24.5               -17.0 
 efekt  2.5 % 97.5 % 
 -17.0  -28.3   -5.7 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (bez dodatkowych pakietów). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/

Najczęstsze pytania

Czym eksperyment naturalny różni się od quasi-eksperymentu?

W obu nie ma losowego przydziału. W quasi-eksperymencie badacz zwykle sam wprowadza interwencję lub planuje porównanie, w eksperymencie naturalnym przydział wynika ze zdarzenia zewnętrznego, które badacz jedynie wykorzystuje.

Czy duży efekt w eksperymencie naturalnym dowodzi przyczynowości?

Nie. Nawet duży i szybki efekt po wprowadzeniu interwencji wymaga rozważenia alternatywnych wyjaśnień, np. równoczesnych zmian, a wnioskowanie wzmacniają dodatkowe elementy schematu (Craig i in., 2017).

Skąd brać dane do eksperymentu naturalnego?

Najczęściej z istniejących, rutynowo zbieranych rejestrów i statystyk publicznych. Craig i in. (2017) podkreślają znaczenie inwestycji w takie źródła i w łączenie danych o ekspozycji z danymi o wynikach.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Angrist, J. D., & Krueger, A. B. (2001). Instrumental variables and the search for identification: From supply and demand to natural experiments. Journal of Economic Perspectives, 15(4), 69–85. https://doi.org/10.1257/jep.15.4.69 ● Otwarty dostęp
  2. Craig, P., Cooper, C., Gunnell, D., Haw, S., Lawson, K., Macintyre, S., Ogilvie, D., Petticrew, M., Reeves, B., Sutton, M., & Thompson, S. (2012). Using natural experiments to evaluate population health interventions: New Medical Research Council guidance. Journal of Epidemiology and Community Health, 66(12), 1182–1186. https://doi.org/10.1136/jech-2011-200375 ● Otwarty dostęp
  3. Craig, P., Katikireddi, S. V., Leyland, A., & Popham, F. (2017). Natural experiments: An overview of methods, approaches, and contributions to public health intervention research. Annual Review of Public Health, 38(1), 39–56. https://doi.org/10.1146/annurev-publhealth-031816-044327 ● Otwarty dostęp

Cytowania BibTeX

@article{angrist2001instrumental, author={Angrist, Joshua D and Krueger, Alan B}, title={{Instrumental variables and the search for identification: From supply and demand to natural experiments}}, journal={Journal of Economic Perspectives}, year={2001}, volume={15}, number={4}, pages={69--85}, doi={10.1257/jep.15.4.69}}
@article{craig2012using, author={Craig, Peter and Cooper, Cyrus and Gunnell, David and Haw, Sally and Lawson, Kenny and Macintyre, Sally and Ogilvie, David and Petticrew, Mark and Reeves, Barney and Sutton, Matt and Thompson, Simon}, title={{Using natural experiments to evaluate population health interventions: New Medical Research Council guidance}}, journal={Journal of Epidemiology and Community Health}, year={2012}, volume={66}, number={12}, pages={1182--1186}, doi={10.1136/jech-2011-200375}}
@article{craig2017natural, author={Craig, Peter and Katikireddi, Srinivasa Vittal and Leyland, Alastair and Popham, Frank}, title={{Natural experiments: An overview of methods, approaches, and contributions to public health intervention research}}, journal={Annual Review of Public Health}, year={2017}, volume={38}, number={1}, pages={39--56}, doi={10.1146/annurev-publhealth-031816-044327}}
R