Πάνε ακριβώς 14 χρόνια από τον Οκτώβριο του 2007, τότε που άλλαξε για πάντα ο τρόπος που θα έκανα έρευνα. Βρισκόμουν στις αρχές του δεύτερου έτους του διδακτορικού μου στο Ευρωπαϊκό Πανεπιστημιακό Ινστιτούτο της Φλωρεντίας όταν ταξίδεψα μαζί με κάποιους φίλους στο Νιού Χέιβεν του Κονέκτικατ, όπου λάμβανε χώρα το διετές Συμπόσιο Ελληνικών Σπουδών. Θα παρουσίαζα μια μελέτη από τις πολλές που δεν κατέληξαν ποτέ να γίνουν δημοσιευμένα άρθρα—για την επιρροή των μέσων επικοινωνίας στην εκλογική συμπεριφορά στην Ελλάδα. Στο πλαίσιο του ταξιδιού και ενώ έκανα βόλτες με κάποιους φίλους στο κάμπους του Γέιλ, πέρασα δίπλα από το Κέντρο για τη Μελέτη της Δημοκρατίας, όπου βρισκόταν ένας καθηγητής του οποίου η δουλειά με είχε ήδη επηρεάσει πολύ: Ο Ντόναλντ Γκριν. Με την παρότρυνση των φίλων μου, κανένας τους πολιτικός επιστήμονας, μπήκα μέσα και χτύπησα την πόρτα. Ήταν εκεί και παρά την έκπληξη του, μου έδωσε γενναιόδωρα λίγα λεπτά από τον χρόνο του. Αποτέλεσμα εκείνης της συνομιλίας ήταν να του στείλω ένα κεφάλαιο της διατριβής λίγες εβδομάδες μετά. Η απάντηση του ήρθε κατόπιν ενός μήνα και θυμάμαι ακόμη πού ήμουν και τι έκανα. Εν ολίγοις μου έλεγε πως αν και έχει κάποια καλά στοιχεία η εμπειρική μου ανάλυση, θα πρέπει να ξεχάσω ό,τι ξέρω, ό,τι με κόπο έμαθα μόνος μου στην στατιστική, και να διαβάσω δυο άρθρα που επισύναπτε. Κανένα από τα δύο δικό του. Διαβάζοντάς τα, πέρασα μαζί με τις πρώτες πέντε σελίδες και τις αντίστοιχες φάσεις του πένθους, από την άρνηση στην αναγνώριση πως έχει δίκιο. Το πρόβλημα δεν ήταν η ανάλυση των δεδομένων αλλά τα δεδομένα τα ίδια. Η, για να το πω καλύτερα, το πρόβλημα άρχιζε πολύ πριν την ανάλυση των δεδομένων. Και η λύση του βρισκόταν όχι στην διαφορετική τους επεξεργασία αλλά σε μια τελείως διαφορετική προσέγγιση συλλογής τους. Ήταν η πρώτη μου επαφή με αυτό που λέμε design-based causal inference. Η προσέγγιση αυτή θα με καθόριζε τόσο ως προς την έρευνα όσο και ως προς την διδασκαλία. Από το 2011 και μέχρι σήμερα πρέπει να έχω διδάξει αυτό το μάθημα σε πάνω από 10 πόλεις στην Ευρώπη.
Ιστορίες όπως αυτή έχουν πολλοί κοινωνικοί επιστήμονες της γενιάς μου. Άλλοι αργότερα κι άλλοι νωρίτερα ήρθαμε αντιμέτωποι μ’ αυτήν την αλλαγή υποδείγματος στον τρόπο με τον οποίο χρησιμοποιούμε δεδομένα για την εξαγωγή αιτιακών συμπερασμάτων. Και είναι ακριβώς αυτό το υπόδειγμα που ήρθε να τιμηθεί φέτος με το Νόμπελ οικονομικών στον Τζόσουα Ανγκριστ, τον Γκουιντο Ιμπενς και τον Ντέιβιντ Κάρντ. Σε τι όμως συνίσταται αυτό το υπόδειγμα; Γιατί αξίζει το νόμπελ;
⇒ Διαβάστε ακόμη: Νόμπελ Οικονομίας 2021: Ποιοι είναι οι φετινοί νικητές
Η ειρωνεία της υπόθεσης είναι πως το ίδιο το υπόδειγμα δεν μας αφήνει να υποστηρίξουμε ότι είχε έναν τεράστιο αντίκτυπο στον τρόπο με τον οποίο γίνεται η έρευνα στα οικονομικά και κατ’ επέκταση, όπως μια μόδα που ταξιδεύει από τη Νέα Υόρκη στην ενδοχώρα, στην πολιτική επιστήμη και την κοινωνιολογία. Πως ξέρουμε ότι είχε αντίκτυπο, θα ήταν η πρώτη ερώτηση από έναν θιασώτη του υποδείγματος; Η απάντηση αναγκαστικά θα ενείχε την κατασκευή ενός counterfactual—ενός κόσμου στον οποίο οι κοινωνικές επιστήμες θα προχωρούσαν χωρίς το υπόδειγμα. Για παράδειγμα, θα έπρεπε να φανταστούμε πως θα ήταν τα οικονομικά χωρίς τα σημαντικά άρθρα του Τζοσουα Άνγκριστ, του ντον Ρούμπιν και των υπολοίπων στις αρχές της δεκαετίας του 1990, άρθρα που έθεσαν τις βάσεις για την ευρεία χρήση του νέου υποδείγματος. Είναι ακριβώς αυτή η αφετηρία του υποδείγματος: η αναγνώριση πως η εξαγωγή συμπερασμάτων περί αιτιακών σχέσεων προϋποθέτει την κατασκευή εναλλακτικών σεναρίων στα οποία παρατηρούμε μεν το τελικό αποτέλεσμα και επομένως είμαστε σε θέση να δούμε αν υπάρχει ή όχι διαφορά με και χωρίς την παρουσία του παράγοντα που η θεωρία μας λέει ότι κάνει αυτή τη διαφορά. Ίσως ένα παράδειγμα βοηθήσει: πώς ξέρουμε αν οι ολιγομελείς τάξεις στο σχολείο επιταχύνουν τη μάθηση; Ο μόνος τρόπος να το μάθουμε είναι να παρατηρήσουμε τους ίδιους μαθητές στις ίδιες ακριβώς συνθήκες με μόνη διαφορά πως τη μια φόρα η τάξη θα έχει λίγους μαθητές ενώ την άλλη θα έχει πολλούς. Αυτό φυσικά είναι αδύνατον. Ένα άλλο παράδειγμα, πιο κοντά στην πολιτική επιστήμη θα ήταν: πώς ξέρουμε αν το εκλογικό ντιμπέιτ είχε αντίκτυπο στο εκλογικό αποτέλεσμα; θα έπρεπε να δούμε πως οι ίδιοι άνθρωποι ψήφισαν έχοντας, στη μία περίπτωση, και μην έχοντας, στην άλλη, δει το ντιμπέιτ. Και πάλι αδύνατον.
Τι κάνουμε λοιπόν; Μια πρώτη, αυθόρμητη, απάντηση είναι να αντικαταστήσουμε αυτό που δεν μπορούμε να παρατηρήσουμε μ’ αυτό που μπορούμε. Για παράδειγμα μπορούμε να συγκρίνουμε τις σχολικές επιδόσεις μαθητών που βρίσκονται σε τάξεις με λίγα παιδιά με μαθητές που βρίσκονται σε τάξεις με πολλά παιδιά. Ή να συγκρίνουμε εκλογείς που είδαν το ντιμπέιτ με εκλογείς που δεν το είδαν. Το πρόβλημα με αυτήν την σύγκριση είναι πως το counterfactual που φτιάξαμε για να το συγκρίνουμε με το γκρουπ που μας ενδιαφέρει είναι πολύ πιθανό να διαφέρει και σε άλλα πράγματα, όχι μόνο σ’ αυτό που εμείς θέλουμε να απομονώσουμε. Για παράδειγμα, παιδιά που βρίσκονται σε μικρές τάξεις είναι πιο πιθανό να πηγαίνον σε ιδιωτικά σχολεία, ή ακόμη κι αν τα σχολεία είναι δημόσια, είναι πολύ πιθανό να βρίσκονται σε περιοχές με περισσότερα σχολεία ανά μαθητή, που σίγουρα θα διαφέρουν και ως προς άλλα κοινωνικοοικονομικά χαρακτηριστικά. Εκλογείς που έχουν δει το ντιμπέιτ, για να πάμε στο άλλο παράδειγμα, είναι πιθανό να ενδιαφέρονται πιο πολύ για την πολιτική έτσι κι αλλιώς, οπότε και να ενημερώνονται περισσότερο για τέτοια θέματα και από άλλες πηγές. Άρα η σύγκριση δεν μας επιτρέπει να διαχωρίσουμε τον παράγοντα που μας ενδιαφέρει μ’ άλλους παράγοντες που μπορεί να μπλέκονται στην σύγκριση. Επίσης, ακόμη χειρότερα, δεν είμαστε σε θέση ούτε καν να γνωρίζουμε ποιοι είναι αυτοί οι εμπλεκόμενοι παράγοντες. Δεν έχουμε ιδέα εξ αρχής σε πόσα πράγματα μπορεί να διαφέρει η μία ομάδα από την άλλη.
Ποια είναι τότε η λύση; Η λύση, σύμφωνα με το υπόδειγμα είναι να παίξουμε ένα παιχνίδι με αντίπαλο την ίδια την φύση: να προσπαθήσουμε να βρούμε τρόπο να αφαιρέσουμε από τα υποκείμενα όντα την επιλογή να επιλέξουν σε ποια κατάσταση θα βρεθούν σχετικά με τον παράγοντα που μας ενδιαφέρει: αν θα πάνε σε τάξη με πολλά παιδιά ή λίγα η αν θα δουν το ντιμπέιτ. Πώς το κάνουμε αυτό; Η πιο απλή και παράλληλα αποτελεσματική μέθοδος είναι να κρατήσουμε αυτό το στάδιο υπό τον έλεγχο του ερευνητή. Να είναι, δηλαδή, ο ερευνητής ή η ερευνήτρια αυτός η αυτή που θα αποφασίσει ποιος μαθητής ή ποια μαθήτρια θα πάει σε τάξη με πολλά ή λίγα παιδιά —ποιος θα δει και ποιος δε θα δει το ντιμπέιτ.
Και πως αποφασίζουν οι ερευνητές όταν έχουν την ευχέρεια να αποφασίσουν τέτοια πράγματα; Η απάντηση είναι προσπαθώντας να εφαρμόσουν την πιο αγνωστικιστική μέθοδο, χωρίς να παίρνουν υπόψη τους, δηλαδή, κανένα απολύτως χαρακτηριστικό των παιδιών ή των εκλογέων. Πως γίνεται αυτό; με την μέθοδο της τυχαίας δειγματοληψίας. Όταν χωρίζεις έναν πληθυσμό σε δυο γκρουπ με τυχαίο τρόπο, κάτι μαγικό γίνεται συνήθως: έχεις το ίδιο περίπου ποσοστό γυναικών, το ίδιο ποσοστό καλών και κακών μαθητών, το ίδιο ποσοστό φτωχών και πλούσιων οικογενειών. Και πάει λέγοντας. Αν λοιπόν οι δύο ομάδες είναι ίδιες σ’ όλα τα υπόλοιπα χαρακτηριστικά τους, ακριβώς επειδή κανένα από αυτά δεν χρησιμοποιήθηκε για τον διαχωρισμό τους, και αν μία από αυτές πάει σε τάξεις μεγάλου αριθμού μαθητών και η άλλη σε τάξεις μικρού, τι άλλο θα μπορούσε να εξηγήσει οποιεσδήποτε διαφορές στις σχολικές επιδόσεις τους; Εδώ είμαστε πλέον σε καλύτερη θέση να αποδώσουμε τυχουσες αποκλίσεις μεταξύ των ομάδων στον παράγοντα που μας ενδιαφέρει—το μέγεθος της τάξης. Κάτι αντίστοιχο θα συνέβαινε και με το παράδειγμα του εκλογικού ντιμπέιτ.
Δεν υπάρχει εδώ ο χώρος για να επεκταθούμε παραπάνω. Οι κριτικές του υποδείγματος είναι πολλές, μια όμως είναι πολύ σημαντική: μας παίρνει απ΄ αυτό που θέλουμε να μελετήσουμε και μας πηγαίνει σ’ αυτό που μπορούμε να μελετήσουμε αιτιακά, ακόμη κι αν δεν είναι αυτό που μας ενδιαφέρει. Να το πω διαφορετικά: μας παρασύρει στο τι είναι εφικτό και όχι στο τί είναι σημαντικό. Κάποιος, πιο κυνικός από εμένα, θα έλεγε πως αυτό είναι ίσως προτέρημα και όχι μειονέκτημα. Σε κάθε περίπτωση, όπως κάθε αλλαγή υποδείγματος είχε και έχει τους εχθρούς του. Σίγουρα όμως άλλαξε για πάντα τον τρόπο που κάνουμε επιστήμη. Και αν το 2009 ο Τζαζ Σεκόν, καθηγητής στατιστικής τότε στο Μπέρκλει, έλεγε πως είναι η πρώτη φορά που αυτό που είναι στη μόδα (κατά λέξη the flavour of the month) είναι και το σωστό (the right thing to do), το 2021, το νέο αυτό υπόδειγμα δεν είναι ούτε νέο ούτε μόδα. Παραμένει όμως, ίσως, το σωστό. Και σίγουρα είναι από το 2008 και έπειτα το νομπέλ οικονομικών που αγκαλιάζει τόσο απλόχερα και τις υπόλοιπες κοινωνικές επιστήμες
* Ο Ηλίας Ντίνας είναι Καθηγητής Πολιτικής Επιστήμης στο πανεπιστημιακό Ινστιτούτο της Φλωρεντίας και αναπληρωτής καθηγητής στο Πανεπιστήμιο της Οξφόρδης