Прежде чем отойти от этого примера, я хотел бы еще раз прокомментировать компьютерные модели. Большинству ученых приходится усердно работать, чтобы получить контрфактивную информацию, скажем мучительно комбинируя данные наблюдательных и экспериментальных исследований. Ученые-климатологи могут легко получить контрфактивные данные из компьютерных моделей: достаточно ввести новое значение для концентрации углекислого газа в воздухе и дать программе поработать. «Легко», конечно, здесь понятие относительное. За простой причинно-следственной схемой на рис. 54 скрывается невероятно сложная функция-ответ, заданная миллионами строк компьютерного кода, которые используются для моделирования климата.

Здесь возникает естественный вопрос: насколько мы можем доверять компьютерному моделированию? У этого вопроса есть политические нюансы, особенно здесь, в США. Однако я постараюсь дать аполитичный ответ. Я считаю, что функция-ответ в этом примере вызывает гораздо больше доверия, чем линейные модели, которые так часто встречаются в естественных и социальных науках. Линейные модели часто выбирают только по причине удобства. Для сравнения: климатические модели отражают более чем вековые исследования физиков, метеорологов и климатологов. Это усилия ученых понять процессы, которые определяют нашу погоду и климат. По любым нормальным научным стандартам климатические модели являются веским и убедительным доказательством, но с одной оговоркой. Хотя они превосходно предсказывают погоду на несколько дней вперед, они никогда не проверялись в перспективных исследованиях на протяжении веков, поэтому все еще содержат систематические ошибки, о которых мы не знаем.

Мир контрфактивного

Мир контрфактивного

Я надеюсь, к этому моменту уже очевидно, что контрфактивные суждения — важный инструмент познания мира и нашего воздействия на него. Хотя мы никогда не сможем пройти по обеим дорожкам, расходящимся в лесу, во многих случаях получится с достаточной уверенностью предсказать, куда они ведут.

Несомненно, разнообразие и богатство причинно-следственных запросов, которые обрабатываются с помощью причинного вывода, значительно возрастет, если мы включим в них контрфактивные утверждения. Другой очень популярный тип запроса, который я здесь не обсуждал, называется влиянием лечения на получивших его (the Effect of Treatment on the Treated; ETT). Он используется, чтобы оценить, являются ли люди, имевшие доступ к лечению, теми, кто получит от него наибольшую пользу. Этот показатель гораздо лучше отражает эффективность лечения, чем средний причинный эффект (the Average CaUsal Effect; ACE). ACE, который вы получите в результате рандомизированного контролируемого исследования, усредняет эффективность лечения для всей группы людей. Но что, если на практике те, кого взяли в программу, не получат от лечения наибольшую пользу? Чтобы оценить общую эффективность программы, используется ETT, которое показывает, какой эффект наблюдался бы у пациентов с неудачным исходом лечения, если бы их не лечили. Это контрфактивная мера, имеющая важнейшее значение для принятия практических решений. Мой бывший ученик Илья Шпицер (ныне сотрудник Университета Джонса Хопкинса) сделал для ETT то же, что do-исчисление сделало для ACE, — четко показал, когда его оценивают по данным с использованием диаграммы причинности.