Новая рабочая статья экономистов Раджа Четти, Джейми Фогеля, Лоуренса Ф. Каца, Кадима Норэя, Сони Портер и Джеймса Райзингера сообщает, что модели машинного обучения, построенные на масштабных административных данных, способны оценивать влияние программ профессионального обучения на заработки с точностью, сопоставимой с рандомизированными контролируемыми испытаниями (РКИ). Полный текст статьи доступен в формате PDF на сайте Opportunity Insights.

От небольших опросов к общенациональным налоговым данным

Современная оценка программ традиционно отдает приоритет данным РКИ, в которых участники случайным образом распределяются в экспериментальную и контрольную группы, что позволяет выделить эффект программы из других факторов. Правительства и исследователи полагаются на такие эксперименты, поскольку наблюдательные оценки воздействия программ нередко существенно расходятся с экспериментальными ориентирами — на эту проблему экономисты указывают еще с 1980-х годов. Как отмечают авторы новой статьи, те прежние выводы основывались на небольших выборках опросов. Исследование возвращается к этому вопросу в эпоху масштабных административных данных — в то время, когда проведение эксперимента для каждой государственной программы редко осуществимо по соображениям стоимости, логистики или этики. Административные данные предлагают альтернативную доказательную базу: записи, создаваемые в ходе рутинных государственных функций — включая подачу налоговых деклараций, — охватывающие целые популяции, а не малые выборки опросов, лежавшие в основе прежних выводов о расхождениях.

Используя анонимизированные налоговые записи о доходах, охватывающие всех взрослых американцев с 1999 по 2025 год, исследователи оценивают влияние программ профессионального обучения на заработки. Модели машинного обучения прогнозируют контрфактические результаты — то, что участники заработали бы без участия в программе, — на основе подробных данных о предшествующей трудовой истории, демографических характеристиках и местах проживания.

Совпадение с экспериментальным ориентиром

Вместо проверки того, являются ли наблюдательные оценки несмещенными, авторы используют 37 РКИ для оценки распределения их смещения — валидация охватывает десятки отдельных экспериментов, а не один эталонный. Оценки машинного обучения практически совпадают с оценками РКИ: среднеквадратичная ошибка (RMSE) — стандартная мера отклонения оценок от аппроксимируемых значений — сопоставима с RMSE самих испытаний. Согласно статье, этот подход снижает RMSE на 60% по сравнению с параметрическими оценщиками, применявшимися в прежних работах, поскольку более крупные выборки и более богатые ковариаты позволяют строить более гибкие многомерные модели контрфактических исходов.

Где концентрируются выгоды

Применив метод к более широкому набору площадок и лет набора за пределами экспериментальной выборки, авторы обнаружили, что влияние программ на заработки существенно различается по местам и во времени даже в рамках одной программы — то есть одна и та же программа может давать совершенно разную отдачу в зависимости от места и времени ее проведения. Программы, которые трудоустраивают больше участников в рабочие места целевого сектора, дают наибольший прирост заработков, при этом эффект сохраняется даже после того, как участники покидают свои первые рабочие места.

По словам авторов, эти выводы служат ориентиром для совершенствования программ профессионального обучения и в более широком смысле демонстрируют масштабируемый подход к оценке программ: использование наблюдательных данных для построения «экспериментально валидированных цифровых двойников». В рамках этой схемы эксперименты сохраняют центральную роль как эталон, по которому калибруются и проверяются оценки на основе данных, тогда как административные данные расширяют оценку на площадки, годы и программы, где рандомизированные испытания не проводились. Статья применяет метод к профессиональному обучению, и то, насколько он применим в других областях оценки политики, еще предстоит показать последующим исследованиям.

Статья была отмечена в блоге Marginal Revolution — экономическом блоге, основанном Тайлером Коуэном и Алексом Табарроком, — в публикации от 11 ноября 2026 года. Сопровождающий комментарий был однозначным: «Подобная работа революционизирует экономический метод».

Как рабочая статья, исследование распространяется в формате, который исследователи обычно используют для публикации результатов до выхода в журнале и сопровождающего рецензирования, что означает ранний этап исследовательского процесса для этих результатов.

Четти и Кац — оба экономисты Гарвардского университета. Четти руководит Opportunity Insights — исследовательской организацией при Гарварде, занимающейся экономическими возможностями и мобильностью, на сайте которой размещена рабочая статья. Кац, экономист-трудовик, давно изучает заработную плату, образование и технологические изменения.