La ricerca cliometrica, l'applicazione di metodi quantitativi alla storia economica, ha rivoluzionato la nostra comprensione dello sviluppo economico a lungo termine, del cambiamento istituzionale e delle radici della prosperità moderna.

La natura della scarsità di dati nella ricerca economica storica

La scarsità di dati nelle cliometriche non è solo una questione di piccole dimensioni di campione. Essa riflette la incompletezza fondamentale dei record storici: i governi non sempre raccolgono le statistiche di cui abbiamo bisogno; guerre, incendi e decadimento burocratico distrutte archivi; e le convenzioni di registrazione erano irregolari in regioni e epoche.

Fonti di scarsità

  • Perdita fisica:[ La Biblioteca di Alessandria è solo l'esempio più famoso. Migliaia di registri parrocchiali, le guide mercantili e i documenti di stato sono periti attraverso il fuoco, l'alluvione, la negligenza, o la distruzione deliberata (ad esempio, il bombardamento di Napoli del 1943 ha distrutto secoli di dati commerciali medievali).
  • Sopravvivenza selettiva:[] I registri che sopravvivono spesso favoriscono il literato, il ricco, l'urbano e il maschio. I contadini rurali, le donne e le popolazioni indigene appaiono solo intermittentemente – se del tutto – creando lacune sistematiche che possono bias analisi economiche del benessere o della disuguaglianza.
  • I confini amministrativi sono:[] Un comune che si fuse, si scisse o cambiò nome attraverso secoli rende i pannelli longitudinali quasi impossibili senza un'attenta armonizzazione e georifessione.
  • bassa frequenza di misura:[ La maggior parte delle statistiche premoderne sono state raccolte a intervalli irregolari – a volte ogni decennio, a volte una volta al secolo.

Queste scarsità costringono i cliometriani ad adottare ciò che potrebbe essere chiamato “epistemologia pratica”: lavorare con le migliori prove disponibili, pur riconoscendo apertamente le sue lacune. I dataset risultanti sono spesso pannelli non bilanciati[ o ] sezioni incrociate con molte cellule mancanti, che utilizzano le tecniche standard[

Conseguenze della Scarsità per Modelli Economici

Quando mancano le variabili, i ricercatori possono ricorrere a variabili proxy] che solo scarsamente catturano il concetto di interesse. Ad esempio, utilizzando il numero di stazioni ferroviarie come proxy per l'integrazione di mercato ignora il trasporto stradale e fluviale. In alternativa, potrebbero cadere le osservazioni con i dati mancanti, riducendo la dimensione del campione e potenzialmente introducendo la selezione di bias.

Forse più insidioso è la tendenza a fare affidamento su supposizioni forti[] sui processi generativi di dati. I ricercatori spesso assumono che i dati mancanti “mangono a caso” condizionalmente sugli osservabili, un ricorso raramente defensibile in ambienti storici. L'upshot è che molti risultati cliometrici vengono con ampi intervalli di fiducia e una elevata sensibilità alla specificazione – un metodo non sbagliato-nica.

La dimensione di qualità: errore, bias e inconsistenza

Anche quando i dati storici sopravvivono, la loro qualità è ben lungi dall’essere garantita. La qualità dei dati comprende accuratezza, coerenza, completezza e libertà da parte di sistemi di bias. Le fonti storiche sono state create per scopi amministrativi, fiscali o legali, non per l’analisi scientifica moderna.

Forme comuni di qualità dei dati poveri

  • Errori di trascrizione:[] I registri a manoscritti sono inclini a non leggere; uno studio ha scoperto che i clerks nelle fabbriche britanniche del XIX secolo hanno sbagliato la produzione del 5-10%. Quando digitalizzato tramite riconoscimento ottico dei caratteri (OCR), i font storici introducono ulteriori errori – ad esempio, "1642" diventa "164Z".
  • Definizioni di bilancio:[[] La categoria “urban” potrebbe essere passata da 2.000 abitanti nel 1800 a 10.000 nel 1900. “Prezzi di grano” potrebbe escludere i costi di trasporto in un archivio ma includerli in un altro. Tali incongruenze possono generare rotture strutturali fantasma.
  • Rounding e heaping:[ L'invecchiamento che si alza – la tendenza a segnalare le età che terminano in 0 o 5 – è noto nei dati del censimento del XIX secolo, biasing stime demografiche. I prezzi sono stati spesso arrotondati al più vicino shilling o peseta, sopprimendo la varianza.
  • Le valutazioni fiscali hanno omesso le famiglie più povere. I giornali hanno coperto eventi drammatici, non il commercio di tutti i giorni. Utilizzando tali fonti senza correzioni, si ottiene un quadro distorto dell'attività economica.
  • Unità di misura:[] Un “bushel” variato da merce e regione; “pounds sterlina” cambiava in argento nel corso dei secoli. Senza un’attenta conversione metrologica, la serie di prezzi diventa non comparabile.

L’effetto cumulativo di questi problemi di qualità è errore di misura, che si contrappone ai coefficienti di regressione verso zero (errore classico invariabile) o in direzioni imprevedibili (errore non classico). Ad esempio, le stime di reddito pro capite basate su dati salariali urbani in gran parte supereranno il reddito nazionale se il settore rurale è sottorappresentato.

Bias in Record storico-Keeping

I ricercatori di una società di servizi, che si occupa di servizi di consulenza, sono responsabili di un'attività di consulenza e di consulenza, che è stata condotta in modo da poter svolgere un ruolo di primo piano.

Il classico esempio è il dibattito “Grande Divergenza”: le stime cliometriche anticipate del PIL cinese pre-1800 erano basate sui dati dei prezzi standard europei, ma in seguito il lavoro utilizzando i rotoli fiscali della dinastia Ming ha rivelato livelli molto più elevati di produttività agricola, sfidando la narrazione di un solo dato asiatico.

Strategie per la riduzione della scarsità e dei problemi di qualità

I cliometristi hanno sviluppato un ricco toolkit per affrontare queste sfide: la scelta della strategia dipende dalla natura della mancanza o dell'errore e dalla domanda di ricerca.

Imputazione dei dati e Imputazione multipla

Quando mancano i dati di perdita, ma il modello è plausibilmente casuale condizionale sugli osservabili, imputazione] può colmare le lacune. L’imputazione singola (ad esempio, sostituendo i valori mancanti con la media o l’ultima osservazione) è semplice ma riduce artificialmente la varianza.

Tracciamento e triangolazione

Prima di qualsiasi correzione statistica, i ricercatori dovrebbero cross-verify] dati contro fonti indipendenti. Ad esempio, una serie di prezzi da un registro mercantile può essere controllata contro i registri del mercato municipale, i rapporti di giornale e anche i manifesti di nave.

Modelli statistici Robusto

Le variabili strutturali (IV)[FLT: 1)] possono correggere gli errori di misura in un regressore chiave, a condizione che esista uno strumento valido Effetti registrati assorbire i tempi invarianti non osservabili (ad esempio, la raccolta di dati persistente dataase

Avanzamenti di apprendimento e digitalizzazione della macchina

I dati relativi alla creazione di un sistema di analisi dei dati (FLT: 1) sono stati utilizzati per la creazione di un sistema di analisi dei dati, che è stato utilizzato per la creazione di un sistema di analisi dei dati.

Analisi della sensibilità e Replica

Considerata la fragilità dei dati storici, ] dovrebbe essere obbligatoria l'analisi della sensibilità. I ricercatori possono testare come i risultati cambiano quando i valori mancanti sono imputed con diversi algoritmi, quando i repository sono tagliati, o quando il campione è limitato a sottoinsiemi di alta qualità.

Case study: Ricostruire la crescita del PIL nell'Inghilterra moderna

Per vedere queste sfide e strategie in azione, prendere in considerazione la ricostruzione del PIL inglese dal 1600 al 1800. Lavoro cliometrico precoce di W. A. Cole e Phyllis Deane ha disegnato su registri doganali sparsi, stime di produzione agricola e dati salariali, ma ha affrontato grave scarsità: non esistevano conti nazionali prima del 1855.

  • Digitare migliaia di voci dei registri parrocchiali per la produzione agricola (utilizzando HTR per la scrittura a mano).
  • Dati di produzione industriale di qualità incrociata (alta qualità) con rendimenti fiscali accise (sistematico ma probabilmente evaso).
  • Usando l'imputazione multipla per colmare le lacune negli anni in cui i registri portuali di Londra furono distrutti nel Grande Fuoco del 1666.
  • Applicando modelli di fattori dinamici Bayesian per una serie di prezzi errati.

Il dataset risultante rivela che la crescita del PIL pro capite inglese era costante ma modesta (~0,3% all'anno) nel XVII secolo, non la stagnazione precedentemente assunta. Senza un'attenta gestione della scarsità e della qualità, la precedente narrazione della "stagnazione" sarebbe persistita – un testamento dell'importanza di queste correzioni metodologiche.

Le direzioni future

In primo luogo, grandi-scale iniziative di digitalizzazione – come il Transkribus] piattaforma di calcolo per manoscritti storici – stanno facendo rare fonti leggibili in scala senza precedenti.

Tuttavia, la tecnologia non può sostituire la conoscenza del dominio[]]. Capire perché è stato creato un archivio particolare – che lo ha finanziato, quali pressioni politiche esistevano, quali gruppi erano esclusi – rimane essenziale per valutare la qualità dei dati. La migliore ricerca cliometrica combina muscolo computazionale con la lettura profonda storica, trattando la scarsità dei dati e la qualità non come fastidio, ma come oggetti di indagine a loro diritto.

Conclusioni

La scarsità e la qualità dei dati non sono fattori periferici nella ricerca cliometrica; sono centrali alla validità di ogni pretesa sulla storia economica. La scarsità costringe i ricercatori a lavorare con campioni incompleti e non casuali; le questioni di qualità introducono errori e biasi che possono rovesciare le conclusioni.