В случае устойчивых данных добавление члена, характеризующего взаимодействие, или подгонка кривой – не единственное возможное решение. Существует альтернативная стратегия – анализ данных (data mining). При начертании кривой зависимые и независимые переменные фиксируют и подыскивают математическую функцию, которая даст хорошее статистическое соответствие при таких показателях. При анализе данных фиксируют математическую функцию (обычно это простая аддитивная модель) и подыскивают независимые переменные, которые хорошо сочетаются с зависимой переменной. Предположим, что хорошим сочетанием мы полагаем корреляцию, для которой вероятность случайного совпадения составляет 5 %. В исследовании любого сложного социального явления, такого как доход, можно с легкостью перечислить дюжину переменных, которые могут оказывать свое влияние[43]. Кроме того, есть, наверное, полдюжины способов концептуализировать доход. Крайне маловероятно, чтобы при каком-нибудь из определений дохода ни одна из независимых переменных не показала корреляцию на 5 %-м уровне[44]. Теория вероятности гласит, что самым невероятным совпадением было бы полное отсутствие невероятных совпадений[45].
Как только ученый подобрал подходящую математическую функцию или подходящий ряд зависимых или независимых переменных, он может подыскивать каузальную историю, которая подскажет, как обосновать результаты его изысканий. Когда он описывает результаты для научной публикации, зачастую он представляет все в обратном порядке. Он пишет, что начал с каузальной теории, затем стал искать наиболее достоверный путь ее трансформации в формальную гипотезу и нашел ей подтверждение в данных[46]. Это все лженаука. В естественных науках нет необходимости в том, чтобы логика оправдания соответствовала логике открытия. Как только гипотеза сформулирована в окончательной форме, ее генезис уже не имеет значения. Значение имеют последствия гипотезы, а не истоки. Так происходит потому, что гипотеза может быть проверена на бесконечном числе наблюдений, далеко выходящих за рамки тех, что первоначально подсказали ученому саму эту гипотезу. В социальных (и в гуманитарных) науках для большинства объяснений используется конечный ряд данных. Поскольку процедура сбора данных зачастую не стандартизирована, ученые могут быть лишены возможности проверять гипотезы, используя новые данные[47]. И даже если процедуры действительно стандартные, данные могут не отразить меняющуюся реальность. Невозможно, например, объяснить модели потребления, не принимая в расчет новые продукты и изменение цен на старые.
Без сомнения, практики такого рода имеют место. Я не знаю, насколько широко они распространены, но они встречаются довольно часто, чтобы обеспокоить представителей социальных наук. Главная причина этой проблемы, возможно, – наше неадекватное представление о каузальности со многими ее факторами. Если бы у нас было глубокое понимание того, как при производстве следствия могут взаимодействовать несколько причин, нам не пришлось бы полагаться на механическую процедуру добавления члена, характеризующего взаимодействие, когда не работают аддитивные модели. Но из-за слабости понимания мы в самом деле не знаем, что искать, и тогда возня с моделями кажется единственной альтернативой – по крайней мере пока мы сохраняем амбициозную цель дать объяснения, подобные законам. Учитывая опасности такой возни, нам, возможно, следует умерить амбиции.