4.4.2 Různorodost účinků léčby

Experimenty normálně měří průměrný efekt, ale efekt pravděpodobně není pro všechny stejný.

Druhou klíčovou myšlenkou pro překročení jednoduchých experimentů je heterogenita léčebných účinků . Experiment Schultz et al. (2007) silně ilustruje, jak může mít stejná léčba jiný účinek na různé druhy lidí (obrázek 4.4). Ve většině analogových experimentů se však vědci zaměřili na průměrné účinky léčby, protože v nich bylo jen málo účastníků a o nich bylo málo známo. V digitálních experimentech však často existuje mnoho dalších účastníků a o nich ví o nich víc. V tomto odlišném datovém prostředí budou vědci, kteří i nadále odhadují pouze průměrné efekty léčby, budou chybět způsoby, jak by odhady heterogenity léčebných účinků mohly poskytnout stopy o tom, jak léčba funguje, jak ji lze zlepšit a jak může být cílena těm, kteří s největší pravděpodobností budou mít prospěch.

Dva příklady heterogenity léčebných účinků pocházejí z dalšího výzkumu zpráv o domácí energii. Za prvé, Allcott (2011) použil velkou velikost vzorku (600 000 domácností), aby dále rozdělil vzorek a odhadoval vliv zprávy o domácí energii o decile před použitím energie. Zatímco Schultz et al. (2007) zjistil rozdíly mezi těžkými a lehkými uživateli, Allcott (2011) zjistil, že existují také rozdíly v těžké a lehké uživatelské skupině. Například nejtěžší uživatelé (ti v horní decile) snížili spotřebu energie dvakrát tolik, než někdo uprostřed skupiny těžkých uživatelů (obrázek 4.8). Dále, odhady účinku chování před léčbou také ukázaly, že žádný účinek bumerangu nebyl dokonce ani pro nejsvětlejší uživatele (obrázek 4.8).

Obrázek 4.8: Heterogenita léčebných účinků v Allcott (2011) . Pokles spotřeby energie se lišil u lidí v různých decilech základního využití. Přizpůsobeno od společnosti Allcott (2011) , obrázek 8.

V související studii Costa and Kahn (2013) spekulovaly, že efektivita Zpráv o domácí energii by se mohla lišit podle politické ideologie účastníka a že léčba by mohla skutečně způsobit, že lidé s určitými ideologymi zvýší své využití elektřiny. Jinými slovy, oni spekulovali, že zprávy o domácí energii mohou vytvářet bumerangový efekt pro některé typy lidí. Aby mohla tato možnost posoudit, Costa a Kahn sloučily údaje společnosti Opower s údaji zakoupenými od agregátorů třetích stran, které obsahovaly informace jako například registrace politických stran, dary organizacím zabývajícím se ochranou životního prostředí a účast domácností na programech zaměřených na obnovitelnou energii. S tímto spojeným datovým souborem Costa a Kahn zjistili, že zprávy o domácí energii vedly k obecně podobným účinkům pro účastníky s různými ideologiemi; nebyl žádný důkaz, že by nějaká skupina měla bumerangové účinky (obrázek 4.9).

Obrázek 4.9: Heterogenita léčebných účinků v Costa and Kahn (2013) . Odhad průměrného účinku léčby pro celý vzorek je -2,1% [-1,5%, -2,7%]. Po sdružování informací z experimentu s informacemi o domácnostech použila Costa and Kahn (2013) řadu statistických modelů pro odhad léčebného účinku pro velmi specifické skupiny lidí. Pro každou skupinu jsou uvedeny dva odhady, protože odhady jsou závislé na koeficientu, který zahrnovali ve svých statistických modelech (viz modely 4 a 6 v tabulkách 3 a 4 v Costa and Kahn (2013) ). Jak ukazuje tento příklad, účinky léčby mohou být u různých lidí různé a odhady účinku léčby ze statistických modelů mohou záviset na podrobnostech těchto modelů (Grimmer, Messing, and Westwood 2014) . Přizpůsobeno z Costa and Kahn (2013) , tabulky 3 a 4.

Jak tyto dva příklady ilustrují, v digitálním věku můžeme přejít z odhadu průměrných účinků léčby na odhad heterogenity účinků léčby, protože můžeme mít mnohem více účastníků a o těchto účastnících víme více. Učení o heterogenitě léčebných účinků může umožnit cílování léčby tam, kde je to nejefektivnější, poskytnout fakty, které stimulují vývoj nových teorií a poskytují náznaky možných mechanismů, téma, na které se nyní obracím.