4.4.2 Různorodost účinků léčby

Experimenty běžně měřit průměrnou účinek, ale efekt může být různé pro různé osoby.

Druhým klíčovým Myšlenka pohybuje nad jednoduchých experimentů je heterogenita léčebných účinků. Experiment Schultz et al. (2007) mocně ukazuje, jak stejné zacházení mohou mít různé účinky na různé typy lidí (obrázek 4.4), ale tato analýza heterogenity je vlastně docela neobvyklé pro analogový věku experimentu. Většina analogových věk experimenty zahrnovat malý počet účastníků, které jsou považovány za zaměnitelné "widgety", protože jen málo o nich známo, před zahájením léčby. V digitálních experimentech, nicméně, tyto datové omezení jsou méně časté, protože badatelé mají tendenci mít více účastníků a dozvědět se více o nich. V tomto jiném prostředí dat, můžeme odhadnout různorodost léčebných účinků s cílem poskytnout indicie o tom, jak funguje léčba, jak může být zlepšena, a jak mohou být zaměřeny na ty většinou pravděpodobně těžit.

Dva příklady různorodosti léčebných účinků v souvislosti se sociálními normami a využívání energie pocházet z dalšího výzkumu zaměřeného na domácí energetické Reports. Za prvé, Allcott (2011) použil velké velikosti vzorku (600.000 domácnosti) dále rozdělit vzorek a odhadnout jejich účinek Home Energy zprávy o decilu spotřeby energie před léčbou. Zatímco Schultz et al. (2007) zjistil, rozdíly mezi těžké a lehké uživatele, Allcott (2011) zjistili, že tam byly také rozdíly v rámci těžkého a lehkého skupinu uživatelů. Například nejtěžší uživatelé (ty v horním decilu) snížila jejich spotřebu energie dvojnásobek toho, co někdo ve středu těžkého skupiny uživatelů (obrázek 4.7). Dále se odhaduje efekt chováním před zahájením léčby také ukázal, že tam nebyl bumerang efekt i pro nejlehčích uživatele (obr 4.7).

Obrázek 4.7: Různorodost účinků léčby v Allcott (2011). Snížení spotřeby energie byl odlišný pro lidi v různých deciles ze základní použití.

Obrázek 4.7: Různorodost účinků léčby v Allcott (2011) . Snížení spotřeby energie byl odlišný pro lidi v různých deciles ze základní použití.

V příbuzném studii, Costa and Kahn (2013) spekuloval, že účinnost Home Energy zprávy by mohly lišit v závislosti na účastníka politické ideologie a že úprava by ve skutečnosti mohly způsobit, že lidé s jistými ideologiemi cílem zvýšit jejich využívání elektřiny. Jinými slovy, oni spekulovali, že domácí Energetické Zprávy mohou být vytvoření bumerang efekt pro některé typy lidí. Aby bylo možné posoudit tuto možnost, Costa a Kahn sloučil údaje Opower s daty zakoupené od třetích stran agregátor na který zahrnoval informace, jako je registrace politických stran, dary organizacím prostředí a účasti domácností v programech obnovitelných zdrojů energie. Díky této sloučené datové sady, Costa a Kahn zjistil, že Home Energy Reports vyrábí v podstatě podobné účinky pro účastníky s různými ideologiemi; neexistuje žádný důkaz, že každá skupina vykazovala boomerangových účinky (Obrázek 4.8).

Obrázek 4.8: Různorodost účinků léčby v Costa a Kahn (2013). Odhadovaný průměrný léčebný efekt pro celý vzorek je -2,1% [-1,5% -2,7%]. Spojením informací z experimentu s informacemi o domácnostech, Costa a Kahn (2013) používal sérii statistických modelů pro odhad léčebný účinek pro velmi specifické skupiny lidí. Dva odhady jsou uvedeny pro každou skupinu, protože odhady závisí na proměnných, které zahrnuty ve svých statistických modelů (viz Model 4 a model 6 v tabulce 3 a tabulce 4 Costa a Kahn (2013)). Jako tento příklad ukazuje, účinky léčby mohou být různé pro různé lidi a odhadů léčebných účinků, které pocházejí ze statistických modelů může záviset na podrobnostech těchto modelů (Grimmer, Messing, a Westwood 2014).

Obrázek 4.8: Různorodost účinků léčby v Costa and Kahn (2013) . Odhadovaný průměrný léčebný efekt pro celý vzorek je -2,1% [-1,5% -2,7%]. Spojením informací z experimentu s informacemi o domácnostech, Costa and Kahn (2013) používal sérii statistických modelů pro odhad léčebný účinek pro velmi specifické skupiny lidí. Dva odhady jsou uvedeny pro každou skupinu, protože odhady závisí na proměnných, které zahrnuty ve svých statistických modelů (viz Model 4 a model 6 v tabulce 3 a tabulce 4 Costa and Kahn (2013) ). Jako tento příklad ukazuje, účinky léčby mohou být různé pro různé lidi a odhadů léčebných účinků, které pocházejí ze statistických modelů může záviset na podrobnostech těchto modelů (Grimmer, Messing, and Westwood 2014) .

Stejně jako tyto dva příklady ilustrují, v digitálním věku, můžeme přejít od odhadu průměrné účinky léčby pro odhadem různorodost léčebných účinků, protože můžeme mít mnohem více účastníků a víme víc o těch účastníků. Učení o heterogenity účinků léčby může umožnit zacílení léčby, kde je nejúčinnější, předložili důkazy, které stimulují vývoj nových teorií, a poskytují rady o možném mechanismu, na téma, ke kterému teď přistupuji.