4.4.2 عدم تجانس اثرات درمان

آزمایشات به طور معمول اثرات متوسط ​​را اندازه گیری می کنند، اما احتمالا برای همه افراد یکسان نیست.

ایده کلیدی دوم برای فراتر رفتن از آزمایشهای ساده، ناهمگونی اثرات درمان است . آزمایش Schultz et al. (2007) قویا نشان می دهد که چگونه درمان مشابه می تواند تاثیر متفاوتی بر انواع مختلف افراد داشته باشد (شکل 4-4). با این حال، در اکثر آزمایشات آنالوگ، محققان به طور متوسط ​​اثرات درمان را متمرکز کردند، زیرا تعداد کمی از شرکت کنندگان وجود داشت و در مورد آنها کم است. با این حال، در آزمایشات دیجیتال، اغلب شرکت کنندگان بیشتر هستند و بیشتر در مورد آنها شناخته شده است. در این محیط داده های مختلف، محققانی که تنها به طور متوسط ​​اثرات درمان را تخمین می زنند، روش هایی را که تخمین ها در مورد ناهمگونی اثرات درمان می تواند ارائه دهد، نشان می دهد که چگونه درمان چگونه کار می کند، چگونه می توان آن را بهبود بخشید و چگونه می توان آن را هدف قرار داد به کسانی که به احتمال زیاد به نفع.

دو نمونه از ناهمگونی اثرات درمان از تحقیقات اضافی در گزارشات انرژی خانگی است. ابتدا، Allcott (2011) از حجم نمونه بزرگ (600،000 خانوار) ​​برای جمع آوری نمونه بیشتر استفاده کرد و اثرات گزارش انرژی خانه را با استفاده از decil از مصرف انرژی قبل از درمان محاسبه کرد. در حالی که Schultz et al. (2007) تفاوت بین کاربران سنگین و سبک را در بر داشت، Allcott (2011) دریافت که تفاوت در گروه سنگین و سبک کاربر نیز وجود دارد. برای مثال، سنگین ترین کاربران (کسانی که در قله بالا هستند) مصرف انرژی خود را دو برابر بیشتر از افرادی که در وسط گروه کاربر سنگین استفاده می کردند کاهش داد (شکل 4.8). علاوه بر این، برآورد اثر با رفتار پیش درمان نیز نشان داد که اثر بومرنگ حتی برای سبکترین کاربران (شکل 4.8) وجود ندارد.

شکل 4.8: ناهمگونی اثرات درمان در Allcott (2011) . کاهش مصرف انرژی برای افرادی که در مقادیر مختلف استفاده از خطوط اصلی بودند متفاوت بود. از Allcott (2011) ، شکل 8 اقتباس شده است.

Costa and Kahn (2013) بر این باورند که اثربخشی گزارش انرژی خانه می تواند بر اساس ایدئولوژی سیاسی شرکت کننده متفاوت باشد و این درمان در واقع ممکن است باعث ایجاد افرادی با ایدئولوژی های خاص برای افزایش مصرف برق خود شود. به عبارت دیگر، آنها حدس زدند که گزارش های خانه انرژی ممکن است یک اثر بومرنگ برای برخی از افراد ایجاد کند. برای ارزیابی این احتمال، کوستا و کان، داده های Opower را با داده هایی که از یک جمع کننده شخص ثالث خریداری شده بودند شامل اطلاعاتی نظیر ثبت نام حزب سیاسی، کمک های مالی به سازمان های زیست محیطی و مشارکت خانوار در برنامه های انرژی تجدید پذیر، ادغام کردند. با این مجموعه داده های ادغام شده، کاستا و کان دریافتند که گزارش های انرژی خانگی، اثرات مشابهی را برای شرکت کنندگان با ایدئولوژی های مختلف ایجاد می کند؛ شواهدی وجود ندارد که هیچکدام از گروه ها اثرات بومرنگ را نشان دهد (شکل 4.9).

شکل 4.9: ناهمگونی اثرات درمان در Costa and Kahn (2013) . میانگین اثرات درمان میانگین برای کل نمونه -2.1٪ (-1.5٪، -2.7٪) است. پس از ترکیب اطلاعات از آزمایش با اطلاعات مربوط به خانوارها، Costa and Kahn (2013) از مجموعه ای از مدل های آماری برای تخمین اثر درمان برای گروه های خاصی از افراد استفاده کردند. دو برآورد برای هر گروه ارائه می شود، زیرا برآوردها بستگی به متغیرهایی که در مدل های آماری آنها وجود دارد (مدل های 4 و 6 در جداول 3 و 4 در Costa and Kahn (2013) ). همانطور که در این مثال نشان داده شده است، اثرات درمان ممکن است برای افراد مختلف متفاوت باشد و برآوردهای اثرات درمان که از مدل های آماری حاصل می شود، می تواند بر جزئیات این مدل ها بستگی دارد (Grimmer, Messing, and Westwood 2014) . اقتباس از Costa and Kahn (2013) ، جداول 3 و 4.

همانطور که این دو نمونه نشان می دهد، در عصر دیجیتال می توانیم از برآورد میانگین اثرات درمان به برآورد ناهمگونی اثرات درمان جلوگیری کنیم، زیرا می توانیم تعداد بیشتری از شرکت کنندگان را داشته باشیم و بیشتر در مورد آن شرکت کنندگان بدانیم. یادگیری در مورد ناهمگونی اثرات درمان میتواند هدفمندسازی درمان را در جایی که آن را موثرتر انجام دهد، فراهم کند، واقعیت هایی را که تحول نظريه جدید را تحریک می کند، فراهم می کند و اشاره ای به مکانیزم های احتمالی می کند، موضوعی که من در حال حاضر به آن اشاره می کنم.