4.4.2 عدم تجانس اثرات درمان

آزمایش به طور معمول اثر متوسط ​​اندازه گیری، اما اثر می تواند برای افراد مختلف متفاوت است.

ایده اصلی دوم برای حرکت فراتر از آزمایش های ساده ناهمگونی از اثرات درمان است. آزمایش از Schultz et al. (2007) با قدرت نشان میدهد که چگونه درمان می تواند همان اثرات متفاوتی بر روی انواع مختلف از مردم (شکل 4.4) داشته باشد، اما این تحلیل از ناهمگونی است که در واقع کاملا غیر معمول برای یک آزمایش عصر آنالوگ. ترین آزمایش های عصر آنالوگ شامل تعداد کمی از شرکت کنندگان که به عنوان "ابزارک" قابل تعویض برخورد شود چون کمی در مورد آنها شناخته شده است قبل از درمان. در آزمایش های دیجیتال، با این حال، این محدودیت داده کمتر رایج از آنجا که محققان تمایل دارند که شرکت کنندگان بیشتر و دانستن بیشتر در مورد آنها می باشد. در این محیط های مختلف داده ها، ما می توانیم ناهمگونی از عوارض درمان به منظور ارائه سرنخ در مورد چگونگی درمان کار می کند، چگونه می توان آن بهبود یافته است، و چگونه می توان آن را به کسانی که بیشتر به احتمال زیاد به نفع هدف قرار برآورد.

دو نمونه از ناهمگونی از عوارض درمان در زمینه هنجارهای اجتماعی و استفاده از انرژی از تحقیقات بیشتری در خانه گزارشها انرژی آمده است. اول، Allcott (2011) با استفاده از حجم نمونه بزرگ (600000 خانوار) ​​به تقسیم بیشتر نمونه و برآورد اثر از صفحه اصلی گزارش انرژی توسط دهک های استفاده از انرژی قبل از درمان. در حالی که Schultz et al. (2007) پیدا شده است تفاوت بین کاربران سنگین و سبک، Allcott (2011) دریافتند که همچنین تفاوت در گروه کاربران سنگین و سبک وجود دارد. به عنوان مثال، سنگین ترین کاربران (کسانی که در دهک بالا) دو برابر به عنوان کسی که در وسط گروه کاربران سنگین (شکل 4.7) کاهش مصرف انرژی خود را. علاوه بر این، برآورد اثر رفتار قبل از درمان نیز نشان داد که اثر بومرنگ حتی برای سبک ترین کاربران (شکل 4.7) وجود ندارد.

شکل 4.7: عدم تجانس اثرات درمان در Allcott (2011). کاهش در مصرف انرژی برای مردم در دهک های مختلف استفاده از پایه متفاوت بود.

شکل 4.7: عدم تجانس اثرات درمان در Allcott (2011) . کاهش در مصرف انرژی برای مردم در دهک های مختلف استفاده از پایه متفاوت بود.

در مطالعه مشابه، Costa and Kahn (2013) بر این باورند که اثر از صفحه اصلی گزارش انرژی می تواند متفاوت در ایدئولوژی سیاسی یکی از شرکت کنندگان و که درمان ممکن است در واقع مردم را با ایدئولوژی های خاص برای افزایش مصرف برق خود را بر اساس. به عبارت دیگر، آنها این باورند که خانه گزارشها انرژی ممکن است ایجاد یک اثر بومرنگ برای برخی از انواع از مردم است. برای ارزیابی این احتمال، کوستا و کان ادغام داده Opower با داده های خریداری شده از یک گردآورنده شخص ثالث است که مانند ثبت نام حزب سیاسی حزب، کمک های مالی به سازمان محیط زیست و مشارکت خانواده در برنامه انرژی های تجدید پذیر شامل اطلاعات. با استفاده از این مجموعه داده ادغام، کوستا و کان پیدا شده است که خانه گزارشها انرژی اثرات مشابهی را برای شرکت کنندگان با ایدئولوژی های مختلف تولید؛ هیچ مدرکی وجود ندارد که هر گروه اثر بومرنگ (شکل 4.8) به نمایش گذاشته است.

شکل 4.8: عدم تجانس اثرات درمان در کوستا و کان (2013). متوسط ​​اثر درمان برآورد برای کل نمونه -2.1٪ [-1.5٪، -2.7٪] است. با ترکیب اطلاعات حاصل از این آزمایش با اطلاعات در مورد خانواده، کوستا و کان (2013) با استفاده از یک سری از مدل های آماری برای برآورد اثر درمان برای گروه بسیار خاص از مردم است. دو تخمین برای هر گروه ارائه زیرا تخمین می زند در متغیرهای کمکی آنها در مدل های آماری خود را شامل بستگی دارد (نگاه کنید به مدل 4 و مدل 6 در جدول 3 و جدول 4 در کوستا و کان (2013)). از آنجا که این مثال نشان می دهد، اثرات درمان می تواند برای مردم و برآورد اثرات درمان های مختلف است که از مدل های آماری آمده می توانید بر روی جزئیات از این مدل بستگی دارد مختلف (ترسناکتر، از دست، و وست وود 2014).

شکل 4.8: عدم تجانس اثرات درمان در Costa and Kahn (2013) . متوسط ​​اثر درمان برآورد برای کل نمونه -2.1٪ [-1.5٪، -2.7٪] است. با ترکیب اطلاعات حاصل از این آزمایش با اطلاعات در مورد خانواده ها، Costa and Kahn (2013) با استفاده از یک سری از مدل های آماری برای برآورد اثر درمان برای گروه بسیار خاص از مردم است. دو تخمین برای هر گروه ارائه زیرا تخمین می زند در متغیرهای کمکی آنها در مدل های آماری خود را شامل بستگی دارد (نگاه کنید به مدل 4 و مدل 6 در جدول 3 و جدول 4 در Costa and Kahn (2013) ). از آنجا که این مثال نشان می دهد، اثرات درمان می تواند برای مردم و برآورد اثرات درمان های مختلف است که از مدل های آماری آمده می توانید بر روی جزئیات از این مدل بستگی دارد متفاوت (Grimmer, Messing, and Westwood 2014) .

همانطور که این دو مثال، در عصر دیجیتال، ما می توانیم از برآورد اثرات درمان به طور متوسط ​​به برآورد ناهمگونی از عوارض درمان زیرا ما می توانیم بسیاری از شرکت کنندگان بیشتری دارند و به ما بیشتر در مورد کسانی که شرکت کنندگان می دانم حرکت می کند. یادگیری در مورد عدم تجانس اثرات درمان می توانید فعال هدف قرار دادن یک درمان که در آن مؤثرتر است، ارائه حقایق که باعث تحریک نظریه پردازی جدید، و ارائه نکات در مورد ساز و ممکن است، موضوع که من در حال حاضر تبدیل شود.