4.4.2 heterogeenisyys hoidon vaikutusten

Kokeet yleensä mittaavat keskimääräistä vaikutusta, mutta vaikutus ei todennäköisesti ole sama kaikille.

Toinen keskeinen ajatus siirtyä yksinkertaisten kokeiden ulkopuolelle on hoidon vaikutusten heterogeenisuus . Schultz et al. (2007) osoittaa voimakkaasti, miten sama hoito voi vaikuttaa erilaisiin ihmisiin (kuva 4.4). Useimmissa analogisissa kokeissa tutkijat kuitenkin keskittyivät keskimääräisiin hoitovaikutuksiin, koska osallistujien määrä oli pieni ja heistä vähän tiedettiin. Digitaalisissa kokeissa on kuitenkin usein paljon enemmän osallistujia ja niistä tiedetään enemmän. Tässä erilaisessa tietojenkäsittelyympäristössä tutkijat, jotka arvioivat edelleen vain keskimääräisiä hoitovaikutuksia, menettävät keinoja, joilla arviot hoidon vaikutusten heterogeenisuudesta voivat antaa vihjeitä siitä, miten hoito toimii, miten sitä voidaan parantaa ja miten sitä voidaan kohdentaa niille, jotka todennäköisimmin hyötyvät.

Kaksi esimerkkiä hoidon vaikutusten heterogeenisuudesta on peräisin kotitalousraporttien lisätutkimuksesta. Ensinnäkin Allcott (2011) käytti suurta otoskokoa (600 000 kotitaloutta) Allcott (2011) näytteen edelleen ja arvioimaan kotitalouksien energiatehokkuuden vaikutusta kymmenkertaisella esikäsittelyenergian käytöstä. Vaikka Schultz et al. (2007) havaitsivat eroja raskaiden ja kevyiden käyttäjien välillä, Allcott (2011) totesi, että raskaiden ja kevyiden käyttäjäryhmien välillä oli myös eroja. Esimerkiksi raskaimmat käyttäjät (kymmenen suurimman käyttäjän) pienensivät energiankulutustaan ​​kaksi kertaa enemmän kuin raskas käyttäjäryhmän keskellä (kuva 4.8). Lisäksi esikäsittelykäyttäytymisen vaikutusten arvioiminen paljasti myös, että bumerangivaikutusta ei ollut, vaikka kevyimmille käyttäjille (kuva 4.8).

Kuva 4.8: Hoidon vaikutusten heterogeenisyys Allcottissa (2011). Energiankäytön väheneminen oli erilainen eri peruskäytön kymmenien ihmisten kohdalla. Mukautettu Allcottista (2011), kuva 8.

Kuva 4.8: Hoidon vaikutusten heterogeenisyys Allcott (2011) . Energiankäytön väheneminen oli erilainen eri peruskäytön kymmenien ihmisten kohdalla. Mukautettu Allcott (2011) , kuva 8.

Aiheeseen liittyvässä tutkimuksessa Costa and Kahn (2013) arvioivat, että kotiryhmän raportin tehokkuus voi vaihdella osallistujan poliittisen ideologian perusteella ja että hoito saattaisi itse asiassa aiheuttaa tiettyjen ideologisten ihmisten lisäävän sähkönkäyttöään. Toisin sanoen he spekuloivat, että kotitalousraportit saattavat luoda boomerangin vaikutuksen joillekin ihmisille. Tämän mahdollisuuden arvioimiseksi Costa ja Kahn yhdistivät Opower-tiedot kolmansien osapuolten yhteenlaskettuun tietoon, joka sisälsi tietoja, kuten poliittisen puolueen rekisteröintiä, lahjoituksia ympäristöjärjestöille ja kotitalouden osallistumista uusiutuviin energiamuotoihin. Tämän sulautetun aineiston avulla Costa ja Kahn totesivat, että Home Energy Reports -ohjelmassa tuotettiin lähes samanlaisia ​​vaikutuksia eri ideologioiden osallistujille. ei ole näyttöä siitä, että jollakin ryhmällä oli boomerangin vaikutuksia (kuvio 4.9).

Kuva 4.9: Hoitotehosten heterogeenisuus Costa ja Kahnissa (2013). Koko näytteen arvioitu keskimääräinen hoitovaikutus on -2,1% [-1,5%, -2,7%]. Kun koe-informaatio yhdistettiin kotitalouksien tietoja koskeviin tietoihin, Costa ja Kahn (2013) käyttivät useita tilastomalleja, joilla arvioitiin hoito-vaikutuksia hyvin erityisryhmille. Kustakin ryhmästä esitetään kaksi arviointia, koska arviot riippuvat tilastollisista malleistaan ​​sisältyvistä kovarariateista (katso mallien 4 ja 6 taulukot 3 ja 4 Costa ja Kahn (2013)). Kuten esimerkissä havainnollistetaan, hoidon vaikutukset voivat olla erilaiset eri ihmisille, ja tilastollisista malleista tulevat hoitovaikutukset voivat riippua näiden mallien yksityiskohdista (Grimmer, Messing ja Westwood 2014). Mukautettu Costa ja Kahn (2013), taulukot 3 ja 4.

Kuva 4.9: Hoitotehosten heterogeenisuus Costa and Kahn (2013) . Koko näytteen arvioitu keskimääräinen hoitovaikutus on -2,1% [-1,5%, -2,7%]. Kun koe-informaatio yhdistettiin kotitalouksien tietoja koskeviin tietoihin, Costa and Kahn (2013) käyttivät useita tilastomalleja, joilla arvioitiin hoito-vaikutuksia hyvin erityisryhmille. Kustakin ryhmästä esitetään kaksi arviointia, koska arviot riippuvat tilastollisista malleistaan ​​sisältyvistä kovarariateista (katso mallien 4 ja 6 taulukot 3 ja 4 Costa and Kahn (2013) ). Kuten esimerkissä havainnollistetaan, hoidon vaikutukset voivat olla erilaiset eri ihmisille, ja tilastollisista malleista tulevat hoitovaikutukset voivat riippua näiden mallien yksityiskohdista (Grimmer, Messing, and Westwood 2014) . Mukautettu Costa and Kahn (2013) , taulukot 3 ja 4.

Kuten nämä kaksi esimerkkiä havainnollistavat, digitaalisessa iässä voimme siirtyä arvioimasta keskimääräisiä hoitovaikutuksia hoidon vaikutusten heterogeenisuuden arvioimiseksi, koska meillä voi olla paljon enemmän osallistujia ja tiedämme enemmän näistä osallistujista. Hoidon vaikutusten heterogeenisyyden oppiminen voi mahdollistaa hoidon kohdistamisen, kun se on tehokkainta, antavat faktoja, jotka stimuloivat uutta teoriankehitystä ja antavat vihjeitä mahdollisista mekanismeista, aiheista, johon nyt kääntyä.