4.4.2 उपचार प्रभाव की विविधता

प्रयोग आम तौर पर औसत प्रभाव को मापते हैं, लेकिन प्रभाव शायद हर किसी के लिए समान नहीं है।

सरल प्रयोगों से आगे बढ़ने का दूसरा महत्वपूर्ण विचार उपचार प्रभावों की विषमता है । Schultz et al. (2007) का प्रयोग Schultz et al. (2007) शक्तिशाली ढंग से दिखाता है कि कैसे उसी उपचार के विभिन्न प्रकार के लोगों पर एक अलग प्रभाव हो सकता है (आंकड़ा 4.4)। हालांकि, अधिकांश एनालॉग प्रयोगों में, शोधकर्ताओं ने औसत उपचार प्रभावों पर ध्यान केंद्रित किया क्योंकि वहां प्रतिभागियों की एक छोटी संख्या थी और उनके बारे में बहुत कुछ पता नहीं था। डिजिटल प्रयोगों में, हालांकि, अक्सर कई और प्रतिभागी होते हैं और उनके बारे में अधिक जानकारी प्राप्त होती है। इस अलग-अलग डेटा वातावरण में, शोधकर्ता जो केवल औसत उपचार प्रभाव का अनुमान लगाते हैं, उन तरीकों से चूक जाएंगे जिनमें उपचार प्रभावों की विषमता के अनुमानों का अनुमान लगाया जा सकता है कि उपचार कैसे काम करता है, इसे कैसे सुधार किया जा सकता है, और इसे कैसे लक्षित किया जा सकता है उन लोगों के लिए जो लाभ की संभावना है।

उपचार प्रभावों की विषमता के दो उदाहरण गृह ऊर्जा रिपोर्ट पर अतिरिक्त शोध से आते हैं। सबसे पहले, Allcott (2011) ने नमूना को आगे बढ़ाने के लिए बड़े नमूना आकार (600,000 घरों) का उपयोग किया और पूर्व-ऊर्जा ऊर्जा उपयोग के आधार पर गृह ऊर्जा रिपोर्ट के प्रभाव का अनुमान लगाया। जबकि Schultz et al. (2007) ने भारी और हल्के उपयोगकर्ताओं के बीच अंतर पाया, Allcott (2011) ने पाया कि भारी और हल्के उपयोगकर्ता समूह में अंतर भी थे। उदाहरण के लिए, सबसे भारी उपयोगकर्ता (शीर्ष डेसील में) ने अपने ऊर्जा उपयोग को भारी उपयोगकर्ता समूह (आकृति 4.8) के मध्य में जितना अधिक दोहराया। इसके अलावा, प्री-ट्रीटमेंट व्यवहार द्वारा प्रभाव का अनुमान लगाने से यह भी पता चला कि हल्के उपयोगकर्ताओं (आंकड़े 4.8) के लिए भी कोई बुमेरांग प्रभाव नहीं था।

चित्रा 4.8: Allcott (2011) में उपचार प्रभावों की Allcott (2011) । आधारभूत उपयोग के विभिन्न deciles में लोगों के लिए ऊर्जा उपयोग में कमी अलग थी। Allcott (2011) , आकृति 8 से अनुकूलित।

संबंधित अध्ययन में, Costa and Kahn (2013) ने अनुमान लगाया कि गृह ऊर्जा रिपोर्ट की प्रभावशीलता प्रतिभागी की राजनीतिक विचारधारा के आधार पर भिन्न हो सकती है और उपचार वास्तव में लोगों को उनके विचारों को बढ़ाने के लिए कुछ विचारधाराओं के कारण हो सकता है। दूसरे शब्दों में, उन्होंने अनुमान लगाया कि गृह ऊर्जा रिपोर्ट कुछ प्रकार के लोगों के लिए बुमेरांग प्रभाव पैदा कर सकती है। इस संभावना का आकलन करने के लिए, कोस्टा और कान ने तीसरे पक्ष के एग्रीगेटर से खरीदे गए डेटा के साथ ओपॉवर डेटा विलय किया जिसमें राजनीतिक दल पंजीकरण, पर्यावरण संगठनों को दान, और नवीकरणीय ऊर्जा कार्यक्रमों में घरेलू भागीदारी शामिल थी। इस विलय वाले डेटासेट के साथ, कोस्टा और कान ने पाया कि गृह ऊर्जा रिपोर्ट ने अलग-अलग विचारधाराओं वाले प्रतिभागियों के लिए व्यापक रूप से समान प्रभाव उत्पन्न किए हैं; इस बात का कोई सबूत नहीं था कि किसी भी समूह ने बुमेरांग प्रभाव (आंकड़ा 4.9) प्रदर्शित किया।

चित्रा 4.9: Costa and Kahn (2013) में उपचार प्रभावों की विषमता Costa and Kahn (2013) । पूरे नमूने के लिए अनुमानित औसत उपचार प्रभाव -2.1% [-1.5%, -2.7%] है। परिवारों के बारे में जानकारी के साथ प्रयोग से जानकारी एकत्र करने के बाद, Costa and Kahn (2013) ने लोगों के बहुत विशिष्ट समूहों के उपचार प्रभाव का अनुमान लगाने के लिए सांख्यिकीय मॉडल की एक श्रृंखला का उपयोग किया। प्रत्येक समूह के लिए दो अनुमान प्रस्तुत किए जाते हैं क्योंकि अनुमान उनके सांख्यिकीय मॉडल में शामिल कॉवरिएट्स पर निर्भर करते हैं ( Costa and Kahn (2013) में तालिका 3 और 4 में मॉडल 4 और 6 देखें)। जैसा कि इस उदाहरण से पता चलता है, विभिन्न लोगों के लिए उपचार प्रभाव अलग-अलग हो सकते हैं और सांख्यिकीय मॉडल से आने वाले उपचार प्रभावों के अनुमान उन मॉडलों (Grimmer, Messing, and Westwood 2014) के विवरण पर निर्भर कर सकते हैं। Costa and Kahn (2013) , टेबल 3 और 4 से अनुकूलित।

चूंकि ये दो उदाहरण बताते हैं, डिजिटल युग में, हम उपचार प्रभावों की विषमता का आकलन करने के लिए औसत उपचार प्रभावों का आकलन करने से आगे बढ़ सकते हैं क्योंकि हमारे पास कई प्रतिभागी हो सकते हैं और हम उन प्रतिभागियों के बारे में अधिक जानते हैं। उपचार प्रभावों की विषमता के बारे में सीखना एक उपचार के लक्ष्यीकरण को सक्षम कर सकता है जहां यह सबसे प्रभावी है, तथ्यों को प्रदान करता है जो नए सिद्धांत के विकास को प्रोत्साहित करते हैं, और संभव तंत्र के बारे में संकेत प्रदान करते हैं, जिस विषय पर मैं अब बदलता हूं।