4.4.2 Heterogenost efekta tretmana

Eksperimenti uobičajeno mjere prosječnu snagu, ali učinak može biti različita za različite ljude.

Druga ključna ideja za kretanje izvan jednostavnih eksperimenata je heterogenost učinaka liječenja. Eksperiment od Schultz et al. (2007) snažno pokazuje kako isti tretman može imati različite učinke na različite vrste ljudi (Slika 4.4), ali ova analiza heterogenosti je zapravo prilično neobično za analogni dobi eksperimenta. Većina dobi eksperimenti analogni uključivati ​​mali broj sudionika koji se tretiraju kao izmjenjivim "widgete", jer malo o njima se zna predobrade. U digitalnim eksperimentima, međutim, ta ograničenja podataka su rjeđi, jer znanstvenici imaju tendenciju da imaju više sudionika i znati više o njima. U ovom drugom podatkovnom okruženju, možemo procijeniti heterogenost učinaka liječenja u cilju pružanja tragove o tome kako je tretman radi, kako se može poboljšati, i kako to može biti usmjeren na one uglavnom vjerojatno da će imati koristi.

Dva primjera heterogenosti učinaka liječenja u kontekstu društvenih normi i korištenja energije dolazi iz dodatnih istraživanja o početnom Energy izvješća. Prvo, Allcott (2011) koristio veliku veličinu uzorka (600.000 domaćinstava) da se dodatno podijeliti uzorak i procijeniti učinak Energy Report početnom by decilu korištenja predobrade energije. A Schultz et al. (2007) otkrivaju razlike između lakih i teških korisnika, Allcott (2011) je utvrdio da je bilo i razlike unutar teškog i lakog skupinu korisnika. Na primjer, najteži korisnici (oni u gornjem decilu) smanjuje potrošnju energije dvaput onoliko koliko je netko usred teške skupine korisnika (slika 4.7). Nadalje, procjenu učinka ponašanjem prije liječenja je također otkrio da nije bilo bumerang efekt čak i za najsvjetlijih korisnika (slika 4.7).

Slika 4.7: Heterogenost učinaka liječenja u Allcott (2011). Smanjenje potrošnje energije bio je drugačiji za ljude u različitim decila osnovnog korištenja.

Slika 4.7: Heterogenost učinaka liječenja u Allcott (2011) . Smanjenje potrošnje energije bio je drugačiji za ljude u različitim decila osnovnog korištenja.

U srodnom studiju, Costa and Kahn (2013) nagađa da je učinkovitost Energy Report početnom mogao razlikovati na temelju političke ideologije sudionika, te da je liječenje zapravo bi moglo dovesti do ljudi s određenim ideologijama da povećaju svoju potrošnju električne energije. Drugim riječima, oni su nagađali da su energije u kući Izvješća mogli stvoriti bumerang efekt za neke vrste ljudi. Za procjenu tu mogućnost, Costa i Kahn spojene podatke Opower s podacima kupljenih od agregatora treće strane koja je uključivala podatke kao što su registracije političkih stranaka, donacije za okoliš organizacija i sudjelovanje u domaćinstvima u obnovljive programa energije. Uz ovaj spojene skupa podataka, Costa i Kahn je utvrdio da je Home Energy Izvješća proizveden uglavnom slične učinke za sudionike s različitim ideologijama; nema dokaza da je bilo koja skupina izložena bumerang efekte (Slika 4.8).

Slika 4.8: Heterogenost učinaka liječenja u Costa i Kahn (2013). Procijenjena prosječna efekt tretmana za ukupni uzorak je -2,1% [-1,5%, -2,7%]. Kombiniranjem podataka iz pokusa s informacijama o stanovništvu, Costa i Kahn (2013) koristi se niz statističkih modela za procjenu učinka liječenja za vrlo specifične skupine ljudi. Dva procjene su prikazani za svaku grupu, jer su procjene ovise o kovarijanata su uključeni u svojim statističkim modelima (vidi modelirati 4 i modela 6 u tablici 3 i Tablici 4 u Costa i Kahn (2013)). Kao što je ovaj primjer pokazuje, učinci liječenja mogu biti različiti za različite ljude i procjene učinaka liječenja koje dolaze iz statističkih modela može ovisiti o detaljima tih modela (Grimmer, Messing i Westwood 2014).

Slika 4.8: Heterogenost učinaka liječenja u Costa and Kahn (2013) . Procijenjena prosječna efekt tretmana za ukupni uzorak je -2,1% [-1,5%, -2,7%]. Kombiniranjem podataka iz pokusa s informacijama o stanovništvu, Costa and Kahn (2013) koristi se niz statističkih modela za procjenu učinka liječenja za vrlo specifične skupine ljudi. Dva procjene su prikazani za svaku grupu, jer su procjene ovise o kovarijanata su uključeni u svojim statističkim modelima (vidi modelirati 4 i modela 6 u tablici 3 i Tablici 4 u Costa and Kahn (2013) ). Kao što je ovaj primjer pokazuje, učinci liječenja mogu biti različiti za različite ljude i procjene učinaka liječenja koje dolaze iz statističkih modela može ovisiti o detaljima tih modela (Grimmer, Messing, and Westwood 2014) .

Kao što ti dva primjera ilustriraju, u digitalnom dobu, možemo premjestiti iz procjene prosječne učinke liječenja za procjenu heterogenost učinaka liječenja jer možemo imati mnogo veći broj sudionika i znamo više o tim sudionicima. Učenje o heterogenosti učinaka liječenja može omogućiti usmjeravanje liječenja gdje je najučinkovitiji, dati činjenice koje stimuliraju novi razvoj teorije i dati savjete o mogućem mehanizmu, temi o kojoj sam sada okrenuti.