4.4.2 heterogenitása kezelési hatások

Kísérletek általában az intézkedés az átlagos hatás, de a hatás eltérő lehet a különböző emberek.

A második kulcs ötlete meghaladva kísérletek heterogenitása kezelés hatását. A kísérlet a Schultz et al. (2007) erőteljesen szemlélteti, hogy ugyanaz a kezelés eltérő hatást fejt ki a különböző típusú emberek (4.4 ábra), de ez az elemzés a heterogenitás valójában meglehetősen szokatlan, hogy egy analóg korban kísérlet. A legtöbb analóg kor kísérleteim során egy kis számú résztvevő, hogy kezelik felcserélhető "kütyü", mert kevés róluk ismert előkezelés. Digitális kísérletek azonban ezek az adatok korlátok kevésbé gyakori, mert a kutatók általában több résztvevő, és többet róluk. Ebben a különböző adatok környezetben, meg tudjuk becsülni heterogenitása kezelés hatását annak érdekében, hogy a nyomokat arról, hogy a kezelés működik, hogyan lehet javítani, és hogyan lehet célzott, hogy azok többnyire valószínűleg javára.

Két példa a heterogenitás A kezelés hatásának összefüggésében a társadalmi normák és az energiafelhasználás származnak további kutatást a Home Energy jelentések. Először Allcott (2011) használta a nagy mintanagyság (600.000 háztartás) tovább bontani a mintát, és megbecsülik a hatását a Home Energy jelentése decilis előkezelés energiafelhasználását. Míg Schultz et al. (2007) talált különbségeket nehéz és könnyű felhasználók Allcott (2011) megállapította, hogy ott is voltak különbségek a nehéz és könnyű felhasználói csoportot. Például a legnehezebb felhasználók (akik a felső decilis) csökkentette energiafelhasználását kétszer annyit, mint valaki a közepén a nagy felhasználói csoport (4.7 ábra). Továbbá becslésére hatást előkezelés viselkedést is kiderült, hogy nem volt egy bumeráng hatás még a legkönnyebb felhasználók (4.7 ábra).

4.7 ábra: heterogenitása A kezelés hatásának Allcott (2011). A csökkenés az energiafelhasználás más volt az emberek számára különböző tizedek alapvonal használat.

4.7 ábra: heterogenitása A kezelés hatásának Allcott (2011) . A csökkenés az energiafelhasználás más volt az emberek számára különböző tizedek alapvonal használat.

Egy ehhez kapcsolódó vizsgálatban, Costa and Kahn (2013) feltételezi, hogy a hatékonysága a Home Energy Report lehetett függ a résztvevő politikai ideológia, és hogy a kezelés talán valóban okozhat az emberek bizonyos ideológiák, hogy növeljék a villamosenergia-felhasználás. Más szóval, feltételezi, hogy a Home Energy jelentéseket lehet létrehozása bumeráng hatás bizonyos típusú ember. Annak megállapítására, ezt a lehetőséget, Costa és Kahn egyesítette a Opower adatok továbbítása vásárolt egy gyűjtő harmadik fél, amely tartalmazta információkat, mint a politikai pártok bejegyzését, adományokat környezet szervezetek és háztartási részvétel megújuló energia programok. Ezzel létrejött adatbázisba, Costa és Kahn úgy találta, hogy a Home Energy készített jelentések nagyjából hasonló hatást a résztvevők a különböző ideológiák; nem volt bizonyíték arra, hogy bármely csoport mutatott bumeráng hatás (4.8 ábra).

4.8 ábra: heterogenitása A kezelés hatásának Costa és Kahn (2013). A becsült átlagos kezelés hatását a teljes minta -2,1% [-1,5%, -2,7%]. Információkkal együtt a kísérlet tájékoztatást a háztartások, Costa és Kahn (2013) használt egy sor statisztikai modellek becslésére kezelés hatását a nagyon specifikus embercsoportok. Két becsléseket bemutatják az egyes csoportok esetében, mivel a becslések függ kovariáns azok szerepelnek a statisztikai modellek (lásd 4. modell és a modell 6 3. táblázatban és a 4. táblázatban Costa és Kahn (2013)). Amint ez a példa is mutatja, a kezelés hatása eltérő lehet a különböző emberek és becslések A kezelés hatását, hogy jön a statisztikai modellek függenek a részleteket, a modellek (Grimmer, Messing és Westwood 2014).

4.8 ábra: heterogenitása A kezelés hatásának Costa and Kahn (2013) . A becsült átlagos kezelés hatását a teljes minta -2,1% [-1,5%, -2,7%]. Információkkal együtt a kísérlet tájékoztatást a háztartások, Costa and Kahn (2013) használt egy sor statisztikai modellek becslésére kezelés hatását a nagyon specifikus embercsoportok. Két becsléseket bemutatják az egyes csoportok esetében, mivel a becslések függ kovariáns azok szerepelnek a statisztikai modellek (lásd 4. modell és a modell 6 3. táblázatban és a 4. táblázatban a Costa and Kahn (2013) ). Amint ez a példa is mutatja, a kezelés hatása eltérő lehet a különböző emberek és becslések A kezelés hatását, hogy jön a statisztikai modellek függenek a részleteket, a modellek (Grimmer, Messing, and Westwood 2014) .

Mivel a fenti két példa illusztrálja, a digitális korban, hogy tudunk mozogni becslésére átlagos kezelési hatások becslésére heterogenitása kezelés hatása, mert lehet sokkal több résztvevő és többet tudunk azon résztvevők. Megismerése heterogenitása kezelés hatása lehet célzás bekapcsolása a kezelés, ha a leghatékonyabb, biztosítja a tények, amelyek serkentik az új elmélet, és tippeket, egy lehetséges mechanizmus, a téma, amihez most térek rá.