4.4.2 misleitni áhrif meðferðar

Tilraunir mæla venjulega meðaltalsáhrif, en áhrifin eru líklega ekki það sama fyrir alla.

Önnur lykilhugmyndin um að flytja sig út fyrir einfaldar tilraunir er ólíkleiki meðferðaráhrifa . Tilraunin af Schultz et al. (2007) sýnir áhrifaríkan hátt hvernig sama meðferðin getur haft mismunandi áhrif á mismunandi tegundir fólks (mynd 4.4). Í flestum hliðstæðum tilraunum beindist vísindamenn að meðaltali meðferðaráhrifum vegna þess að lítill fjöldi þátttakenda var og lítið var vitað um þær. Í stafrænum tilraunum eru hins vegar oft margir fleiri þátttakendur og meira er vitað um þá. Í þessu mismunandi gagnaumhverfi munu vísindamenn sem halda áfram að meta aðeins meðaltal meðferðaráhrif missa af því hvernig áætlanir um ólíkleika meðferðaráhrifa geta veitt vísbendingar um hvernig meðferð virkar, hvernig hægt er að bæta það og hvernig það er hægt að miða til þeirra sem líklegastir eru að njóta góðs af.

Tvær dæmi um ólík áhrif á meðhöndlun koma fram í viðbótarrannsóknum á orkuspjöllunum. Í fyrsta lagi Allcott (2011) stærsta sýnishornastærðina (600.000 heimilin) ​​til að frekar kljúfa sýnið og meta áhrif Allcott (2011) með því að nota decile fyrir orkunotkun fyrirfram. Þó Schultz et al. (2007) fannst munur á þungum og léttum notendum, Allcott (2011) komst að því að einnig var munur innan þung- og Allcott (2011) . Til dæmis minnkaði þyngstir notendur (þeir sem voru í toppi decile) orkunotkun þeirra tvisvar sinnum eins mikið og einhver í miðjum þungur notendahópnum (mynd 4.8). Ennfremur kom fram að mat á áhrifum meðferðar á hegðun sýndi að það var engin boomerang áhrif, jafnvel fyrir léttustu notendur (mynd 4.8).

Mynd 4.8: Hópefni meðferðaráhrifa í Allcott (2011). Lækkun orkunotkunar var öðruvísi fyrir fólk í mismunandi notkunarkröfum. Aðlaga frá Allcott (2011), mynd 8.

Mynd 4.8: Allcott (2011) meðferðaráhrifa í Allcott (2011) . Lækkun orkunotkunar var öðruvísi fyrir fólk í mismunandi notkunarkröfum. Aðlaga frá Allcott (2011) , mynd 8.

Í tengslum við rannsókn, Costa and Kahn (2013) gáfu til kynna að skilvirkni heimilisskýrslunnar gæti verið breytileg miðað við pólitískan hugmyndafræði þátttakanda og að meðferðin gæti raunverulega valdið því að fólk með ákveðna hugmyndafræði til að auka notkun raforkunnar. Með öðrum orðum spáðu þeir að heimilisskýrslur gætu skapað boomerang áhrif fyrir sumar tegundir fólks. Til að meta þessa möguleika sameinuðu Costa og Kahn gögnin um Opower með gögnum sem keypt voru frá þriðja aðila sem innihélt upplýsingar eins og skráningu stjórnmálaflokka, framlag til umhverfisstofnana og þátttöku heimila í áætlunum um endurnýjanlega orku. Með þessari sameinuðu gagnasafni komu Costa og Kahn að því að heimili orkugjafarskýrslur gerðu svipuð áhrif á þátttakendur með mismunandi hugmyndafræði; Það var engin merki um að einhver hópur sýndi boomerang áhrif (mynd 4.9).

Mynd 4.9: Heterogenity meðferðaráhrifum í Costa og Kahn (2013). Áætlað meðaltal meðferðaráhrif fyrir allt sýnið er -2,1% [-1,5%, -2,7%]. Eftir að hafa blandað saman upplýsingum frá tilrauninni með upplýsingum um heimilin, notuðu Costa og Kahn (2013) röð tölfræðilegra líkana til að meta áhrif meðferðar fyrir mjög ákveðna hópa fólks. Tveir áætlanir eru kynntar fyrir hvern hóp vegna þess að áætlanirnar eru byggðar á samsvörunartölum þeirra í tölfræðilegum líkönum þeirra (sjá mynd 4 og 6 í töflum 3 og 4 í Costa og Kahn (2013)). Eins og þetta dæmi sýnir má meðferðaráhrif vera mismunandi fyrir mismunandi einstaklinga og áætlanir um áhrif á meðferð sem koma frá tölfræðilegum líkönum geta verið háð upplýsingum um þær gerðir (Grimmer, Messing og Westwood 2014). Aðlagað frá Costa og Kahn (2013), töflur 3 og 4.

Mynd 4.9: Heterogenity meðferðaráhrifum í Costa and Kahn (2013) . Áætlað meðaltal meðferðaráhrif fyrir allt sýnið er -2,1% [-1,5%, -2,7%]. Eftir að hafa blandað saman upplýsingum frá tilrauninni með upplýsingum um heimilin, notuðu Costa and Kahn (2013) röð tölfræðilegra líkana til að meta áhrif meðferðar fyrir mjög ákveðna hópa fólks. Tveir áætlanir eru kynntar fyrir hvern hóp vegna þess að áætlanirnar eru byggðar á samsvörunartölum þeirra í tölfræðilegum líkönum þeirra (sjá mynd 4 og 6 í töflum 3 og 4 í Costa and Kahn (2013) ). Eins og þetta dæmi sýnir má meðferðaráhrif vera mismunandi fyrir mismunandi einstaklinga og áætlanir um áhrif á meðferð sem koma frá tölfræðilegum líkönum geta verið háð upplýsingum um þær gerðir (Grimmer, Messing, and Westwood 2014) . Aðlagað frá Costa and Kahn (2013) , töflur 3 og 4.

Eins og þessi tvö dæmi sýna, á stafrænu aldri, getum við farið frá því að meta meðaltal meðferðaráhrifum til að meta ólíkleika meðferðaráhrifa vegna þess að við getum haft marga fleiri þátttakendur og við vitum meira um þá þátttakendur. Að læra um ósamræmi meðferðaráhrifa getur gert kleift að miða við meðferð þar sem hún er skilvirkasta, veita staðreyndir sem örva nýja kenningarþróun og gefa vísbendingar um hugsanlegar aðferðir, efni sem ég snúi nú að.