4.4.2 L'eterogeneità degli effetti del trattamento

Esperimenti normalmente misurare l'effetto medio, ma l'effetto può essere diverso per persone diverse.

La seconda idea chiave per andare oltre semplici esperimenti è l'eterogeneità degli effetti del trattamento. L'esperimento di Schultz et al. (2007) illustra con forza come lo stesso trattamento può avere effetti diversi su diversi tipi di persone (Figura 4.4), ma questa analisi di eterogeneità è in realtà abbastanza inusuale per un esperimento di età analogico. La maggior parte degli esperimenti età analogici coinvolgono un piccolo numero di partecipanti che vengono trattati come "widget" intercambiabili, perché poco di loro si sa pretrattamento. Negli esperimenti digitali, tuttavia, questi vincoli dati sono meno comuni perché i ricercatori tendono ad avere più partecipanti e sapere di più su di loro. In questo ambiente di dati diversi, si può stimare l'eterogeneità degli effetti del trattamento al fine di fornire indizi su come funziona il trattamento, come può essere migliorato, e come può essere mirata a coloro che per lo più probabilità di trarre beneficio.

Due esempi di eterogeneità degli effetti del trattamento nel contesto delle norme sociali e l'uso di energia provengono da ulteriori ricerche sulla Home Energy Report. Innanzitutto, Allcott (2011) utilizza la grande dimensione del campione (600.000 famiglie) per dividere ulteriormente il campione e valutare l'effetto del rapporto Home Energy by decile del consumo di energia pretrattamento. Mentre Schultz et al. (2007) hanno trovato differenze tra i consumatori occasionali ed abituali, Allcott (2011) hanno scoperto che c'erano anche differenze all'interno del gruppo di utenti pesante e leggera. Ad esempio, gli utenti più pesanti (quelli nel decile superiore) hanno ridotto il loro consumo di energia il doppio di quanto qualcuno in mezzo al gruppo di utenti pesante (Figura 4.7). Inoltre, stimare l'effetto dal comportamento pre-trattamento ha anche rivelato che non c'era un effetto boomerang anche per gli utenti più leggeri (Figura 4.7).

Figura 4.7: L'eterogeneità degli effetti del trattamento in Allcott (2011). La diminuzione del consumo di energia è stato diverso per le persone in diversi decili di utilizzo della linea di base.

Figura 4.7: L'eterogeneità degli effetti del trattamento in Allcott (2011) . La diminuzione del consumo di energia è stato diverso per le persone in diversi decili di utilizzo della linea di base.

In uno studio correlato, Costa and Kahn (2013) hanno ipotizzato che l'efficacia del Rapporto Home Energy potrebbe variare in base alla ideologia politica di un partecipante e che il trattamento potrebbe effettivamente causare le persone con certe ideologie per aumentare il loro utilizzo di energia elettrica. In altre parole, hanno ipotizzato che i rapporti Home Energy potrebbe essere la creazione di un effetto boomerang per alcuni tipi di persone. Per valutare questa possibilità, Costa e Kahn uniti i dati Opower con i dati acquisiti da un aggregatore di terze parti che includeva informazioni di registrazione del partito politico, donazioni a organizzazioni ambientali, e la partecipazione delle famiglie in programmi di energia rinnovabile. Con questo set di dati risultante dalla fusione, Costa e Kahn hanno scoperto che i report di origine dell'energia prodotta effetti molto simili per i partecipanti con differenti ideologie; non vi era alcuna prova che qualsiasi gruppo esposto effetti boomerang (Figura 4.8).

Figura 4.8: L'eterogeneità degli effetti del trattamento in Costa e Kahn (2013). L'effetto del trattamento medio stimato per l'intero campione è -2,1% [-1,5%, -2,7%]. Combinando le informazioni dall'esperimento con le informazioni sulle famiglie, Costa e Kahn (2013) hanno utilizzato una serie di modelli statistici per stimare l'effetto del trattamento per gruppi molto specifici di persone. Due stime sono presentate per ciascun gruppo, perché le stime dipendono dalle covariate hanno incluso nei loro modelli statistici (vedi modello 4 e 6 del modello nella Tabella 3 e Tabella 4 a Costa e Kahn (2013)). Come questo esempio illustra, gli effetti del trattamento possono essere diversi per le persone e le stime degli effetti del trattamento diversi che provengono da modelli statistici può dipendere i dettagli di quei modelli (Grimmer, Messing, e Westwood 2014).

Figura 4.8: L'eterogeneità degli effetti del trattamento in Costa and Kahn (2013) . L'effetto del trattamento medio stimato per l'intero campione è -2,1% [-1,5%, -2,7%]. Combinando le informazioni dall'esperimento con le informazioni sulle famiglie, Costa and Kahn (2013) hanno utilizzato una serie di modelli statistici per stimare l'effetto del trattamento per gruppi molto specifici di persone. Due stime sono presentate per ciascun gruppo, perché le stime dipendono dalle covariate hanno incluso nei loro modelli statistici (vedi modello 4 e 6 del modello nella Tabella 3 e Tabella 4 a Costa and Kahn (2013) ). Come questo esempio illustra, gli effetti del trattamento possono essere diversi per le persone e le stime degli effetti del trattamento diversi che provengono da modelli statistici può dipendere i dettagli di quei modelli (Grimmer, Messing, and Westwood 2014) .

Come questi due esempi illustrano, nell'era digitale, siamo in grado di passare da stimare effetti medi di trattamento per valutare l'eterogeneità degli effetti del trattamento, perché siamo in grado di avere molti più partecipanti e sappiamo di più su questi partecipanti. Imparare a conoscere l'eterogeneità degli effetti del trattamento può consentire di targeting di un trattamento in cui è più efficace, fornire fatti che stimolano nuovo sviluppo teoria, e fornire suggerimenti su un possibile meccanismo, il tema a cui mi rivolgo ora.