4.4.2治療効果の不均一性

実験は、通常、平均効果を測定し、その効果は人によって違うことができます。

簡単な実験を超えて移動させるための第2のキーアイデアは、 治療効果の不均一性です。実験Schultz et al. (2007)力強く同じ処理が人々 (図4.4)の異なる種類に異なる効果を持つことができる方法を示しますが、異質のこの分析は、アナログ時代の実験のために、実際には非常に珍しいです。ほとんどのアナログ時代の実験では、それらについての少しの前処理を知られているので、交換「ウィジェット」として処理され、参加者の少数を含みます。デジタルの実験では、しかし、これらのデータの制約は、研究者はより多くの参加者を持ち、それらについての詳細を知るために傾向があるので、あまり一般的ではありません。この別のデータ環境では、治療は、それを向上させることができる方法、動作、およびどのように利益をほとんどそうそれらを標的とすることができるかについての手がかりを提供するために、治療効果の不均一性を推定することができます。

社会規範とエネルギー使用の文脈における治療効果の不均一性の2つの例は、ホームエネルギーレポートに関する追加調査から来ます。まず、 Allcott (2011) 、試料を分割し、前処理のエネルギー使用量の十分位数によってホームエネルギーレポートの影響を推定するために大きなサンプルサイズ(60万世帯)を使用しました。一方、 Schultz et al. (2007)ヘビーとライトユーザー間の違いを発見し、 Allcott (2011)ヘビーとライトユーザーグループ内の違いもあったことがわかりました。例えば、最も重いユーザー(上十分位のもの)は、ヘビーユーザー・グループ(図4.7)の途中で誰かの2倍のエネルギー使用量を削減しました。さらに、前処理動作によって効果を推定さえも最軽量のユーザ(図4.7)用のブーメラン効果がなかったことを明らかにしました。

図4.7:(2011)Allcottにおける治療効果の不均一性。エネルギー使用量の減少は、ベースラインの使用の異なる十分位数の人々のために異なっていました。

図4.7:における治療効果の不均一性Allcott (2011) 。エネルギー使用量の減少は、ベースラインの使用の異なる十分位数の人々のために異なっていました。

関連研究では、 Costa and Kahn (2013)ホームエネルギー報告書の有効性は、参加者の政治的イデオロギーに基づいて変動し、治療が実際に特定のイデオロギーを持つ人々が電気の使用を増加させる可能性があることができることを推測しました。言い換えれば、彼らはホームエネルギーレポートは、人々のいくつかのタイプのブーメラン効果を作り出すかもしれないと推測しました。この可能性を評価するために、コスタとカーンは、このような政党登録、環境団体への寄付、および再生可能エネルギープログラムの世帯の参加などの情報が含まれ、サードパーティのアグリゲータから購入したデータでOpowerデータを統合しました。このマージされたデータセットでは、コスタとカーンは、ホームエネルギーレポートが異なるイデオロギーを持つ参加者のために広く同様の効果を生じたことがわかりました。いずれかのグループがブーメラン効果(図4.8)を示したという証拠はなかったです。

図4.8:コスタとカーン(2013年)における治療効果の不均一性。試料全体の推定平均治療効果は-2.1%[-1.5%、-2.7%]です。世帯に関する情報を実験からの情報を組み合わせることにより、コスタとカーン(2013)は、人々の非常に特定のグループのための治療効果を推定するために統計モデルのシリーズを使用します。推定値は(表3、コスタとカーン(2013)表4にモデル4とモデル6を参照)彼らは統計モデルに含まれる共変量に依存しているため2つの推定値は、各グループのために提示されています。この例が示すように、治療効果は、これらのモデルの詳細に依存することができる統計的モデルから来るの異なる人々と治療効果の推定値では異なる場合があります(グリマー、メッシング、およびウエストウッド2014)。

図4.8:における治療効果の不均一性Costa and Kahn (2013)試料全体の推定平均治療効果は-2.1%[-1.5%、-2.7%]です。世帯に関する情報を実験からの情報を組み合わせることにより、 Costa and Kahn (2013)人々の非常に特定のグループのための治療効果を推定するために統計モデルのシリーズを使用します。推定値は(表3及び表4にモデル4とモデル6を参照してください彼らは統計モデルに含まれる共変量に依存しているため2つの推定値は、各グループのために提示されているCosta and Kahn (2013)この例が示すように、治療効果は、これらのモデルの詳細に依存することができる統計的モデルから来るの異なる人々と治療効果の推定値では異なる場合があります(Grimmer, Messing, and Westwood 2014)

この2つの例が示すように、デジタル時代に、私たちはより多くの参加者を持つことができ、我々はそれらの参加者についての詳細を知っているので、治療効果の不均一性を推定することに平均治療効果を推定するから移動することができます。治療効果の不均一性について学ぶことは、それが最も効果的である治療の標的化が可能に、新しい理論の開発を刺激する事実を提供し、可能なメカニズム、私は今オンにするトピックについてのヒントを提供することができます。