4.4.2 ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳನ್ನು ಹೆಟೆರೋಜೀನಿಯಿಟಿ

ಪ್ರಯೋಗಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಸರಾಸರಿ ಪರಿಣಾಮವನ್ನು ಅಳೆಯುತ್ತವೆ, ಆದರೆ ಪರಿಣಾಮ ಬಹುಶಃ ಎಲ್ಲರಿಗೂ ಒಂದೇ ಆಗಿರುವುದಿಲ್ಲ.

ಸರಳ ಪ್ರಯೋಗಗಳನ್ನು ಮೀರಿರುವುದಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಎರಡನೇ ಪ್ರಮುಖ ಪರಿಕಲ್ಪನೆಯು ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳ ಭಿನ್ನತೆಯಾಗಿದೆ . Schultz et al. (2007) ಪ್ರಯೋಗ Schultz et al. (2007) ವಿವಿಧ ಚಿಕಿತ್ಸಾ ವಿಧಾನಗಳ ಮೇಲೆ ಇದೇ ರೀತಿಯ ಚಿಕಿತ್ಸೆಯು ವಿಭಿನ್ನ ಪರಿಣಾಮವನ್ನು ಹೇಗೆ ಉಂಟುಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ಶಕ್ತಿಯನ್ನು ವಿವರಿಸುತ್ತದೆ (ಫಿಗರ್ 4.4). ಹೆಚ್ಚಿನ ಸಾದೃಶ್ಯದ ಪ್ರಯೋಗಗಳಲ್ಲಿ, ಆದಾಗ್ಯೂ, ಸಂಶೋಧಕರು ಸರಾಸರಿ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದರು, ಏಕೆಂದರೆ ಒಂದು ಸಣ್ಣ ಸಂಖ್ಯೆಯ ಪಾಲ್ಗೊಳ್ಳುವವರು ಇದ್ದರು ಮತ್ತು ಅವುಗಳ ಬಗ್ಗೆ ಸ್ವಲ್ಪವೇ ತಿಳಿದಿತ್ತು. ಡಿಜಿಟಲ್ ಪ್ರಯೋಗಗಳಲ್ಲಿ, ಆದಾಗ್ಯೂ, ಅನೇಕ ಹೆಚ್ಚು ಭಾಗವಹಿಸುವವರು ಇದ್ದಾರೆ ಮತ್ತು ಅದರ ಬಗ್ಗೆ ಹೆಚ್ಚು ತಿಳಿದಿದೆ. ಈ ವಿಭಿನ್ನ ದತ್ತಾಂಶ ಪರಿಸರದಲ್ಲಿ, ಕೇವಲ ಸರಾಸರಿ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳನ್ನು ಅಂದಾಜು ಮಾಡುವ ಸಂಶೋಧಕರು ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳ ವೈವಿಧ್ಯತೆಯ ಬಗ್ಗೆ ಅಂದಾಜು ಮಾಡುವ ವಿಧಾನಗಳು ಹೇಗೆ ಚಿಕಿತ್ಸೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದರ ಬಗ್ಗೆ ಸುಳಿವುಗಳನ್ನು ನೀಡುತ್ತದೆ, ಇದು ಹೇಗೆ ಸುಧಾರಿಸಬಹುದು ಮತ್ತು ಅದನ್ನು ಹೇಗೆ ಗುರಿಗೊಳಿಸಬಹುದು ಹೆಚ್ಚು ಪ್ರಯೋಜನ ಪಡೆಯುವವರಿಗೆ.

ಹೋಮ್ ಎನರ್ಜಿ ರಿಪೋರ್ಟ್ಸ್ನಲ್ಲಿ ಹೆಚ್ಚುವರಿ ಸಂಶೋಧನೆಯಿಂದ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳ ವೈವಿಧ್ಯತೆಯ ಎರಡು ಉದಾಹರಣೆಗಳು ಬರುತ್ತದೆ. ಮೊದಲಿಗೆ, Allcott (2011) ಮಾದರಿ ಮಾದರಿಯನ್ನು Allcott (2011) ದೊಡ್ಡ ಪ್ರಮಾಣದ ಗಾತ್ರವನ್ನು (600,000 ಮನೆಗಳು Allcott (2011) ಬಳಸಿತು ಮತ್ತು ಪೂರ್ವ ಶಕ್ತಿ ಸಂಸ್ಕರಣದ ಬಳಕೆಯಿಂದಾಗಿ ಹೋಮ್ ಎನರ್ಜಿ ರಿಪೋರ್ಟ್ ಪರಿಣಾಮವನ್ನು ಅಂದಾಜಿಸುತ್ತದೆ. Schultz et al. (2007) ಭಾರೀ ಮತ್ತು ಪ್ರಕಾಶಮಾನ ಬಳಕೆದಾರರ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಕಂಡುಕೊಂಡರು, Allcott (2011) ಭಾರೀ ಮತ್ತು ಕಡಿಮೆ-ಬಳಕೆದಾರ ಸಮೂಹದಲ್ಲಿ ವ್ಯತ್ಯಾಸಗಳಿವೆ ಎಂದು ಕಂಡುಹಿಡಿದಿದೆ. ಉದಾಹರಣೆಗೆ, ಭಾರವಾದ ಬಳಕೆದಾರರ ಗುಂಪಿನ (ಅಂಕಿ 4.8) ಮಧ್ಯದಲ್ಲಿ ಯಾರಿಗಾದರೂ ಹೆಚ್ಚು ಶಕ್ತಿಶಾಲಿ ಬಳಕೆದಾರರನ್ನು (ಅಗ್ರ ಕುಸಿತದಲ್ಲಿರುವವರು) ತಮ್ಮ ಶಕ್ತಿಯ ಬಳಕೆಯನ್ನು ಎರಡು ಬಾರಿ ಕಡಿಮೆ ಮಾಡಿದ್ದಾರೆ. ಇದಲ್ಲದೆ, ಪ್ರೀ-ಟ್ರೀಟ್ ನಡವಳಿಕೆಯಿಂದಾಗಿ ಪರಿಣಾಮವನ್ನು ಅಂದಾಜು ಮಾಡಲಾಗಿದ್ದು, ಹಗುರವಾದ ಬಳಕೆದಾರರಿಗೆ (ಅಂಕಿ 4.8) ಸಹ ಬೂಮರಾಂಗ್ ಪರಿಣಾಮವಿಲ್ಲ ಎಂದು ಬಹಿರಂಗಪಡಿಸಿತು.

ಚಿತ್ರ 4.8: ಆಲ್ಕಾಟ್ (2011) ನಲ್ಲಿ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳ ಹಿಟರೋಜೆನಿಟಿ. ಬೇಸ್ಲೈನ್ ​​ಬಳಕೆಯ ವಿಭಿನ್ನ ಡಿಕೈಲ್ಗಳಲ್ಲಿ ಜನರಿಗೆ ಶಕ್ತಿಯ ಬಳಕೆಯಲ್ಲಿನ ಇಳಿತವು ವಿಭಿನ್ನವಾಗಿತ್ತು. ಆಲ್ಕಾಟ್ (2011), ಚಿತ್ರ 8 ರಿಂದ ಅಳವಡಿಸಲಾಗಿದೆ.

ಚಿತ್ರ 4.8: Allcott (2011) ನಲ್ಲಿ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳ Allcott (2011) . ಬೇಸ್ಲೈನ್ ​​ಬಳಕೆಯ ವಿಭಿನ್ನ ಡಿಕೈಲ್ಗಳಲ್ಲಿ ಜನರಿಗೆ ಶಕ್ತಿಯ ಬಳಕೆಯಲ್ಲಿನ ಇಳಿತವು ವಿಭಿನ್ನವಾಗಿತ್ತು. Allcott (2011) , ಚಿತ್ರ 8 ರಿಂದ Allcott (2011) .

ಸಂಬಂಧಿತ ಅಧ್ಯಯನದ ಪ್ರಕಾರ, Costa and Kahn (2013) ಎನರ್ಜಿ ರಿಪೋರ್ಟ್ನ ಪರಿಣಾಮಕಾರಿತ್ವವು ಪಾಲ್ಗೊಳ್ಳುವವರ ರಾಜಕೀಯ ಸಿದ್ಧಾಂತದ ಆಧಾರದ ಮೇಲೆ ಬದಲಾಗಬಹುದೆಂದು ಮತ್ತು ತಮ್ಮ ವಿದ್ಯುಚ್ಛಕ್ತಿ ಬಳಕೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಕೆಲವು ಸಿದ್ಧಾಂತಗಳೊಂದಿಗೆ ಜನರು ನಿಜವಾಗಿಯೂ ಕಾರಣವಾಗಬಹುದು ಎಂದು Costa and Kahn (2013) ಊಹಿಸಿದ್ದಾರೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಹೋಮ್ ಎನರ್ಜಿ ವರದಿಗಳು ಕೆಲವು ರೀತಿಯ ಜನರಿಗೆ ಬೂಮರಾಂಗ್ ಪರಿಣಾಮವನ್ನು ಉಂಟುಮಾಡಬಹುದು ಎಂದು ಅವರು ಊಹಿಸಿದ್ದಾರೆ. ಈ ಸಾಧ್ಯತೆಯನ್ನು ನಿರ್ಣಯಿಸಲು, ಕೋಸ್ಟಾ ಮತ್ತು ಕಾಹ್ನ್ ಒಪವರ್ ಡೇಟಾವನ್ನು ವಿಲೀನಗೊಳಿಸಿದರು ಮೂರನೇ ಪಕ್ಷದ ಸಂಗ್ರಾಹಕರಿಂದ ಖರೀದಿಸಿದ ಡೇಟಾ, ಇದರಲ್ಲಿ ರಾಜಕೀಯ ಪಕ್ಷ ನೋಂದಣಿ, ಪರಿಸರ ಸಂಘಟನೆಗಳಿಗೆ ದೇಣಿಗೆ ನೀಡುವಿಕೆ, ಮತ್ತು ನವೀಕರಿಸಬಹುದಾದ ಇಂಧನ ಕಾರ್ಯಕ್ರಮಗಳಲ್ಲಿ ಮನೆಯ ಭಾಗವಹಿಸುವಿಕೆ. ವಿಲೀನಗೊಳಿಸಿದ ದತ್ತಾಂಶ ಸಂಗ್ರಹದೊಂದಿಗೆ ಕೋಸ್ಟಾ ಮತ್ತು ಕಾನ್ ಕಂಡುಕೊಂಡ ಪ್ರಕಾರ ಹೋಮ್ ಎನರ್ಜಿ ರಿಪೋರ್ಟ್ಸ್ ಭಾಗವಹಿಸುವವರಿಗೆ ವಿಭಿನ್ನ ಸಿದ್ಧಾಂತಗಳೊಂದಿಗೆ ವ್ಯಾಪಕ ರೀತಿಯ ಪರಿಣಾಮಗಳನ್ನು ಉಂಟುಮಾಡಿದೆ; ಯಾವುದೇ ಗುಂಪು ಬೂಮರಾಂಗ್ ಪರಿಣಾಮಗಳನ್ನು ಪ್ರದರ್ಶಿಸಿತು ಎಂಬುದಕ್ಕೆ ಯಾವುದೇ ಪುರಾವೆಗಳಿಲ್ಲ (ಅಂಕಿ 4.9).

ಚಿತ್ರ 4.9: ಕೋಸ್ಟಾ ಮತ್ತು ಕಾನ್ (2013) ನಲ್ಲಿ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳ ಹಿಟ್ರೊಜೆನಿಟಿ. ಇಡೀ ಮಾದರಿಗೆ ಅಂದಾಜು ಸರಾಸರಿ ಚಿಕಿತ್ಸೆ ಪರಿಣಾಮವು -2.1% [-1.5%, -2.7%]. ಕುಟುಂಬಗಳ ಬಗೆಗಿನ ಮಾಹಿತಿಯೊಂದಿಗಿನ ಪ್ರಯೋಗದಿಂದ ಮಾಹಿತಿಯನ್ನು ಒಟ್ಟುಗೂಡಿಸಿದ ನಂತರ, ಕೋಸ್ಟಾ ಮತ್ತು ಕಾನ್ (2013) ನಿರ್ದಿಷ್ಟ ಗುಂಪುಗಳ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮವನ್ನು ಅಂದಾಜು ಮಾಡಲು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾದರಿಗಳನ್ನು ಬಳಸಿದರು. ಪ್ರತಿ ಗುಂಪಿಗೆ ಎರಡು ಅಂದಾಜುಗಳನ್ನು ನೀಡಲಾಗಿದೆ ಏಕೆಂದರೆ ಅಂದಾಜುಗಳು ಅವುಗಳ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾದರಿಗಳಲ್ಲಿ ಸೇರಿಸಲಾದ ಕೋರಿಯಾಟ್ಗಳನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ (ಕೋಸ್ಟ ಮತ್ತು ಕಾನ್ (2013) ರಲ್ಲಿ ಕೋಷ್ಟಕಗಳು 3 ಮತ್ತು 4 ರಲ್ಲಿ ಮಾದರಿಗಳನ್ನು ನೋಡಿ). ಈ ಉದಾಹರಣೆಯು ವಿವರಿಸಿದಂತೆ, ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳು ವಿಭಿನ್ನ ಜನರಿಗೆ ಭಿನ್ನವಾಗಿರುತ್ತವೆ ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾದರಿಗಳಿಂದ ಬರುವ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳ ಅಂದಾಜುಗಳು ಆ ಮಾದರಿಗಳ (ಗ್ರಿಮರ್, ಮೆಸ್ಸಿಂಗ್ ಮತ್ತು ವೆಸ್ಟ್ವುಡ್ 2014) ವಿವರಗಳನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. ಕೋಸ್ಟಾ ಮತ್ತು ಕಾನ್ (2013), ಕೋಷ್ಟಕಗಳು 3 ಮತ್ತು 4 ರಿಂದ ಅಳವಡಿಸಲಾಗಿದೆ.

ಚಿತ್ರ 4.9: Costa and Kahn (2013) ನಲ್ಲಿ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳ ಹಿಟ್ರೊಜೆನಿಟಿ. ಇಡೀ ಮಾದರಿಗೆ ಅಂದಾಜು ಸರಾಸರಿ ಚಿಕಿತ್ಸೆ ಪರಿಣಾಮವು -2.1% [-1.5%, -2.7%]. ಕುಟುಂಬಗಳ ಬಗೆಗಿನ ಮಾಹಿತಿಯೊಂದಿಗಿನ ಪ್ರಯೋಗದಿಂದ ಮಾಹಿತಿಯನ್ನು ಒಟ್ಟುಗೂಡಿಸಿದ ನಂತರ, Costa and Kahn (2013) ನಿರ್ದಿಷ್ಟ ಗುಂಪುಗಳ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮವನ್ನು ಅಂದಾಜು ಮಾಡಲು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾದರಿಗಳನ್ನು ಬಳಸಿದರು. ಪ್ರತಿ ಗುಂಪಿಗೆ ಎರಡು ಅಂದಾಜುಗಳನ್ನು ನೀಡಲಾಗಿದೆ ಏಕೆಂದರೆ ಅಂದಾಜುಗಳು ಅವುಗಳ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾದರಿಗಳಲ್ಲಿ ಸೇರಿಸಲಾದ ಕೋರಿಯಾಟ್ಗಳನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ ( Costa and Kahn (2013) ರಲ್ಲಿ ಕೋಷ್ಟಕಗಳು 3 ಮತ್ತು 4 ರಲ್ಲಿ ಮಾದರಿಗಳನ್ನು ನೋಡಿ). ಈ ಉದಾಹರಣೆಯು ವಿವರಿಸಿದಂತೆ, ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳು ವಿಭಿನ್ನ ಜನರಿಗೆ ಭಿನ್ನವಾಗಿರುತ್ತವೆ ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾದರಿಗಳಿಂದ ಬರುವ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳ ಅಂದಾಜುಗಳು ಆ ಮಾದರಿಗಳ (Grimmer, Messing, and Westwood 2014) ವಿವರಗಳನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. Costa and Kahn (2013) , ಕೋಷ್ಟಕಗಳು 3 ಮತ್ತು 4 ರಿಂದ ಅಳವಡಿಸಲಾಗಿದೆ.

ಈ ಎರಡು ಉದಾಹರಣೆಗಳು ವಿವರಿಸಿರುವಂತೆ, ಡಿಜಿಟಲ್ ಯುಗದಲ್ಲಿ, ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳ ವೈವಿಧ್ಯತೆಯನ್ನು ಅಂದಾಜು ಮಾಡಲು ಸರಾಸರಿ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳನ್ನು ಅಂದಾಜು ಮಾಡಲು ನಾವು ಚಲಿಸಬಹುದು ಏಕೆಂದರೆ ನಾವು ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಪಾಲ್ಗೊಳ್ಳುವವರನ್ನು ಹೊಂದಬಹುದು ಮತ್ತು ಆ ಭಾಗವಹಿಸುವವರ ಬಗ್ಗೆ ನಮಗೆ ಹೆಚ್ಚು ತಿಳಿದಿದೆ. ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳ ವೈವಿಧ್ಯತೆ ಬಗ್ಗೆ ಕಲಿಕೆ ಇದು ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆ ಅಲ್ಲಿ ಒಂದು ಚಿಕಿತ್ಸೆಯ ಗುರಿ ಸಕ್ರಿಯಗೊಳಿಸಬಹುದು, ಹೊಸ ಸಿದ್ಧಾಂತ ಅಭಿವೃದ್ಧಿ ಉತ್ತೇಜಿಸುವ ಸತ್ಯ ಒದಗಿಸಲು, ಮತ್ತು ನಾನು ಈಗ ತಿರುಗಿ ವಿಷಯದ ಸಂಭವನೀಯ ಯಾಂತ್ರಿಕ ಬಗ್ಗೆ ಸುಳಿವುಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.