4.4.2 Heterogeneity vun Behandlung Effekter

Experimenter Moossnam normalerweis der Moyenne Effekt, mä den Effet ass fir verschidde Leit anescht ginn.

Den zweete Schlëssel Iddi fir doriwwer einfacht Experiment geplënnert ass heterogeneity vun Behandlung Effekter. D'Erfarung vun Schultz et al. (2007) mächteg illustréiert wéi d'selwecht behandelt verschidden Effeten op verschidden Arte vu Leit (Dorënner 4,4) hun kann, mä dës Analyse vun heterogeneity ass eigentlech ganz ongewéinlech fir eng Analog Alter Experimenter. Déi meescht Analog Alter Experimenter bezitt eng kleng Zuel vu Mataarbechter, déi als interchangeable "Dofir" well wéineg iwwert hinnen behandelt ginn ass Pre-Behandlung bekannt. An digital Experimenter, allerdéngs sinn dës Donnéeën Contrainten manner gemeinsam well Fuerscher éischter méi Participanten ze hunn a méi iwwert se wëssen. An dëser verschidden Donnéeën Ëmwelt, kënne mir heterogeneity vun Behandlung Effekter fir Devis Saachen iwwer ze bidden wéi d'Behandlung Wierker, wéi et verbessert ka ginn, a wéi kann et zu deene meeschtens wahrscheinlech ze profitéieren cibléiert ginn.

Zwee Beispiller vun heterogeneity vun Behandlung Effekter am Kontext vun de sozialen Normen an Energie benotzen kommen aus zousätzlech Fuerschung op der Home Energie Rapporten. Éischt, Allcott (2011) benotzt déi grouss Echantillonen Gréisst (600,000 Stéit) fir weider d'Prouf gedeelt an den Effet vun der Home Energy Verknëppung Estimatioun vun decile vun Pre-Behandlung Energie Uleedung. Iwwerdeems Schultz et al. (2007) fonnt Differenzen tëscht schwéiert a Liicht Benotzer, Allcott (2011) fonnt, datt do och Ënnerscheeder an der Schlussphas a Liicht Benotzer Grupp waren. Zum Beispill, reduzéiert déi masseräichste Benotzer (déi an der Équipe decile) hir Energie Uleedung duebel sou vill wéi een an der Mëtt vun der Schwéierindustrie Benotzer Grupp (Dorënner 4,7). Weider, datt den Effet vun Pre-Behandlung gelooss estimating och, datt et net eng héiert Effekt souguer fir déi liichste Benotzer (Dorënner 4,7) war.

Figur 4,7: Heterogeneity vun Behandlung Auswierkunge vun Allcott (2011). De Verloscht vun Energie benotzen war verschidde Leit a verschiddene deciles vun baseline Uleedung.

Figur 4,7: Heterogeneity vun Behandlung Auswierkunge vun Allcott (2011) . De Verloscht vun Energie benotzen war verschidde Leit a verschiddene deciles vun baseline Uleedung.

An engem Zesummenhang studéieren, Costa and Kahn (2013) spekuléieren, datt d'Effikacitéit vun der Home Energy Verknëppung variéieren op enger politescher Ideologie d'Virentscheedung an datt d'Behandlung eigentlech mat verschidden Ideologien Ursaach Leit benotzen hir Stroum baséiert hätt gestiermt kéint. An anere Wierder, spekuléiert se dass d'Home Energie Rapporten vläicht e héiert Effekt fir e puer Zorte vu Leit ginn ze schafen. Fir dës Méiglechkeet bewäerten, fusionéiert Costa an Kahn der Opower Date mat kaaft Daten aus engem Drëttel-Party aggregator datt Informatioune wéi politesch Partei Umeldung abegraff, Spenden ze Ëmwelt Organisatiounen, a Stot Participatioun vun den erneierbaren Energien Programmer. Mat dësem fusionéiert Donnéeën, fonnt Costa an Kahn, datt d'Home Energie Rapporten produzéiert breeder ähnlechen Effekter fir Mataarbechter mat verschidden Ideologien; et war kee Reproche, datt all Grupp héiert Effekter (Dorënner 4,8) Schatzkummer.

Figur 4,8: ​​Heterogeneity vun Behandlung Effekter an Costa an Kahn (2013). Déi geschate Duerchschnëtt Behandlung Effekt fir de ganze Prouf ass -2,1% [-1,5%, -2,7%]. Duerch Kombinéiere Informatiounen aus der Experimenter mat Informatiounen iwwer de Stéit, Costa an Kahn (2013) benotzt, eng Serie vun statisteschen Modeller fir ganz spezifesch Gruppe vu Leit färten Effekt ze schätzen. Zwee Devisen fir all Grupp virgestallt ginn, well den Aschätzunge op der covariates hänken se an hir statistesch Modeller abegraff (cf. Modell 4 an Modell 6 an Table 3 an Table 4 an Costa an Kahn (2013)). Wéi dëst Beispill weist, kann Behandlung Effekter fir verschidde Leit an Aschätzunge vun Behandlung Effekter anescht ginn, datt aus statisteschen Modeller kommen kann op d'Detailer vun deene Modeller hänkt (Grimmer, Messing, an Westwood 2014).

Figur 4,8: Heterogeneity vun Behandlung Effekter an Costa and Kahn (2013) . Déi geschate Duerchschnëtt Behandlung Effekt fir de ganze Prouf ass -2,1% [-1,5%, -2,7%]. Duerch Kombinéiere Informatiounen aus der Experimenter mat Informatiounen iwwer de Stéit, Costa and Kahn (2013) benotzt, eng Serie vun statisteschen Modeller fir ganz spezifesch Gruppe vu Leit färten Effekt ze schätzen. Zwee Devisen fir all Grupp virgestallt ginn, well den Aschätzunge op der covariates hänken se an hir statistesch Modeller abegraff (cf. Modell 4 an Modell 6 an Table 3 an Table 4 an Costa and Kahn (2013) ). Wéi dëst Beispill weist, kann Behandlung Effekter fir verschidde Leit an Aschätzunge vun Behandlung Effekter anescht ginn, datt aus statisteschen Modeller kommen kann op d'Detailer vun deene Modeller hänkt (Grimmer, Messing, and Westwood 2014) .

Well dës zwee Beispiller an der digitaler Ära Ganzt, kënne mir aus estimating Duerchschnëtt Behandlung Effekter ze plënneren der heterogeneity vun Behandlung Effekter estimating well mir vill méi Participanten hun kann a mir wëssen méi iwwer déi matmaachen. iwwer heterogeneity vun Behandlung Effekter Learning kann vun engem Traitement aktivéiert gezielt, wou se am meeschten effikass ass, déi Analysen déi nei Theorie Entwécklung ureegen, an Indikatiounen iwwer eng méiglech Mechanismus gëtt, d'Thema fir déi elo Tour sin.