4.4.2 neviendabīgums ārstēšanas efektu

Eksperimenti parasti mēra vidējo efektu, taču efekts, iespējams, nav tas pats visiem.

Otrā galvenā ideja, kas virzīta tālāk par vienkāršiem eksperimentiem, ir ārstēšanas efektu neviendabīgums . Schultz et al. (2007) Eksperiments Schultz et al. (2007) spēcīgi ilustrē, kā vienāda attieksme var būt citāda ietekme uz dažādiem cilvēkiem (4.4. Attēls). Tomēr lielākajā daļā analogo eksperimentu pētnieki koncentrējās uz vidējo ārstēšanas efektu, jo bija neliels dalībnieku skaits un par tiem bija maz zināms. Tomēr digitālajos eksperimentos bieži vien ir daudz dalībnieku un vairāk par tiem ir zināms. Šajā dažādajā datu vidē pētnieki, kuri turpina novērtēt tikai vidējo ārstēšanas efektu, zaudēs izredzes, kā novērtējumi par ārstēšanas efektu neviendabīgumu var sniegt informāciju par to, kā ārstēšana darbojas, kā to var uzlabot un kā to var mērķēt tiem, kas varētu vislabāk gūt labumu.

Divi ārstēšanas efektu neviendabīguma piemēri ir saistīti ar papildu pētījumiem mājsaimniecības ziņojumos. Pirmkārt, Allcott (2011) izmantoja lielo izlases lielumu (600 000 mājsaimniecību), lai vēl vairāk sadalītu izlasi un novērtētu Mājas enerģijas ziņojuma ietekmi, izmantojot dekilē esošo pirmapstrādes enerģijas patēriņu. Lai gan Schultz et al. (2007) konstatēja atšķirības starp smagajiem un viegliem lietotājiem, Allcott (2011) konstatēja, ka arī smagā un vieglo lietotāju Allcott (2011) pastāv atšķirības. Piemēram, smagākie lietotāji (tie, kas atrodas augšējā decīlī) enerģijas patēriņu samazināja divreiz vairāk nekā kāds smagā lietotāja grupā (4.8. Attēls). Turklāt, novērtējot iedarbību pirms apstrādes, tika konstatēts arī tas, ka nebija bumerangas efekta, pat attiecībā uz vieglākajiem lietotājiem (4.8. Attēls).

4.8. Attēls: Ārstniecības efektu nevienmērīgums Allcott (2011). Enerģijas patēriņa samazināšanās cilvēkiem bija atšķirīga dažādos sākotnējā patēriņa decilos. Pielāgots no Allcott (2011), 8. attēls.

4.8. Attēls: Ārstniecības efektu Allcott (2011) . Enerģijas patēriņa samazināšanās cilvēkiem bija atšķirīga dažādos sākotnējā patēriņa decilos. Pielāgots no Allcott (2011) , 8. attēls.

Saistītajā pētījumā Costa and Kahn (2013) domāja, ka Mājas enerģijas ziņojuma efektivitāte varētu mainīties atkarībā no dalībnieka politiskās ideoloģijas un ka šī attieksme varētu patiešām radīt cilvēkiem ar noteiktu ideoloģiju, lai palielinātu viņu elektroenerģijas patēriņu. Citiem vārdiem sakot, viņi domāja, ka mājsaimniecības ziņojumi var radīt bumerangu efektu dažiem cilvēku veidiem. Lai novērtētu šo iespēju, Costa un Kahn apvienoja Opower datus ar datiem, kas iegādāti no trešās puses apkopotāja, kas ietvēra tādu informāciju kā politisko partiju reģistrācija, ziedojumi vides organizācijām un mājsaimniecību dalība atjaunojamās enerģijas programmās. Izmantojot šo apvienoto datu kopu, Costa un Kahn konstatēja, ka mājsaimniecības ziņojumi sniedza visai līdzīgu efektu dalībniekiem ar dažādām ideoloģijām; nebija pierādījumu tam, ka kāda grupa parādīja bumerangs efektus (4.9. attēls).

4.9. Attēls: terapijas ietekmju heterogēnība Costa un Kahn (2013). Paredzētais vidējais ārstēšanas efekts visam paraugam ir -2,1% [-1,5%, -2,7%]. Pēc eksperimenta informācijas apvienošanas ar informāciju par mājsaimniecībām Costa un Kahn (2013) izmantoja virkni statistikas modeļu, lai novērtētu ārstēšanas efektu ļoti specifiskām cilvēku grupām. Katrai grupai ir divas aplēses, jo tāmes ir atkarīgas no koparitātēm, kuras tās iekļāvušas statistikas modeļos (skat. 4. un 6. modeli Kostas un Kana 3. un 4. tabulā (2013. gads)). Kā parādīts šajā piemērā, dažādu cilvēku ārstēšanas efekti var atšķirties, un statistisko modeļu rezultātu novērtējums var būt atkarīgs no šo modeļu detaļām (Grimmer, Messing un Westwood 2014). Pielāgots no Costa un Kahn (2013), 3. un 4. tabula.

4.9. Attēls: terapijas ietekmju heterogēnība Costa and Kahn (2013) . Paredzētais vidējais ārstēšanas efekts visam paraugam ir -2,1% [-1,5%, -2,7%]. Pēc eksperimenta informācijas apvienošanas ar informāciju par mājsaimniecībām Costa and Kahn (2013) izmantoja virkni statistikas modeļu, lai novērtētu ārstēšanas efektu ļoti specifiskām cilvēku grupām. Katrai grupai ir divas aplēses, jo tāmes ir atkarīgas no koparitātēm, kuras tās iekļāvušas statistikas modeļos (skat. 4. un 6. modeli Costa and Kahn (2013) 3. un 4. tabulā Costa and Kahn (2013) ). Kā parādīts šajā piemērā, dažādu cilvēku ārstēšanas efekti var atšķirties, un statistisko modeļu rezultātu novērtējums var būt atkarīgs no šo modeļu detaļām (Grimmer, Messing, and Westwood 2014) . Pielāgots no Costa and Kahn (2013) , 3. un 4. tabula.

Kā parādīts šajos divos piemēros, digitālajā laikmetā mēs varam pāriet no vidējo ārstēšanas efektu novērtēšanas līdz ārstēšanas efektu neviendabīguma novērtēšanai, jo mums var būt daudz vairāk dalībnieku un mēs zinām vairāk par šiem dalībniekiem. Apgūstot ārstēšanas efektu neviendabīgumu, var padarīt mērķtiecīgāku ārstēšanu, kur tā ir visefektīvākā, sniedz faktus, kas stimulē jaunu teoriju attīstību, un sniedz norādes par iespējamiem mehānismiem, par kuru es tagad pievēršos.