4.4.2 ചികിത്സ ഇഫക്റ്റുകൾ Heterogeneity

പരീക്ഷണങ്ങൾ സാധാരണയായി ശരാശരി പ്രഭാവം അളക്കുന്നു, പക്ഷെ ഇതിന്റെ പ്രയോജനം ഒരുപക്ഷേ എല്ലാവർക്കും ഒരുപോലെ അല്ല.

ലളിതമായ പരീക്ഷണങ്ങൾക്കുമപ്പുറത്തേക്ക് നീങ്ങാൻ രണ്ടാമത്തെ പ്രധാന ആശയം ചികിത്സാപരമായ പ്രത്യാഘാതങ്ങൾക്കപ്പുറമാണ് . Schultz et al. (2007) സമാന ചികിത്സയ്ക്ക് വിവിധ തരത്തിലുള്ള ആളുകളുടെ വ്യത്യസ്തമായ ഫലം എങ്ങനെ തെളിയിക്കാനാകുമെന്ന് ഊഹാപോഹങ്ങൾ (ചിത്രം 4.4). എന്നാൽ മിക്ക അനലോഗ് പരീക്ഷണങ്ങളിലും, ഗവേഷകർ വളരെ ശരാശരി ചികിത്സയുടെ ഫലമായി ശ്രദ്ധിക്കപ്പെട്ടിരുന്നു. കാരണം, ചെറിയ അളവിലുള്ള പങ്കാളികൾ മാത്രമേ ഉണ്ടായിരുന്നുള്ളൂ. എന്നിരുന്നാലും ഡിജിറ്റൽ പരീക്ഷണങ്ങളിൽ പലരും പങ്കാളികളായിട്ടുണ്ട്. ഈ വ്യത്യസ്ത ഡാറ്റാ പരിതസ്ഥിതിയിൽ, ശരാശരി ചികിത്സാ പ്രവണതകൾ മാത്രം കണക്കിലെടുക്കുന്ന ഗവേഷകർ, ചികിത്സ ഫലങ്ങളുടെ വൈരുദ്ധ്യാത്മകതയെപ്പറ്റിയുള്ള കണക്കുകൾ, ചികിത്സ എങ്ങനെ പ്രവർത്തിക്കുന്നു, അത് എങ്ങനെ മെച്ചപ്പെടുത്താം, എങ്ങനെ അത് ലക്ഷ്യം നേടാം എന്നതിനെ പറ്റി സൂചന നൽകാം. കൂടുതൽ പ്രയോജനം നേടുന്നവർക്ക്.

ചികിത്സാ പ്രമേയങ്ങളുടെ വൈരുദ്ധ്യാത്മകതയുടെ രണ്ട് ഉദാഹരണങ്ങൾ, ഹോം എനർജി റിപ്പോർട്ടുകളിൽ കൂടുതൽ ഗവേഷണം തുടങ്ങി. ആദ്യം, Allcott (2011) , സാമ്പിൾ വിഭജിക്കുന്നതിനുള്ള വലിയ സാമ്പിൾ സൈസ് (600,000 വീടുകൾ) ഉപയോഗിച്ചു. മുൻകൂർ ചികിത്സയ്ക്കുള്ള ഊർജ്ജ ഉപയോഗം Allcott (2011) എനർജി റിപോർട്ടിന്റെ പ്രത്യാഘാതങ്ങൾ വിലയിരുത്തുകയും ചെയ്തു. Schultz et al. (2007) ഭീമൻ ലൈറ്റ് ഉപയോക്താക്കൾക്കിടയിലുള്ള വ്യത്യാസങ്ങൾ കണ്ടെത്തി, Allcott (2011) കണ്ടെത്തി- Allcott (2011) ലൈറ്റ്-യൂസർ ഗ്രൂപ്പിനുള്ള വ്യത്യാസങ്ങളും ഉണ്ടായിരുന്നു. ഉദാഹരണത്തിന്, ഏറ്റവും വലിയ ഉപയോക്താക്കൾ (ഉന്നത ദ്രുതഗതിയിലുള്ളവർ) അവരുടെ ഊർജ്ജ ഉപയോഗം രണ്ടിരട്ടിയിലേറെ ഭാരം കുറഞ്ഞു (കനത്ത ഉപയോക്തൃ ഗ്രൂപ്പിന്റെ മദ്ധ്യത്തിൽ ഒരാൾ) (ചിത്രം 4.8). കൂടാതെ, പ്രീ-ചികിൽസ പെരുമാറ്റത്തിലൂടെ പ്രഭാവം കണക്കിലെടുത്ത്, ബൂററാം ഇഫക്ട് ഇല്ല, ഏറ്റവും ലളിതമായ ഉപയോക്താക്കൾക്ക് പോലും (ചിത്രം 4.8).

ചിത്രം 4.8: അലക്സാറ്റിൻറ്റിയിലെ ചികിൽസ ഇഫക്റ്റുകളുടെ ഹെറോ ഹോനൊജനീസ് (2011). ഊർജ്ജ ഉപയോഗം കുറയുന്ന കുറവ് അടിസ്ഥാന ഉപയോഗത്തിന്റെ വിവിധ deciles ലെ ജനങ്ങൾക്ക് വ്യത്യസ്തമാണ്. അലക്സാറ്റ് (2011), 8 ൽ നിന്ന് അവതരിപ്പിച്ചത്.

ചിത്രം 4.8: Allcott (2011) ചികിൽസ ഇഫക്റ്റുകളുടെ Allcott (2011) . ഊർജ്ജ ഉപയോഗം കുറയുന്ന കുറവ് അടിസ്ഥാന ഉപയോഗത്തിന്റെ വിവിധ deciles ലെ ജനങ്ങൾക്ക് വ്യത്യസ്തമാണ്. Allcott (2011) , 8 ൽ നിന്ന് അവതരിപ്പിച്ചത്.

ഒരു ബന്ധപ്പെട്ട പഠനത്തിൽ, Costa and Kahn (2013) ഊർജ്ജം ഊർജ്ജത്തിന്റെ റിപ്പോർട്ടിന്റെ സ്വാധീനം പങ്കാളിത്തയുടെ രാഷ്ട്രീയ പ്രത്യയശാസ്ത്രത്തിന്റെ അടിസ്ഥാനത്തിൽ വ്യത്യാസപ്പെട്ടിരിക്കാമെന്നും, വൈദ്യുത ഉപഭോഗം വർദ്ധിപ്പിക്കുന്നതിന് ചില പ്രത്യയശാസ്ത്രങ്ങളുമായി ആളുകളുണ്ടാകാൻ ഇടയാക്കുമെന്നും പഠിപ്പിച്ചു. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ചില ഊർജ്ജ ജനങ്ങൾക്ക് ഊർജ്ജം ഊർജ്ജം റിപ്പോർട്ടുകൾ ഒരു ബൂമറാം പ്രഭാവം സൃഷ്ടിക്കുമെന്ന് അവർ ഊഹിച്ചു. ഈ സാധ്യതയെ വിലയിരുത്താൻ, കോസ്റ്റയും കാനും ഒപ്പുവെക്കൽ ഡാറ്റ കൂട്ടിച്ചേർത്തു, മൂന്നാം പാർട്ടി അഗ്രഗേറ്ററിൽ നിന്ന് ലഭിച്ച വിവരങ്ങൾ, രാഷ്ട്രീയ പാർട്ടികളുടെ രജിസ്ട്രേഷൻ, പരിസ്ഥിതി സംഘടനകൾക്ക് സംഭാവനകൾ, പുനരുൽപ്പാദിപ്പിക്കാവുന്ന ഊർജ്ജ പരിപാടികളിൽ ഗാർഹിക പങ്കാളിത്തം തുടങ്ങിയവ ഉൾപ്പെടെയുള്ള വിവരങ്ങളുമായി ലയിപ്പിച്ചു. ഈ സംയോജിത ഡാറ്റാഗണത്തിലൂടെ കോസ്റ്റയും കാനും, ഊർജ്ജം സംബന്ധിച്ച റിപ്പോർട്ടുകൾ വിവിധ ആശയവിനിമയങ്ങളുമായി പങ്കാളിത്തത്തിന് വിപുലമായ സമാന ഫലങ്ങൾ ഉണ്ടാക്കി. ഏതെങ്കിലും ഗ്രൂപ്പിലെ ബൂമറാങ് ഇഫക്റ്റുകൾ പ്രദർശിപ്പിക്കാൻ യാതൊരു തെളിവുമില്ല (ചിത്രം 4.9).

ചിത്രം 4.9: കൊസ്റ്റയിലും കാൻയിലും (2013) ചികിത്സാ പ്രഭാവത്തിൻറെ പാർശ്വഫലങ്ങൾ. മുഴുവൻ സാമ്പിൾ പരിശോധിച്ചാൽ ശരാശരി -2.1% [-1.5%, -2.7%]. ഗവേഷകരിൽ നിന്നുള്ള വിവരങ്ങളടങ്ങിയ വിവരങ്ങൾ കോഴ്സ, ഖാൻ (2013) തുടങ്ങിയ വിവരങ്ങൾ ജനങ്ങളുടെ വളരെ കൃത്യമായ ഗ്രൂപ്പുകളുടെ ചികിത്സയുടെ ഫലമായി കണക്കാക്കാൻ നിരവധി സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലുകൾ ഉപയോഗിച്ചു. ഓരോ ഗണത്തിനും രണ്ട് മൂല്യങ്ങൾ അവതരിപ്പിക്കപ്പെടുന്നു, കാരണം കണക്കുകൾ അത് തങ്ങളുടെ സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലുകളിൽ ഉൾപ്പെടുത്തിയിട്ടുള്ള കോവർകേറ്റുകളെ ആശ്രയിച്ചിരിക്കുന്നു (കോസ്റ്റയിലും കാൻയിലും (2013) 3, 4 പട്ടികകളിലെ മോഡലുകൾ 4 ഉം 6 ഉം കാണുക. ഈ ഉദാഹരണം വ്യക്തമാക്കുന്പോൾ, വിവിധ ജനങ്ങൾക്ക് ചികിത്സാകേന്ദ്രം വ്യത്യസ്തമായിരിക്കും, സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലുകളിൽ നിന്നുമുള്ള ചികിത്സാപരമായ പ്രത്യാഘാതങ്ങളെക്കുറിച്ചുള്ള വിശകലനങ്ങൾ ആ മോഡലുകളുടെ (ഗ്രെമർ, മെസ്സിംഗ്, വെസ്റ്റ്വുഡ് 2014) വിശദാംശങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നു. കോസ്റ്റാ ആൻഡ് കാൻ (2013), പട്ടിക 3, 4 എന്നിവയിൽ നിന്ന് സ്വീകരിച്ചിരിക്കുന്നു.

ചിത്രം 4.9: Costa and Kahn (2013) ചികിത്സാ പ്രഭാവത്തിൻറെ പാർശ്വഫലങ്ങൾ. മുഴുവൻ സാമ്പിൾ പരിശോധിച്ചാൽ ശരാശരി -2.1% [-1.5%, -2.7%]. ഗവേഷകരിൽ നിന്നുള്ള വിവരങ്ങളടങ്ങിയ വിവരങ്ങൾ Costa and Kahn (2013) വിവരങ്ങൾ ജനങ്ങളുടെ വളരെ കൃത്യമായ ഗ്രൂപ്പുകളുടെ ചികിത്സയുടെ ഫലമായി കണക്കാക്കാൻ നിരവധി സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലുകൾ ഉപയോഗിച്ചു. ഓരോ ഗണത്തിനും രണ്ട് മൂല്യങ്ങൾ അവതരിപ്പിക്കപ്പെടുന്നു, കാരണം കണക്കുകൾ അത് തങ്ങളുടെ സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലുകളിൽ ഉൾപ്പെടുത്തിയിട്ടുള്ള കോവർകേറ്റുകളെ ആശ്രയിച്ചിരിക്കുന്നു ( Costa and Kahn (2013) 3, 4 പട്ടികകളിലെ മോഡലുകൾ 4 ഉം 6 ഉം കാണുക. ഈ ഉദാഹരണം വ്യക്തമാക്കുന്പോൾ, വിവിധ ജനങ്ങൾക്ക് ചികിത്സാകേന്ദ്രം വ്യത്യസ്തമായിരിക്കും, സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലുകളിൽ നിന്നുമുള്ള ചികിത്സാപരമായ പ്രത്യാഘാതങ്ങളെക്കുറിച്ചുള്ള വിശകലനങ്ങൾ ആ മോഡലുകളുടെ (Grimmer, Messing, and Westwood 2014) വിശദാംശങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നു. Costa and Kahn (2013) , പട്ടിക 3, 4 എന്നിവയിൽ നിന്ന് സ്വീകരിച്ചിരിക്കുന്നു.

ഈ രണ്ട് ഉദാഹരണങ്ങൾ വ്യക്തമാക്കുമ്പോൾ, ഡിജിറ്റൽ യുഗത്തിൽ, നമുക്ക് ചികിൽസഫലങ്ങളുടെ ഫലപ്രാപ്തി കണക്കാക്കാൻ ശരാശരി ചികിത്സാ പ്രഭാവം കണക്കാക്കാൻ കഴിയും, കാരണം നമുക്ക് കൂടുതൽ പങ്കാളികളാകാൻ കഴിയും, ആ പങ്കാളികളിൽ കൂടുതൽ അറിയാം. ചികിത്സ ഫലങ്ങളുടെ വൈജാത്യങ്ങളെക്കുറിച്ച് പഠിക്കുന്നത് ഒരു ചികിത്സയുടെ ലക്ഷ്യം ഏറ്റവും ഫലപ്രദമായിരുന്നാൽ, പുതിയ സിദ്ധാന്തത്തിന്റെ വളർച്ചയെ ഉത്തേജിപ്പിക്കുന്ന വസ്തുതകൾ പ്രദാനം ചെയ്യുക, ഞാൻ ഇപ്പോൾ തിരിഞ്ഞുവിടുന്ന വിഷയം, സാധ്യമായ സംവിധാനങ്ങളെക്കുറിച്ച് സൂചനകൾ നൽകുക.