4.4.2 ചികിത്സ ഇഫക്റ്റുകൾ Heterogeneity

പരീക്ഷണങ്ങൾ സാധാരണ ശരാശരി പ്രഭാവം അളക്കുക എന്നാൽ പ്രാബല്യത്തിൽ വ്യത്യസ്ത ജനങ്ങൾക്ക് വ്യത്യസ്തമായ കഴിയും.

ലളിതമായ പരീക്ഷണങ്ങൾ മുന്നേറ്റങ്ങൾ രണ്ടാം കീ ആശയം ചികിത്സ ഇഫക്റ്റുകൾ heterogeneity ആണ്. അനുഭവം Schultz et al. (2007) ശക്തമായി അതേ പരിഗണന ആളുകൾ വിവിധ തരത്തിലുള്ള വിവിധ ഇഫക്റ്റുകൾ (ചിത്രം 4.4) ഞങ്ങൾക്കുണ്ട് എങ്ങനെ, എന്നാൽ heterogeneity ഈ വിശകലനം ഒരു അനലോഗ് പ്രായം പരീക്ഷണം യഥാർത്ഥത്തിൽ പതിവിൽ ആണ് വ്യക്തമാക്കുന്നു. ഏറ്റവും അനലോഗ് പ്രായം പരീക്ഷണങ്ങൾ അവരെ കുറിച്ച് അല്പം പ്രീ-ചികിത്സ അറിയപ്പെടുന്നത് കാരണം പരസ്പരം "വിഡ്ജറ്റുകൾ" പെരുമാറ്റമാണ് എന്ന് പങ്കാളികളുടെ ഒരു ചെറിയ എണ്ണം ഉൾപ്പെട്ടിരിക്കുന്നത്. ഡിജിറ്റൽ പരീക്ഷണങ്ങളിൽ എന്നാല്, ഈ ഡാറ്റ നിയന്ത്രണങ്ങൾ കുറവ് സാധാരണ ഗവേഷകർ കൂടുതൽ പങ്കാളികളെ ഞങ്ങൾക്കുണ്ട് അവരെ കൂടുതൽ അറിയാൻ പ്രവണത കാരണം. ഈ വ്യത്യസ്ത ഡാറ്റ പരിസ്ഥിതി, ഞങ്ങൾ, ചികിത്സ എങ്ങനെ പ്രവർത്തിക്കുന്നു സൂചന നൽകാൻ ചികിത്സ ഇഫക്റ്റുകൾ heterogeneity കണക്കുകൂട്ടുന്നു അതു മെച്ചപ്പെട്ടു കഴിയും, എങ്ങനെ അതു പ്രയോജനം ഏറെയും സാധ്യത ആ ലക്ഷ്യം കഴിയും.

സോഷ്യൽ മാനദണ്ഡങ്ങളും ഊർജ്ജ ഉപയോഗം പശ്ചാത്തലത്തിൽ ചികിത്സ ഇഫക്റ്റുകൾ heterogeneity രണ്ട് ഉദാഹരണങ്ങൾ ഹോം എനർജി റിപ്പോർട്ടുകൾ അധിക ഗവേഷണ വരുന്നു. ആദ്യം, Allcott (2011) കൂടുതൽ സാമ്പിൾ വിഭജിക്കുക, പ്രീ-ചികിത്സ ഊർജ്ജ ഉപയോഗം decile വഴി ഹോം എനർജി റിപ്പോർട്ട് പ്രഭാവം കണക്കാക്കാൻ വലിയ സാമ്പിൾ വലിപ്പം (600,000 കുടുംബങ്ങൾക്കും) ഉപയോഗിച്ചു. അതേസമയം Schultz et al. (2007) ഭാരമുള്ള നേരിയ ഉപയോക്താക്കൾ തമ്മിലുള്ള വ്യത്യാസങ്ങൾ കണ്ടു Allcott (2011) ഭാരമുള്ള നേരിയ ഉപയോക്തൃ ഗ്രൂപ്പ് ഉള്ളിൽ വ്യത്യാസങ്ങൾ ഉണ്ടായിരുന്നു എന്ന് കണ്ടെത്തി. ഉദാഹരണത്തിന്, ഇതേവരെ ഉപയോക്താക്കൾ (മുകളിൽ decile ഉള്ളവരെ) ഇരട്ടിയായി കനത്ത ഉപയോക്തൃ ഗ്രൂപ്പ് (ചിത്രം 4.7) നടുവിലെ ആൾമാറാട്ടം അവരുടെ ഊർജ്ജ ഉപയോഗം കുറച്ചിട്ടുണ്ട്. എന്നുതന്നെയല്ല, പ്രീ-ചികിത്സ പ്രവർത്തനരീതിയിലൂടെ പ്രാബല്യത്തിൽ നിർണയിക്കാനും പോലും ഭാരം ഉപയോക്താക്കൾ (ചിത്രം 4.7) വേണ്ടി പറഞ്ഞപ്പോള് പ്രഭാവം ഇല്ല എന്നു വെളിപ്പെടുത്തി.

ചിത്രം 4.7: Allcott ചികിത്സ ഇഫക്റ്റുകൾ (2011) എന്ന Heterogeneity. ഊർജ്ജ ഉപയോഗം കുറവുണ്ടായത് രേഖയെ ഉപയോഗം വിവിധ deciles ആളുകൾക്കായി വ്യത്യസ്തമായിരുന്നു.

ചിത്രം 4.7: ചികിത്സ ഇഫക്റ്റുകൾ Heterogeneity Allcott (2011) . ഊർജ്ജ ഉപയോഗം കുറവുണ്ടായത് രേഖയെ ഉപയോഗം വിവിധ deciles ആളുകൾക്കായി വ്യത്യസ്തമായിരുന്നു.

ഒരു അനുബന്ധ പഠനത്തിൽ, Costa and Kahn (2013) ഹോം എനർജി റിപ്പോർട്ട് ഫലപ്രാപ്തി പങ്കാളിയാണ് രാഷ്ട്രീയ പ്രത്യയശാസ്ത്രം അടിസ്ഥാനമാക്കി വ്യത്യാസപ്പെടാം ചികിത്സ യഥാർത്ഥത്തിൽ ചില പ്രത്യയശാസ്ത്രങ്ങൾ ജനത്തെ അവരുടെ വൈദ്യുതി ഉപയോഗം വർദ്ധിപ്പിക്കാൻ ഇടയാക്കും കാരണമായേകാവുന്ന ഊഹങ്ങളും. മറ്റു വാക്കുകളിൽ അവർ ഹോം എനർജി റിപ്പോർട്ടുകൾ ജനത്തിൽ ചിലരെ തരം പറഞ്ഞപ്പോള് പ്രഭാവം സൃഷ്ടിക്കുന്നു സംഗതിവന്നു ഊഹങ്ങളും. ഈ സാധ്യത വിലയിരുത്താൻ, കോസ്റ്റാ ആൻഡ് കാൻ പോലുള്ള രാഷ്ട്രീയ പാർട്ടി രജിസ്ട്രേഷൻ, പരിസ്ഥിതി സംഘടനകൾ സംഭാവനകൾ, ഒപ്പം ഊർജ പരിപാടികൾ കുടുംബ പങ്കാളിത്തം വിവരങ്ങൾ ഉൾപ്പെട്ട ഒരു മൂന്നാം കക്ഷി അഗ്രഗേറ്റർ നിന്ന് വാങ്ങിയ ഡാറ്റ ഉപയോഗിച്ച് Opower ഡാറ്റ ലയിപ്പിച്ചു. ഈ ലയിപ്പിച്ച ഡാറ്റാഗണത്തിന്റെ വച്ച് കോസ്റ്റാ ആൻഡ് കാൻ ഹോം എനർജി റിപ്പോർട്ടുകൾ വിവിധ പ്രത്യയശാസ്ത്രങ്ങൾ കൂടെ പങ്കാളികൾക്കും വീതിയേറിയ സമാനമായ ഇഫക്റ്റുകൾ നിർമ്മിക്കുന്നത് കണ്ടെത്തി; ഏതെങ്കിലും ഗ്രൂപ്പിന് നിന്നു കാണാന് ഇഫക്റ്റുകൾ (ചിത്രം 4.8) പ്രദർശിപ്പിച്ചിരുന്നു യാതൊരു തെളിവും ഇല്ല.

4.8: കോസ്റ്റാ ആൻഡ് കാൻ (2013) ചികിത്സ ഇഫക്റ്റുകൾ Heterogeneity. മുഴുവൻ സാമ്പിൾ കണക്കുകൾ ശരാശരി ചികിത്സ പ്രഭാവം -2,1% [-1,5%, -2,7%] ആണ്. കുടുംബങ്ങളെയും കുറിച്ചുള്ള വിവരങ്ങൾ പരീക്ഷണം വിവരങ്ങൾ നടത്തുന്നതിലൂടെ, കോസ്റ്റാ ആൻഡ് കാൻ (2013) ജനത വളരെ നിർദ്ദിഷ്ട ഗ്രൂപ്പ് ചികിത്സ പ്രഭാവം കണക്കാക്കാൻ സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലുകൾ ഒരു പരമ്പര ഉപയോഗിച്ചു. കണക്കുകളെ (പട്ടിക 3 കോസ്റ്റാ ആൻഡ് കാൻ (2013) പട്ടിക 4 മോഡൽ 4 മോഡൽ 6) covariates തങ്ങളുടെ സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലുകൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട് ആശ്രയിക്കുന്നത് കാരണം രണ്ടു എസ്റ്റിമേറ്റുകൾ ഓരോ ഗ്രൂപ്പിനുള്ള അവതരിപ്പിക്കുന്നു. ഈ ഉപമ വിവരിച്ചുതന്നിരിക്കുന്നു പോലെ, ചികിത്സ ഇഫക്റ്റുകൾ വ്യത്യസ്ത ആളുകളെ സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലുകളിൽ നിന്ന് വരുന്ന ചികിത്സ ഇഫക്റ്റുകൾ കണക്ക് വേണ്ടി വ്യത്യസ്തമായ കഴിയും ആ മോഡലുകൾ (Grimmer, അവസ്റ്റ്, ഒപ്പം Westwood 2014) വിശദാംശങ്ങൾ ആശ്രയിക്കാം.

4.8: ചികിത്സ ഇഫക്റ്റുകൾ Heterogeneity Costa and Kahn (2013) . മുഴുവൻ സാമ്പിൾ കണക്കുകൾ ശരാശരി ചികിത്സ പ്രഭാവം -2,1% [-1,5%, -2,7%] ആണ്. കുടുംബങ്ങളെയും കുറിച്ചുള്ള വിവരങ്ങൾ പരീക്ഷണം വിവരങ്ങൾ നടത്തുന്നതിലൂടെ, Costa and Kahn (2013) ജനത്തിന്റെ നിർദ്ദിഷ്ട ഗ്രൂപ്പ് ചികിത്സ പ്രഭാവം കണക്കാക്കാൻ സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലുകൾ ഒരു പരമ്പര ഉപയോഗിച്ചു. കണക്കുകളെ (പട്ടിക 3 പട്ടിക 4 മോഡൽ 4 മോഡൽ 6 covariates തങ്ങളുടെ സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലുകൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട് ആശ്രയിക്കുന്നത് കാരണം രണ്ടു എസ്റ്റിമേറ്റുകൾ ഓരോ ഗ്രൂപ്പിനുള്ള അവതരിപ്പിക്കപ്പെടുന്ന Costa and Kahn (2013) ). ഈ ഉപമ വിവരിച്ചുതന്നിരിക്കുന്നു പോലെ, ചികിത്സ ഇഫക്റ്റുകൾ വ്യത്യസ്ത ആളുകളെ സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലുകളിൽ നിന്ന് വരുന്ന ചികിത്സ ഇഫക്റ്റുകൾ കണക്ക് വേണ്ടി വ്യത്യസ്തമായ കഴിയും ആ മോഡലുകൾ വിശദാംശങ്ങൾ ആശ്രയിക്കാം (Grimmer, Messing, and Westwood 2014) .

ഈ രണ്ടു ഉദാഹരണങ്ങൾ ഡിജിറ്റൽ ലോകത്തിലും ദൃഷ്ടാന്തത്തിന് പോലെ, നമ്മൾ കൂടുതൽ പേർ പങ്കെടുക്കുന്നു ഉണ്ടായിരിക്കാം, ആ പങ്കെടുക്കുന്നവർ കൂടുതൽ അറിയാൻ കാരണം ചികിത്സ ഇഫക്റ്റുകൾ heterogeneity നിർണയിക്കാനും ശരാശരി ചികിത്സ ഇഫക്റ്റുകൾ നിർണയിക്കാനും നിന്ന് നീക്കാൻ കഴിയും. ചികിത്സ ഇഫക്റ്റുകൾ heterogeneity കുറിച്ച് പഠിക്കുക, ഏറ്റവും ഫലപ്രദമായ എവിടെ ഒരു ചികിത്സയുടെ ടാർഗെറ്റുചെയ്യൽ പ്രാപ്തമാക്കുക പുതിയ സിദ്ധാന്തം വികസനം ഉത്തേജിപ്പിക്കുകയും ആ വസ്തുതകൾ നല്കി, ഏത് ഞാൻ ഇനി വിഷയം സാധ്യതയുള്ള മെക്കാനിസം കുറിച്ച് സൂചനകൾ നൽകാൻ കഴിയും.