4.4.2 उपचार प्रभाव धक्का बसला असून रहिवासातील

प्रयोग साधारणतया सरासरी प्रभावाचे मोजतात, परंतु परिणाम कदाचित प्रत्येकासाठी समान नसतो.

साध्या प्रयोगांहून पुढे जाण्याचा दुसरा महत्वाचा विचार म्हणजे उपचारांचा प्रभाव वैविध्यता . Schultz et al. (2007) प्रयोग Schultz et al. (2007) स्पष्टपणे दाखवून देतो की कसे समान उपचारांमुळे वेगवेगळ्या प्रकारचे लोक (आकृती 4.4) वर भिन्न प्रभाव पडू शकतो. परंतु बहुतेक एनालॉग प्रयोगांमध्ये, संशोधकांनी सरासरी उपचारांवर प्रभाव टाकण्यावर लक्ष केंद्रित केले कारण काही कमी सहभागी होते आणि त्यांच्याबद्दल फारशी माहिती नव्हती. डिजिटल प्रयोगांमध्ये, अनेकदा बरेच सहभागी असतात आणि त्याबद्दल त्यांना अधिक माहिती आहे. या विविध डेटा वातावरणात, फक्त सरासरी उपचारांच्या प्रभावाचा अंदाज लावणारे संशोधक उपचार पद्धतींचे विविधरिती कसे करतात याचे अनुमान लावले जातील उपचार कसे कार्य करतील यावर सुगावा, ते कसे सुधारित केले जाऊ शकते, आणि ते कशा प्रकारे लक्ष्यित केले जाऊ शकते जे सर्वात जास्त फायदे होण्याची शक्यता आहे

उपचारांच्या विविधतेची दोन उदाहरणे, होम ऊर्जा अहवालांवर अतिरिक्त संशोधनातून येतात. प्रथम, Allcott (2011) ने नमुना विभाजित करण्यासाठी आणि पूर्व-ऊर्जा ऊर्जेच्या उपयोगासंदर्भात होम एनर्जी अहवालाचा प्रभाव अंदाज घेण्यासाठी मोठ्या नमुना आकाराचा (600,000 घर) वापर केला. Schultz et al. (2007) हेवी आणि प्रकाश वापरकर्ते दरम्यान फरक आढळले, Allcott (2011) आणि प्रकाश-वापरकर्ता गट आत फरक होते असे आढळले. उदाहरणार्थ, सर्वात जास्त वापरकर्ते (टॉप डेसीलेमधील) ने त्यांच्या ऊर्जा वापरास दोनदा एवढा कमी केला की हेवी-यूज़र ग्रुपच्या मध्यभागी कोणीतरी (आकृती 4.8). पुढे, पूर्व-उपचार वर्तनाने होणाऱ्या प्रभावाचा अंदाज काढला आहे की अगदी सामान्यतः बंडखोर लोकांसाठीही (बोटरॅंग इफेक्ट) दिसत नाही (आकृती 4.8).

आकृती 4.8: Allcott (2011) मध्ये उपचारांवर होणारा परिणाम. आधारभूत वापराच्या वेगवेगळ्या दशकातील लोकांसाठी ऊर्जेचा वापर कमी होता. Allcott (2011) , 8 आकृती

संबंधित अभ्यासानुसार, Costa and Kahn (2013) अनुमान काढले की गृह ऊर्जा अहवालाची प्रभावीता एखाद्या सहभागीच्या राजकीय विचारधाराच्या आधारावर बदलू शकते आणि उपचाराने काही विशिष्ट विचारधार्यांना त्यांच्या विजेच्या वापरासाठी वाढ करण्यास कारणीभूत ठरू शकते. दुस-या शब्दात त्यांनी असे अनुमान काढले आहे की काही प्रकारचे लोक हे गृह ऊर्जा अहवाल कदाचित एक बूमरॅग परिणाम तयार करतील. या संभाव्यतेचे मूल्यांकन करण्यासाठी, कोस्टा आणि कान यांनी अपॉपर डेटामध्ये तृतीय पक्ष एग्रीगेटरद्वारे खरेदी केलेल्या डेटासह विलीनीकरण केले ज्यात राजकीय पक्ष नोंदणी, पर्यावरण संस्थांना देणग्या आणि नवीकरणीय ऊर्जा कार्यक्रमांमध्ये कुटुंबाची भागीदारी समाविष्ट आहे. या विलीन झालेल्या डाटासेटसह, कोस्टा आणि कान यांना आढळून आले की गृह ऊर्जा अहवाल विविध विचारधारे असलेल्या सहभागींसाठी सामान्यपणे समान परिणामांचे उत्पादन करतात; कोणताही गट बूमरॅंग प्रभावांचा प्रदर्शित झाला नाही (आकृती 4.9)

आकृती 4.9: Costa and Kahn (2013) मध्ये उपचारांवर होणारा परिणाम. संपूर्ण नमुना साठी अंदाजे सरासरी उपचार प्रभाव -2.1% आहे [-1.5%, -2.7%]. प्रयोगांविषयीच्या माहितीसह माहिती एकत्र केल्यानंतर Costa and Kahn (2013) लोकांच्या विशिष्ट समूहांच्या उपचाराचा अंदाज घेण्यासाठी सांख्यिकीय मॉडेलच्या मालिकेचा वापर केला. प्रत्येक गटासाठी दोन अंदाज सादर केले जातात कारण अंदाज त्यांच्या सांसारिक मॉडेलमध्ये समाविष्ट केलेल्या कॉवेरिअल्सवर अवलंबून असतो ( Costa and Kahn (2013) मधील तक्ता 3 आणि 4 मध्ये मॉडेल 4 आणि 6). हे उदाहरण स्पष्ट करते की, विविध लोकांसाठी उपचारांचा प्रभाव भिन्न असू शकतो आणि सांख्यिकीय मॉडेलवरील उपचारांच्या प्रभावांचे अंदाज त्या मॉडेलच्या तपशीलावर अवलंबून असू शकते (Grimmer, Messing, and Westwood 2014) . Costa and Kahn (2013) , टेबल्स 3 आणि 4 मधील रुपांतर

या दोन उदाहरणांवरून स्पष्ट होते की, डिजिटल युगात, आम्ही उपचारातील उपचारांच्या विविधतेचे आकलन करण्यासाठी सरासरी उपचारांच्या प्रभावांचा अंदाज लावू शकतो कारण बरेच अधिक सहभागी असू शकतात आणि त्या सहभागींबद्दल आम्हाला अधिक माहिती आहे. उपचारांच्या प्रभावांच्या विविधतांबद्दल शिकणे हे अशा उपचारांना लक्ष्यित करू शकते जिथे ते सर्वात प्रभावी आहे, नवीन सिद्धांत विकासाला उत्तेजन देणारी तथ्ये प्रदान करतात आणि शक्य यंत्रणा बद्दल इशारे देतात, ज्या विषयावर मी आता चालू करतो