4.4.2 Kepelbagaian kesan rawatan

Eksperimen biasanya mengukur kesan purata, tetapi kesannya mungkin tidak sama untuk semua orang.

Idea kedua untuk bergerak melangkaui percubaan mudah ialah heterogenitas kesan rawatan . Eksperimen Schultz et al. (2007) kuat menggambarkan bagaimana rawatan yang sama boleh memberi kesan yang berlainan kepada pelbagai jenis orang (Rajah 4.4). Walau bagaimanapun, dalam kebanyakan eksperimen analog, penyelidik memberi tumpuan kepada kesan rawatan purata kerana terdapat sejumlah kecil peserta dan sedikit diketahui tentang mereka. Walau bagaimanapun, dalam eksperimen digital, terdapat banyak lagi peserta dan lebih banyak diketahui tentangnya. Di dalam persekitaran data yang berbeza ini, para penyelidik yang terus menganggarkan hanya kesan rawatan purata akan terlepas cara-cara di mana anggaran tentang heterogenitas kesan rawatan dapat memberikan petunjuk mengenai bagaimana rawatan berfungsi, bagaimana ia dapat ditingkatkan, dan bagaimana ia dapat disasarkan kepada mereka yang paling mungkin mendapat manfaat.

Dua contoh heterogeneity kesan rawatan datang dari penyelidikan tambahan mengenai Laporan Tenaga Rumah. Pertama, Allcott (2011) menggunakan saiz sampel yang besar (600,000 isi rumah) untuk memecah lagi sampel dan menganggarkan kesan Laporan Tenaga Rumah dengan menggunting penggunaan tenaga pra-rawatan. Walaupun Schultz et al. (2007) mendapati perbezaan antara pengguna berat dan cahaya, Allcott (2011) mendapati terdapat juga perbezaan dalam kumpulan pengguna berat dan ringan. Sebagai contoh, pengguna yang paling berat (mereka yang berada di bahagian atas decile) mengurangkan penggunaan tenaga mereka sebanyak dua kali lebih banyak daripada seseorang di tengah-tengah kumpulan pengguna berat (angka 4.8). Tambahan pula, menganggarkan kesan oleh tingkah laku pra-rawatan juga mendedahkan bahawa tidak ada kesan bumerang, walaupun bagi pengguna yang paling ringan (angka 4.8).

Rajah 4.8: Heterogeniti kesan rawatan di Allcott (2011) . Pengurangan penggunaan tenaga adalah berbeza bagi orang-orang dalam penggunaan yang berbeza dari penggunaan baseline. Diadaptasi dari Allcott (2011) , angka 8.

Dalam kajian yang berkaitan, Costa and Kahn (2013) menduga bahawa keberkesanan Laporan Tenaga Rumah dapat berubah berdasarkan ideologi politik peserta dan rawatan itu sebenarnya akan menyebabkan orang-orang dengan ideologi tertentu meningkatkan penggunaan elektrik mereka. Dalam erti kata lain, mereka membuat spekulasi bahawa Laporan Tenaga Rumah mungkin mewujudkan kesan bumerang untuk beberapa jenis orang. Untuk menilai kemungkinan ini, Costa dan Kahn menggabungkan data Opower dengan data yang dibeli daripada agregator pihak ketiga yang termasuk maklumat seperti pendaftaran parti politik, sumbangan kepada organisasi alam sekitar, dan penyertaan isi rumah dalam program tenaga boleh diperbaharui. Dengan dataset yang disatukan, Costa dan Kahn mendapati bahawa Laporan Tenaga Rumah menghasilkan kesan yang sama secara meluas untuk peserta dengan ideologi yang berbeza; tidak ada bukti bahawa mana-mana kumpulan mempamerkan kesan bumerang (angka 4.9).

Rajah 4.9: Heterogeneiti kesan rawatan di Costa and Kahn (2013) . Kesan rawatan purata anggaran untuk keseluruhan sampel ialah -2.1% [-1.5%, -2.7%]. Selepas menggabungkan maklumat dari eksperimen dengan maklumat tentang isi rumah, Costa and Kahn (2013) menggunakan satu siri model statistik untuk menganggarkan kesan rawatan untuk kumpulan orang yang sangat spesifik. Dua anggaran dikemukakan untuk setiap kumpulan kerana anggaran bergantung kepada kovariat yang dimasukkan dalam model statistik mereka (lihat model 4 dan 6 dalam jadual 3 dan 4 di Costa and Kahn (2013) ). Sebagai contoh ini menggambarkan, kesan rawatan boleh berbeza bagi orang yang berlainan dan anggaran kesan rawatan yang datang dari model statistik boleh bergantung pada butiran model tersebut (Grimmer, Messing, and Westwood 2014) . Diadaptasi dari Costa and Kahn (2013) , jadual 3 dan 4.

Oleh kerana kedua-dua contoh ini menggambarkan, dalam era digital, kita boleh bergerak dari menganggarkan kesan rawatan purata untuk menganggarkan keseragaman kesan rawatan kerana kita boleh mempunyai banyak peserta dan kita tahu lebih banyak tentang peserta tersebut. Mempelajari tentang heterogenitas kesan rawatan dapat membolehkan penargetan rawatan di mana ia paling berkesan, memberikan fakta yang merangsang perkembangan teori baru, dan memberi petunjuk tentang mekanisme yang mungkin, topik yang sekarang saya beralih.