4.4.2 ကုသမှုသက်ရောက်မှုများ၏သောင်းပြောင်းထွေလာရောနှော

စမ်းသပ်ချက်ပုံမှန်ပျမ်းမျှအကျိုးသက်ရောက်မှုကိုတိုင်းတာ, ဒါပေမယ့်အကျိုးသက်ရောက်မှုဖြစ်နိုင်လူတိုင်းအတွက်အတူတူမဟုတ်ပါဘူး။

ရိုးရှင်းတဲ့စမ်းသပ်ချက်ကျော်လွန်ရွေ့လျားဘို့ဒုတိယ key ကိုစိတ်ကူးကုသမှုသက်ရောက်မှုများပင်သောင်းပြောင်းထွေလာရောနှောနေသည်။ ၏စမ်းသပ်မှု Schultz et al. (2007) အားကောင်းအတူတူကုသမှုကလူ (ပုံ 4.4) အမျိုးအစားအမျိုးမျိုးအပေါ်တစ်ဦးကွဲပြားခြားနားသောအကျိုးသက်ရောက်မှုရှိနိုင်သည်ကိုမည်သို့ဖော်ပြသည်။ အဲဒီမှာပါဝင်သူ၏သေးငယ်တဲ့အရေအတွက်ကိုခဲ့ကြသည်အနည်းငယ်သာသူတို့ကိုအကြောင်းကိုလူသိများခဲ့သည်ဘာလို့လဲဆိုတော့အများဆုံး Analog စစမ်းသပ်ချက်များတွင်သို့သော်သုတေသီများပျမ်းမျှအားကုသမှုသက်ရောက်မှုအပေါ်အာရုံစူးစိုက်။ ဒစ်ဂျစ်တယ်စမ်းသပ်ချက်များတွင်သို့သော်များစွာသောပိုပြီးသင်တန်းသားများနှင့်ပိုပြီးမကြာခဏရှိပါတယ်သူတို့ကိုအကြောင်းကိုလူသိများသည်။ ဒီမတူညီတဲ့ data တွေကိုပတ်ဝန်းကျင်တွင်သာပျမ်းမျှအားကုသမှုသက်ရောက်မှုကုသမှုသက်ရောက်မှုများပင်သောင်းပြောင်းထွေလာရောနှောအကြောင်းကိုခန့်မှန်းထားတဲ့အတွက်နည်းလမ်းများအထဲကလွဲချော်ဦးမည်ကိုခန့်မှန်းရန်ဆက်လက်သူကိုသုတေသီများကုသမှုကြောင့်တိုးတက်နိုင်ပါတယ်, ဘယ်လိုပစ်မှတ်ထားနိုင်ပါသည်မည်သို့အလုပ်လုပ်ပုံအကြောင်းကိုသဲလွန်စပေးနိုငျ အကြိုးအမြားဆုံးဖွယ်ရှိသောသူတို့အား။

ကုသမှုသက်ရောက်မှုများပင်သောင်းပြောင်းထွေလာရောနှော၏ဥပမာနှစ်ခုကိုပင်မစွမ်းအင်အစီရင်ခံစာများအပေါ်နောက်ထပ်သုတေသနမှလာကြ၏။ ပထမဦးစွာ Allcott (2011) ထပ်မံနမူနာခွဲထွက်ခြင်းနှင့် Pre-ကုသမှုစွမ်းအင်အသုံးပြုမှု၏ decile အားဖြင့်ပင်မစွမ်းအင်အစီရင်ခံစာ၏အကျိုးသက်ရောက်မှုကိုခန့်မှန်းရန်ကြီးနမူနာအရွယ်အစား (600,000 အိမ်ထောင်စုပေါင်း) ကိုအသုံးပြုခဲ့သည်။ နေစဉ် Schultz et al. (2007) မိုးသည်းထန်စွာနှင့်အလင်းသည်အသုံးပြုသူများအကြားခြားနားချက်များကိုတွေ့ Allcott (2011) အတွက် heavy- အတွင်းကွဲပြားခြားနားမှုများနှင့်အလင်း-အသုံးပြုသူအုပ်စုတစ်စုလည်းရှိခဲ့သည်ကိုတွေ့ရှိရသည်။ ဥပမာအားဖြင့်, အပြင်းထန်ဆုံးအသုံးပြုသူများသည် (ထိပ် decile ရှိသူတို့) သည်မိုးသည်းထန်စွာ-အသုံးပြုသူအုပ်စုကိုအလယ်၌တစ်စုံတစ်ဦးကို (ပုံ 4.8) အဖြစ်တာအဖြစ်နှစ်ကြိမ်သူတို့၏စွမ်းအင်အသုံးပြုမှုလျှော့ချ။ ထို့ပြင် Pre-ကုသမှုအပြုအမူအားဖြင့်အကျိုးသက်ရောက်မှုခန့်မှန်းလည်းမပါထိကပြန်အကျိုးသက်ရောက်ပင်ပေါ့ပါးဆုံးအသုံးပြုသူများသည် (ပုံ 4.8) အတွက်, ရှိကွောငျးကိုဖျောပွထားပါ။

Allcott အတွက်ကုသမှုသက်ရောက်မှု (2011) ၏သောင်းပြောင်းထွေလာရောနှော: 4.8 ပုံ။ စွမ်းအင်အသုံးပြုမှုအတွက်ကျဆင်းခြင်းအခြေခံအသုံးပြုမှု၏ကွဲပြားခြားနားသော deciles ရှိလူများအဘို့အကွဲပြားခြားနားသောဖြစ်ခဲ့သည်။ Allcott (2011), ပုံ 8 ကနေအဆင်ပြေအောင်။

အတွက်ကုသမှုသက်ရောက်မှုများပင်သောင်းပြောင်းထွေလာရောနှော: 4.8 ပုံ Allcott (2011) ။ စွမ်းအင်အသုံးပြုမှုအတွက်ကျဆင်းခြင်းအခြေခံအသုံးပြုမှု၏ကွဲပြားခြားနားသော deciles ရှိလူများအဘို့အကွဲပြားခြားနားသောဖြစ်ခဲ့သည်။ ကနေအဆင်ပြေအောင် Allcott (2011) , ပုံ 8 ။

တစ်ဦးဆက်စပ်လေ့လာမှု၌, Costa and Kahn (2013) ပင်မစွမ်းအင်အစီရင်ခံစာ၏ထိရောက်မှုကိုတစ်ဦးပါဝင်သူရဲ့နိုင်ငံရေးဆိုင်ရာသဘောတရားအပေါ်အခြေခံပြီးကွဲပြားနှင့်ကုသမှုအမှန်တကယ်အချို့အတွေးအခေါ်တွေနဲ့လူတွေသူတို့ရဲ့လျှပ်စစ်ဓာတ်အားအသုံးပြုမှုကိုတိုးမြှင့်စေခြင်းငှါနိုင်ကြောင်းခန့်မှန်းပြောဆိုသည်။ တနည်းအားဖြင့်သူတို့ကနေအိမ်စွမ်းအင်အစီရင်ခံစာများကလူအချို့ကိုအမျိုးအစားများများအတွက်ထိကပြန်အကျိုးသက်ရောက်အတွက်အံ့သောငှါခန့်မှန်းသုံးသပ်သည်။ ဒီဖြစ်နိုင်ချေအကဲဖြတ်ရန်, ကော်စတာနှင့် Kahn ထိုကဲ့သို့သောနိုင်ငံရေးပါတီမှတ်ပုံတင်ခြင်း, ပတျဝနျးကငျြဆိုငျရာအဖှဲ့အစညျးမြားမှအလှူငွေနှင့်ပြန်လည်ပြည့်ဖြိုးမြဲစွမ်းအင်အစီအစဉ်များအတွက်အိမ်ထောင်စုပါဝင်မှုအဖြစ်သတင်းအချက်အလက်ထည့်သွင်းမယ့် Third-party စုစည်းထံမှဝယ်ယူဒေတာနှင့်အတူ Opower data တွေကိုပေါင်းစည်း။ ဒီပေါင်းစပ် Datasets နှင့်အတူကော့စနှင့် Kahn ပင်မစွမ်းအင်အစီရင်ခံစာများကွဲပြားခြားနားသောအယူဝါဒနှင့်အတူသင်တန်းသားများကိုများအတွက်အမြင်ကျယ်အလားတူအကျိုးသက်ရောက်မှုများထုတ်လုပ်ကြောင်းတွေ့ရှိခဲ့; မည်သည့်အဖွဲ့ကိုထိကပြန်သက်ရောက်မှု (ပုံ 4.9) ပြမသက်သေအထောက်အထားရှိ၏။

ကော်စတာနှင့် Kahn (2013) တွင်ကုသမှုသက်ရောက်မှုများပင်သောင်းပြောင်းထွေလာရောနှော: 4.9 ပုံ။ တစ်ခုလုံးကိုနမူနာများအတွက်ခန့်မှန်းပျှမ်းမျှကုသမှုအကျိုးသက်ရောက်မှု -2,1% [-1,5%, -2,7%] ဖြစ်ပါတယ်။ အိမ်ထောင်စုအကြောင်းသတင်းအချက်အလက်နှင့်အတူစမ်းသပ်မှုကနေသတင်းအချက်အလက်ပေါင်းစပ်ပြီးပြီးနောက်ကော့နှင့် Kahn (2013) လူမျိုး၏အလွန်တိကျတဲ့အုပ်စုများအတွက်ကုသမှုအကျိုးသက်ရောက်မှုကိုခန့်မှန်းရန်စာရင်းအင်းမော်ဒယ်များတစ်စီးရီးကိုအသုံးပြုခဲ့သည်။ အဆိုပါခန့်မှန်းချက် (စားပွဲ 3 မော်ဒယ်များ 4 နဲ့ 6 မြင်ကော်စတာနှင့် Kahn (2013) ခုနှစ်တွင် 4) သူတို့စာရင်းအင်းမော်ဒယ်များတွင်ထည့်သွင်းအဆိုပါ covariates အပေါ်မူတည်နေသောကြောင့်နှစ်ဦးကခန့်မှန်းအုပ်စုတိုင်းအဘို့တင်ပြနေကြပါတယ်။ ဒီဥပမာသရုပ်ဖော်အဖြစ်, ကုသမှုသက်ရောက်မှုကွဲပြားခြားနားသောလူများနှင့်စာရင်းအင်းမော်ဒယ်များထံမှလာသည်ဟုကုသမှုသက်ရောက်မှု၏ခန့်မှန်းချက်အဘို့ကွဲပြားခြားနားနိုင်ပါတယ်သူတို့အားမော်ဒယ်များ (Grimmer, ရှုပ်ထွေးနှင့် Westwood 2014) ၏အသေးစိတျအပေါ်မှာပဲမူတည်နိုင်ပါတယ်။ ကော်စတာနှင့် Kahn (2013), စားပွဲ 3 နှင့် 4 မှအဆင်ပြေအောင်။

အတွက်ကုသမှုသက်ရောက်မှုများပင်သောင်းပြောင်းထွေလာရောနှော: 4.9 ပုံ Costa and Kahn (2013) ။ တစ်ခုလုံးကိုနမူနာများအတွက်ခန့်မှန်းပျှမ်းမျှကုသမှုအကျိုးသက်ရောက်မှု -2,1% [-1,5%, -2,7%] ဖြစ်ပါတယ်။ အိမ်ထောင်စုအကြောင်းသတင်းအချက်အလက်နှင့်အတူစမ်းသပ်မှုကနေသတင်းအချက်အလက်ပေါင်းစပ်ပြီးပြီးနောက် Costa and Kahn (2013) လူမျိုး၏အလွန်တိကျတဲ့အုပ်စုများအတွက်ကုသမှုအကျိုးသက်ရောက်မှုကိုခန့်မှန်းရန်စာရင်းအင်းမော်ဒယ်များတစ်စီးရီးကိုအသုံးပြုခဲ့သည်။ အဆိုပါခန့်မှန်းချက် (စားပွဲ 3 မော်ဒယ်များ 4 နဲ့ 6 ကိုတွေ့မြင်နှင့် 4 သူတို့စာရင်းအင်းမော်ဒယ်များတွင်ထည့်သွင်းအဆိုပါ covariates အပေါ်မူတည်နေသောကြောင့်နှစ်ဦးကခန့်မှန်းအုပ်စုတိုင်းအဘို့တင်ပြကြသည် Costa and Kahn (2013) ) ။ ဒီဥပမာသရုပ်ဖော်အဖြစ်, ကုသမှုသက်ရောက်မှုကွဲပြားခြားနားသောလူများနှင့်စာရင်းအင်းမော်ဒယ်များထံမှလာသည်ဟုကုသမှုသက်ရောက်မှု၏ခန့်မှန်းချက်အဘို့ကွဲပြားခြားနားနိုင်ပါတယ်သူတို့အားမော်ဒယ်များများ၏အသေးစိတ်အချက်အလက်များကိုအပေါ်မူတည်နိုင်ပါတယ် (Grimmer, Messing, and Westwood 2014) ။ ကနေအဆင်ပြေအောင် Costa and Kahn (2013) , စားပွဲ 3 နှင့် 4 ။

အဲဒီနှစျခုဥပမာဒစ်ဂျစ်တယ်ခေတ်, သရုပျဖျောအဖြစ်ကျွန်တော်တို့နောက်ထပ်အများကြီးသင်တန်းသားများကိုရှိနိုင်ပါသည်ကျနော်တို့သူတို့အားသင်တန်းသားများကိုအကြောင်းပိုမိုသိသောကြောင့်, ငါတို့ကုသမှုသက်ရောက်မှုများပင်သောင်းပြောင်းထွေလာရောနှောခန့်မှန်းဖို့ပျှမ်းမျှကုသမှုသက်ရောက်မှုခန့်မှန်းခြင်းမှရွှေ့နိုင်ပါတယ်။ ကုသမှုသက်ရောက်မှုများပင်သောင်းပြောင်းထွေလာရောနှောအကြောင်းကိုလေ့လာခြင်း, ကထိရောက်မှုအရှိဆုံးဖြစ်ပါတယ်တဲ့ကုသမှုပစ်မှတ်ထား enable အသစ်သောသီအိုရီဖှံ့ဖွိုးတိုးတလှုံ့ဆော်သည်ဟုဖြစ်ရပ်မှန်များကိုပေးစွမ်းနှင့်ဖြစ်နိုင်သမျှယန္တရားများအကြောင်းကိုအခုဖွင့်ထားတဲ့ခေါင်းစဉ်အရိပ်အမြွက်ပေးနိုင်ပါသည်။