4.4.2 उपचार प्रभाव Heterogeneity

प्रयोगहरू सामान्यतया औसत प्रभावको मापन गर्दछ, तर प्रभाव सम्भवतः सबैको लागि समान होइन।

सरल प्रयोगहरू भन्दा बढि जानेको लागि दोस्रो कुञ्जी विचार उपचार प्रभावहरूको विरूपणता होSchultz et al. (2007) शक्तिशाली ढंगले बताउँछ कि एउटै उपचारले विभिन्न प्रकारका मानिसहरूलाई कसरी प्रभाव पार्छ (अनुमान 4.4)। तथापि अधिकांश एनालॉग प्रयोगहरूमा, शोधकर्ताहरू औसत उपचारको प्रभावमा ध्यान केन्द्रित भए किनभने त्यहाँ एक सानो संख्याका सहभागी थिए र उनीहरूको बारेमा केही चिन्ता थियो। डिजिटल प्रयोगहरूमा, तथापि, प्रायः धेरै सहभागिताहरू छन् र तिनीहरूका बारेमा थप जान्छन्। यस फरक डेटा वातावरणमा, शोधकर्ताहरूले केवल औसत उपचार प्रभाव अनुमान गर्न जारी राख्ने तरिकाहरू पत्ता लगाउँछन् जसमा उपचारका प्रभावहरू विरूपणताका बारे अनुमानहरू कसरी उपचार गर्ने काम गर्दछ, यो कसरी सुधार गर्न सकिन्छ, र यो कसरी लक्षित गर्न सकिन्छ उनीहरूलाई फाइदा उठाउने सम्भावना।

उपचार को प्रभाव को विषाक्तता को दुई उदाहरण गृह ऊर्जा रिपोर्ट मा अतिरिक्त अनुसन्धान देखि आउँछ। पहिलो, Allcott (2011) नमूनालाई थप विभाजित गर्न ठूलो नमूना आकार (600,000 परिवार Allcott (2011) प्रयोग गर्थे र पूर्व ऊर्जा उपचारको प्रयोगको डिजिल द्वारा गृह ऊर्जा रिपोर्ट को प्रभाव अनुमान गर्दछ। जबकि Schultz et al. (2007) भारी र हल्का प्रयोगकर्ताहरू बीचको मतभेदहरू पत्ता लगाइयो, Allcott (2011) पाइयो कि त्यहाँ भारी- र लाइट-प्रयोगकर्ता समूह भित्रका मतभेदहरू पनि छन्। उदाहरणको लागि, सबैभन्दा ठूलो प्रयोगकर्ताहरू (शीर्ष डेइलेटमा भएका) नेकपा-यूजर समूह (अङ्क 4.8) को बीचमा उनीहरूको ऊर्जाको उपयोग दुई गुणा बढी घट्यो। यसबाहेक, पूर्व-उपचारको व्यवहारले प्रभावको अनुमान पनि पत्ता लगाएको छ कि त्यहाँ कुनै बूमेरङ प्रभाव थिएन, सबैभन्दा हल्का प्रयोगकर्ताहरूका लागि पनि (चित्र 4.8)।

चित्र 4.8: एल्कोट मा उपचार को प्रभावहरु को हिजकत्व (2011)। ऊर्जा प्रयोगमा कमी आधारभूत उपयोगको विभिन्न निर्णयमा व्यक्तिको लागि फरक थियो। एल्कोटबाट (2011), आकृति 8।

चित्र 4.8: Allcott (2011) मा उपचार को प्रभावहरु को Allcott (2011) । ऊर्जा प्रयोगमा कमी आधारभूत उपयोगको विभिन्न निर्णयमा व्यक्तिको लागि फरक थियो। Allcott (2011) , आकृति 8।

सम्बन्धित अध्ययनमा, Costa and Kahn (2013) बताएको छ कि गृह ऊर्जा रिपोर्टको प्रभावकारिता प्रतिभागीको राजनैतिक विचारधाराको आधारमा भिन्न हुन सक्छ र यो उपचारले वास्तवमा मान्छेलाई निश्चित बिचारको कारणले बिजुली को प्रयोग बढाउन सक्छ। अन्य शब्दहरूमा, उनीहरूले बताए कि गृह ऊर्जा रिपोर्टहरू केही प्रकारका व्यक्तिहरूको लागि बूमेरंग प्रभाव सिर्जना हुन सक्छ। यो सम्भावनाको मूल्यांकन गर्न कोस्टा र कानले तेस्रो-पक्ष एग्रीलेटरबाट खरिद गरेको डाटासँग ओभरभर डेटा मर्ज गरेको छ जसमा राजनीतिक दलका रजिष्टर्ड, डाइरेक्टरी अफ इन्टर्नेटियल संस्थाहरू, र नवीकरणीय ऊर्जा कार्यक्रममा परिवारको सहभागिता जस्ता जानकारी समावेश गरिएको छ। यो मर्ज गरिएको डेटासेटको साथ, कोस्टा र कानले पाए कि गृह ऊर्जा रिपोर्टहरूले सहभागीहरूको लागि विभिन्न विचारधाराहरूसँग व्यापक रूपमा समान प्रभावहरू सिर्जना गरे; त्यहाँ कुनै प्रमाण थिएन जुन कुनै समूहले बूमेरियन प्रभाव देखाए (आंकडा 4.9)।

चित्रा 4.9: कोस्टा र कान मा उपचार को प्रभाव को हिजकत्व (2013)। सम्पूर्ण नमूनाका लागि अनुमानित औसत उपचार प्रभाव -2.1% छ [-1.5%, -2.7%]। परिवारका बारे जानकारीको साथ जानकारीको संयोजन पछि, कोस्टा र कान (2013) ले सांख्यिकीय मोडेलहरूको श्रृंखला प्रयोग गरी धेरै प्रभावकारी समूहका लागि उपचार प्रभावको अनुमान लगाए। प्रत्येक समूहको लागि दुई अनुमानहरू प्रस्तुत गरिएका छन् किनभने अनुमानहरू उनीहरूको सांख्यिकीय मोडेलहरूमा समावेश हुन्छन् (उनीहरूको कोस्टार र कान (2013) तालिकाहरूमा 3 र 4 मा मोडेल 4 र 6 हेर्नुहोस्। यस उदाहरणको रूपमा बताइएको छ, उपचारका प्रभावहरू विभिन्न व्यक्तिहरूको लागि फरक हुन सक्छ र सांख्यिकीय मोडेलबाट आउन सक्ने उपचारका अनुमानहरूको अनुमानले ती मोडेलहरू (ग्रिमर, म्यासेज र वेस्टवुड 2014) को विवरणहरूमा निर्भर गर्न सक्छन्। कोस्टा र कान (2013), तालिका 3 र 4 बाट अनुकूल।

चित्रा 4.9: Costa and Kahn (2013) उपचार को प्रभाव को Costa and Kahn (2013) । सम्पूर्ण नमूनाका लागि अनुमानित औसत उपचार प्रभाव -2.1% छ [-1.5%, -2.7%]। परिवारका बारे जानकारीको साथ जानकारीको संयोजन पछि, Costa and Kahn (2013) ले सांख्यिकीय मोडेलहरूको श्रृंखला प्रयोग गरी धेरै प्रभावकारी समूहका लागि उपचार प्रभावको अनुमान लगाए। प्रत्येक समूहको लागि दुई अनुमानहरू प्रस्तुत गरिएका छन् किनभने अनुमानहरू उनीहरूको सांख्यिकीय मोडेलहरूमा समावेश हुन्छन् (उनीहरूको Costa and Kahn (2013) तालिकाहरूमा 3 र 4 मा मोडेल 4 र 6 हेर्नुहोस्। यस उदाहरणको रूपमा बताइएको छ, उपचारका प्रभावहरू विभिन्न व्यक्तिहरूको लागि फरक हुन सक्छ र सांख्यिकीय मोडेलबाट आउन सक्ने उपचारका अनुमानहरूको अनुमानले ती मोडेलहरू (Grimmer, Messing, and Westwood 2014) को विवरणहरूमा निर्भर गर्न सक्छन्। Costa and Kahn (2013) , तालिका 3 र 4 बाट अनुकूल।

यस दुई उदाहरणका रूपमा, उदाहरणका लागि, डिजिटल युगमा, हामी उपचारको प्रभावको विरूपणता अनुमान गर्न औसत उपचारका प्रभावहरू अनुमान गर्न सक्दछौं किनभने हामी धेरै सहभागी हुन सक्छौं र हामी ती सहभागीहरूको बारे थप जान्दछौं। उपचार प्रभावको विरूपणताबारे सिक्न सक्ने उपचारलाई लक्ष्यीकरण गर्न सक्षम पार्छ जहाँ यो सबैभन्दा प्रभावकारी हुन्छ, तथ्याङ्कहरू प्रदान गर्नुहोस् जुन नयाँ सिद्धान्त विकासलाई प्रोत्साहित गर्दछ, र सम्भावित तंत्रहरूको बारेमा संकेतहरू प्रदान गर्नुहोस्, विषयलाई अब मैले बारी गर्दछु।