4.4.2 Różnice w zakresie efektów leczenia

Eksperymenty zwykle zmierzyć średnią skuteczność, ale efekt może być różna dla różnych osób.

Drugim kluczowym pomysłem na wyjście poza prostych eksperymentów jest niejednorodność efektów terapeutycznych. Eksperyment Schultz et al. (2007) potężnie ilustruje jak samo leczenie może mieć różny wpływ na różne rodzaje ludzi (rysunek 4.4), ale analiza niejednorodności jest rzeczywiście dość nietypowe dla eksperymentu wiekowej analogowy. Większość analogowych eksperymenty wieku obejmować niewielką liczbę uczestników, które są traktowane jako wymienne "widgetów", bo niewiele o nich wiadomo, obróbki wstępnej. W doświadczeniach cyfrowych, jednak ograniczenia te dane są mniej powszechne, ponieważ naukowcy mają tendencję do większej liczby uczestników i dowiedzieć się więcej na ich temat. W tym innym środowisku danych, możemy oszacować heterogeniczność efektów leczenia w celu dostarczenia wskazówek dotyczących sposobu leczenia działa, jak można je poprawić i jak można to skierowane do tych, które najczęściej mogą odnieść korzyść.

Dwa przykłady niejednorodność efektów terapeutycznych w kontekście norm społecznych i wykorzystania energii pochodzić z dodatkowych badań Home Raporty Energii. Po pierwsze, Allcott (2011) użył dużego rozmiaru próbki (600.000 gospodarstw domowych) w celu dalszego podziału próbki i oszacować wpływ raportu Energy Home przez decyla wykorzystania energii wstępnej obróbki. Podczas Schultz et al. (2007) stwierdzono różnice między lekkich i ciężkich użytkowników Allcott (2011) stwierdzili, że było również różnic w obrębie ciężkich i lekkich grupy użytkowników. Na przykład, najcięższe użytkowników (tych, w górnym decyl) zmniejszyło zużycie energii dwukrotnie jak ktoś w środku ciężkiego grupy użytkowników (Figura 4.7). Ponadto, oszacowanie wpływu zachowaniem sprzed leczenia ujawniły również, że nie był to efekt bumerangu nawet najlżejszych użytkowników (rysunek 4.7).

Rysunek 4.7: Różnice efektów terapeutycznych w Allcott (2011). Spadek zużycia energii był różny dla ludzi w różnych decyli bazowym użytkowania.

Rysunek 4.7: Różnice efektów terapeutycznych w Allcott (2011) . Spadek zużycia energii był różny dla ludzi w różnych decyli bazowym użytkowania.

W podobnym badaniu, Costa and Kahn (2013) spekulowali, że efektywność energetyczna Raportu domu może się różnić w zależności od ideologii politycznej uczestnika oraz, że leczenie może faktycznie powodować, że ludzie z pewnymi ideologiami w celu zwiększenia ich wykorzystania energii elektrycznej. Innymi słowy, Spekulowano, że dom może być Raporty Energia tworząc efekt bumerangu dla niektórych typów ludzi. Aby ocenić tę możliwość, Costa i Kahn połączyły dane Opower z danych zakupionych od agregatora osób trzecich, które zawierały informacje, takie jak rejestracja partii politycznych, darowizn na rzecz organizacji środowiskowych oraz udziału gospodarstw domowych w odnawialnych programów energetycznych. Dzięki połączonym zbiorze, Costa i Kahn stwierdził, że główna Raporty Energia wytwarzana zasadniczo podobne skutki dla uczestników z różnych ideologii; nie było dowodów, że każda grupa wykazywała działanie Boomerang (rysunek 4.8).

Rysunek 4.8: Różnice efektów terapeutycznych w Costa i Kahn (2013). Szacowany średni efekt leczenia dla całej próby wynosi -2,1% [-1,5%, -2,7%]. Poprzez połączenie danych z eksperymentu z informacją o gospodarstwach domowych, Costa i Kahn (2013) zastosowali szereg modeli statystycznych do oszacowania efektu leczenia dla bardzo konkretnych grup ludzi. Dwa szacunki przedstawione w każdej grupie, ponieważ szacunki zależą od zmiennych towarzyszących ich wprowadzenie w swoich modelach statystycznych (patrz Model 4 i model 6 w tabeli 3 i tabeli 4 w Costa i Kahn (2013)). Ponieważ ten przykład ilustruje, efekty leczenia mogą być różne dla różnych osób i oszacowania efektów leczenia, które pochodzą z modeli statystycznych może zależeć od szczegółów tych modeli (Grimmer Messing i Westwood 2014).

Rysunek 4.8: Różnice efektów terapeutycznych w Costa and Kahn (2013) . Szacowany średni efekt leczenia dla całej próby wynosi -2,1% [-1,5%, -2,7%]. Poprzez połączenie danych z eksperymentu z informacją o gospodarstwach domowych, Costa and Kahn (2013) zastosowano szereg modeli statystycznych do oszacowania efektu leczenia dla bardzo konkretnych grup ludzi. Dwa szacunki przedstawione w każdej grupie, ponieważ szacunki zależą od zmiennych towarzyszących ich wprowadzenie w swoich modelach statystycznych (patrz Model 4 i model 6 w tabeli 3 i tabeli 4 w Costa and Kahn (2013) ). Ponieważ ten przykład ilustruje, efekty leczenia mogą być różne dla różnych osób i oszacowania efektów leczenia, które pochodzą z modeli statystycznych może zależeć od szczegółów tych modeli (Grimmer, Messing, and Westwood 2014) .

Ponieważ te dwa przykłady ilustrują, w erze cyfrowej, możemy przenieść szacowania przeciętnych efektów leczenia w celu oszacowania heterogeniczność efektów leczenia, ponieważ możemy mieć wiele więcej uczestników i wiemy więcej o tych uczestników. Nauka o heterogeniczności efektów leczenia może umożliwić ukierunkowanie leczenia, gdzie jest najbardziej efektywna, przedstawienie faktów, które stymulują rozwój nowych teorii, i dostarczyć wskazówek na temat ewentualnego mechanizmu, tematu, do którego teraz włączyć.