4.4.2 Rôznorodosť účinkov liečby

Experimenty bežne merať priemernú účinok, ale efekt môže byť rôzne pre rôzne osoby.

Druhým kľúčovým Myšlienka pohybuje nad jednoduchých experimentov je heterogenita liečebných účinkov. Experiment Schultz et al. (2007) mocne ukazuje, ako rovnaké zaobchádzanie môžu mať rôzne účinky na rôzne typy ľudí (obrázok 4.4), ale táto analýza heterogenity je vlastne celkom nezvyčajné pre analógový veku experimentu. Väčšina analógových vek experimenty zahŕňať malý počet účastníkov, ktoré sú považované za vzájomne zameniteľné "widgety", pretože len málo o nich známe, pred začatím liečby. V digitálnych experimentoch, však, tieto dátové obmedzenia sú menej časté, pretože bádatelia majú tendenciu mať viac účastníkov a dozvedieť sa viac o nich. V tomto inom prostredí dát, môžeme odhadnúť rôznorodosť liečebných účinkov s cieľom poskytnúť indície o tom, ako funguje liečba, ako môže byť zlepšená, a ako môžu byť zamerané na tie väčšinou pravdepodobne ťažiť.

Dva príklady rôznorodosti liečebných účinkov v súvislosti so sociálnymi normami a využívanie energie pochádzať z ďalšieho výskumu zameraného na domácej energetickej Reports. Po prvé, Allcott (2011) použil veľké veľkosti vzorky (600.000 domácnosti) ďalej rozdeliť vzorku a odhadnúť účinok Home Energy správy o decil spotreby energie pred liečbou. Kým Schultz et al. (2007) zistil, rozdiely medzi ťažké a ľahké užívateľa, Allcott (2011) zistili, že tam boli tiež rozdiely v rámci ťažkého a ľahkého skupinu užívateľov. Napríklad najťažšie užívatelia (tie v hornom decil) znížila ich spotrebu energie dvojnásobok toho, čo niekto v stredu ťažkého skupiny užívateľov (obrázok 4.7). Ďalej sa odhaduje efekt správaním pred začatím liečby tiež ukázal, že tam nebol bumerang efekt aj pre najľahších používateľa (obr 4.7).

Obrázok 4.7: Rôznorodosť účinkov liečby v Allcott (2011). Zníženie spotreby energie bol odlišný pre ľudí v rôznych deciles zo základnej použitie.

Obrázok 4.7: Rôznorodosť účinkov liečby v Allcott (2011) . Zníženie spotreby energie bol odlišný pre ľudí v rôznych deciles zo základnej použitie.

V príbuznom štúdii, Costa and Kahn (2013) špekuloval, že účinnosť Home Energy správy by mohli líšiť v závislosti od účastníka politickej ideológie a že úprava by v skutočnosti mohli spôsobiť, že ľudia s istými ideológiami cieľom zvýšiť ich využívanie elektriny. Inými slovami, oni špekulovali, že domáci Energetické Správy môžu byť vytvorenie bumerang efekt pre niektoré typy ľudí. Aby bolo možné posúdiť túto možnosť, Costa a Kahn zlúčil údaje Opower s dátami zakúpené od tretích strán agregátor na ktorý zahŕňal informácie, ako je registrácia politických strán, dary organizáciám prostredie a účasti domácností v programoch obnoviteľných zdrojov energie. Vďaka tejto zlúčené dátovej sady, Costa a Kahn zistil, že Home Energy Reports vyrába v podstate podobné účinky pre účastníkov s rôznymi ideológiami; neexistuje žiadny dôkaz, že každá skupina vykazovala boomerangových účinky (Obrázok 4.8).

Obrázok 4.8: Rôznorodosť účinkov liečby v Costa a Kahn (2013). Odhadovaný priemerný liečebný efekt pre celú vzorku je -2,1% [-1,5% -2,7%]. Spojením informácií z experimentu s informáciami o domácnostiach, Costa a Kahn (2013) používal sériu štatistických modelov pre odhad liečebný účinok pre veľmi špecifické skupiny ľudí. Dva odhady sú uvedené pre každú skupinu, pretože odhady závisí na premenných, ktoré zahrnuté vo svojich štatistických modelov (pozri Model 4 a model 6 v tabuľke 3 a tabuľke 4 Costa a Kahn (2013)). Ako tento príklad ukazuje, účinky liečby môžu byť rôzne pre rôzne ľudí a odhadov liečebných účinkov, ktoré pochádzajú zo štatistických modelov môže závisieť na podrobnostiach týchto modelov (Grimmer, Messing, a Westwood 2014).

Obrázok 4.8: Rôznorodosť účinkov liečby v Costa and Kahn (2013) . Odhadovaný priemerný liečebný efekt pre celú vzorku je -2,1% [-1,5% -2,7%]. Spojením informácií z experimentu s informáciami o domácnostiach, Costa and Kahn (2013) používal sériu štatistických modelov pre odhad liečebný účinok pre veľmi špecifické skupiny ľudí. Dva odhady sú uvedené pre každú skupinu, pretože odhady závisí na premenných, ktoré zahrnuté vo svojich štatistických modelov (pozri Model 4 a model 6 v tabuľke 3 a tabuľke 4 Costa and Kahn (2013) ). Ako tento príklad ukazuje, účinky liečby môžu byť rôzne pre rôzne ľudí a odhadov liečebných účinkov, ktoré pochádzajú zo štatistických modelov môže závisieť na podrobnostiach týchto modelov (Grimmer, Messing, and Westwood 2014) .

Rovnako ako tieto dva príklady ilustrujú, v digitálnom veku, môžeme prejsť od odhadu priemernej účinky liečby pre odhadom rôznorodosť liečebných účinkov, pretože môžeme mať oveľa viac účastníkov a vieme viac o tých účastníkov. Učenie o heterogenity účinkov liečby môže umožniť zacielenie liečby, kde je najúčinnejší, predložili dôkazy, ktoré stimulujú vývoj nových teórií, a poskytujú rady o možnom mechanizme, na tému, ku ktorému teraz pristupujem.