4.4.2 Хетерогеност ефеката лечења

Експерименти нормално мери просечну ефекат, али ефекат може бити различит за различите људе.

Други кључни идеја за удаљавање од једноставних експеримената је хетерогеност ефеката лечења. Експеримент Schultz et al. (2007) илуструје како исти третман може имати различите ефекте на различите врсте људи (слика 4.4), али ова анализа хетерогености је заправо прилично необично за аналогни старосну експеримента. Већина аналогних старосне експерименти укључују мали број учесника који су третирани као измењивим "видгета" јер мало о њима је познат пре-третман. У дигиталним експериментима, међутим, ови подаци ограничења су ређи зато што истраживачи имају тенденцију да имају више учесника и знају више о њима. У том другачијем података окружењу, можемо да проценимо хетерогеност ефеката третмана како би се обезбедила трагове о томе како третман функционише, како се може побољшати, и како то може бити усмерени на оне углавном вероватно имати користи.

Два примера хетерогеност ефеката лечења у контексту друштвених норми и коришћење енергије долази из додатног истраживања о Хоме Енерги извештаја. Прво, Allcott (2011) велики узорак (600.000 домаћинстава) да додатно поделити узорак и проценити ефекат Хоме Енерги Извештај по децила пре третмана потрошње енергије. Док Schultz et al. (2007) разлике између тешких и лаких корисника, Allcott (2011) да постоје разлике унутар тешког и лаког групу корисника. На пример, најтеже корисници (они у горњем децилу) смањила своју потрошњу енергије дупло више као неко усред тешког корисничке групе (слика 4.7). Даље, процене ефекат понашања пре третмана такође открио да није било бумеранг ефекат чак и за најлакших корисника (слика 4.7).

Слика 4.7: хетерогеност ефеката лечења у Аллцотт (2011). Смањење коришћења енергије било другачије за људе у различитим ДЕЦИЛЕС основном употребе.

Слика 4.7: хетерогеност ефеката лечења у Allcott (2011) . Смањење коришћења енергије било другачије за људе у различитим ДЕЦИЛЕС основном употребе.

У вези студији, Costa and Kahn (2013) да је ефикасност Хоме Енерги Извештаја може да варира у зависности од политичке идеологије полазника и да се лечење може заправо до тога да људи са одређеним идеологијама да повећају потрошњу електричне енергије. Другим речима, они су спекулисали да би се Хоме Енерги Извештаји се ствара ефекат бумеранга за неке врсте људи. Да би се проценила ову могућност, Коста и Кан спојио податке Оповер са подацима купљене од треће стране агрегатор који је укључивао информације као што су регистрација политичких партија, донација на животну средину организација и учешће домаћинстава у обновљиве енергије програмима. Са овим спојеним података, Коста и Кан утврдио да су Хоме Енерги Извештаји произведени у ширем смислу сличне ефекте за учеснике са различитим идеологијама; није било доказа да је свака група излаже бумеранга ефекте (Слика 4.8).

Слика 4.8: хетерогеност ефеката лечења у Цоста и Кахн (2013). Процењује се просечна ефекат третмана за цео узорак је -2,1% [-1,5%, -2,7%]. Комбиновањем података из експеримента са информацијама о домаћинствима, Коста и Кан (2013) коришћен је низ статистичких модела за процену утицаја третмана за врло специфичне групе људи. Два процене су представљене за сваку групу јер су процене зависе од коваријетети су укључени у својим статистичким моделима (видети модел 4 и модел 6 у табели 3 и Табела 4 у Цоста и Кахн (2013)). Као што овај пример показује, ефекти лечења може бити различит за различите људе и процене ефеката третмана који долазе из статистичких модела могу зависити о детаљима тих модела (Гриммер, Месинг, Вествоод 2014).

Слика 4.8: хетерогеност ефеката лечења у Costa and Kahn (2013) . Процењује се просечна ефекат третмана за цео узорак је -2,1% [-1,5%, -2,7%]. Комбиновањем података из експеримента са информацијама о домаћинствима, Costa and Kahn (2013) је низ статистичких модела за процену утицаја третмана за врло специфичне групе људи. Два процене су представљене за сваку групу јер су процене зависе од коваријетети су укључени у својим статистичким моделима (видети модел 4 и модел 6 у табели 3 и Табела 4 у Costa and Kahn (2013) ). Као што овај пример показује, ефекти лечења може бити различит за различите људе и процене ефеката третмана који долазе из статистичких модела могу зависити о детаљима тих модела (Grimmer, Messing, and Westwood 2014) .

Као ова два примера илуструју, у дигиталном добу, можемо да пређемо из процени просечне ефекте третмана за процену хетерогеност ефеката лечења, јер можемо имати много више учесника и знамо више о тим учесницима. Учење о хетерогеност ефеката лечења може омогућити циљање третмана где је најефикаснији, наводе чињенице да стимулишу развој нових теорија, и пружају савете о могућем механизму, теме за које сам сада претворити.