4.4.2 Heterogeneity ya madhara ya matibabu

Majaribio kawaida huathiri athari ya wastani, lakini athari huenda si sawa kwa kila mtu.

Jambo la pili la msingi la kuhamia zaidi ya majaribio rahisi ni uharibifu wa athari za matibabu . Jaribio la Schultz et al. (2007) inaonyesha wazi jinsi matibabu hayo yanavyoweza kuwa na athari tofauti kwa aina tofauti za watu (Fungu la 4.4). Katika majaribio mengi ya analog, hata hivyo, watafiti walizingatia athari za wastani za matibabu kwa sababu kulikuwa na idadi ndogo ya washiriki na kidogo haikujulikana juu yao. Katika majaribio ya digital, hata hivyo, mara nyingi kuna washiriki wengi zaidi na zaidi inajulikana juu yao. Katika mazingira haya tofauti ya data, watafiti ambao wanaendelea kukadiria athari za wastani tu za matibabu hupoteza njia ambazo makadirio kuhusu uharibifu wa madhara ya matibabu yanaweza kutoa dalili kuhusu jinsi matibabu inavyoweza kufanya, jinsi gani yanaweza kuboreshwa, na jinsi yanavyoweza kulengwa kwa wale wanaoweza kufaidika zaidi.

Mifano miwili ya hterogeneity ya athari za matibabu hutoka kwa utafiti wa ziada kwenye Ripoti za Nishati za Nyumbani. Kwanza, Allcott (2011) alitumia ukubwa wa sampuli kubwa (kaya 600,000) ili kugawanyika sampuli na kukadiria athari za Ripoti ya Nishati ya Nyumbani kwa kuamua matumizi ya nishati kabla ya matibabu. Wakati Schultz et al. (2007) aligundua tofauti kati ya watumiaji nzito na mwanga, Allcott (2011) aligundua kuwa pia kuna tofauti ndani ya kikundi chenye nguvu na cha mwanga. Kwa mfano, watumiaji wengi zaidi (wale walio juu) walipunguza matumizi yao ya nishati mara mbili kama vile mtu katikati ya kundi lenye nguvu-takwimu 4.8). Zaidi ya hayo, kukadiria athari na tabia ya kabla ya matibabu pia umebaini kuwa hakuwa na athari za boomerang, hata kwa watumiaji walio wazi zaidi (takwimu 4.8).

Kielelezo 4.8: Heterogeneity ya athari za matibabu katika Allcott (2011). Kupungua kwa matumizi ya nishati kulikuwa tofauti kwa watu katika maamuzi tofauti ya matumizi ya msingi. Iliyotokana na Allcott (2011), sura ya 8.

Kielelezo 4.8: Heterogeneity ya athari za matibabu katika Allcott (2011) . Kupungua kwa matumizi ya nishati kulikuwa tofauti kwa watu katika maamuzi tofauti ya matumizi ya msingi. Iliyotokana na Allcott (2011) , sura ya 8.

Katika utafiti uliohusiana, Costa and Kahn (2013) walidhani kuwa ufanisi wa Ripoti ya Nishati ya Nyumbani inaweza kutofautiana kulingana na itikadi ya kisiasa ya mshiriki na kwamba matibabu inaweza kusababisha watu kuwa na mawazo fulani ya kuongeza matumizi yao ya umeme. Kwa maneno mengine, walidhani kwamba Ripoti za Nishati za Nyumbani zinaweza kuwa na athari za boomerang kwa aina fulani za watu. Ili kutathmini uwezekano huu, Kosta na Kahn waliunganisha data ya Opower na data zilizonunuliwa kutoka kwa aggregator ya tatu ambayo ilijumuisha habari kama usajili wa chama cha siasa, misaada kwa mashirika ya mazingira, na ushiriki wa kaya katika mipango ya nishati mbadala. Kwa dasaset hii iliyounganishwa, Costa na Kahn wamegundua kuwa Ripoti za Nishati za Nyumbani zinazalisha madhara makubwa sawa kwa washiriki wenye mawazo tofauti; hapakuwa na ushahidi kwamba kundi lolote lilionyesha madhara ya boomerang (takwimu 4.9).

Kielelezo 4.9: Heterogeneity ya athari za matibabu nchini Costa na Kahn (2013). Inakadiriwa athari ya matibabu wastani kwa sampuli nzima ni -2.1% [-1.5%, -2.7%]. Baada ya kuchanganya habari kutokana na jaribio la habari kuhusu kaya, Costa na Kahn (2013) walitumia mfululizo wa mifano ya takwimu ili kukadiria athari ya matibabu kwa makundi maalum ya watu. Makadirio mawili yanawasilishwa kwa kila kundi kwa sababu makadirio hutegemea covariates ambazo zinajumuisha katika mifano yao ya takwimu (tazama mifano 4 na 6 katika meza 3 na 4 huko Costa na Kahn (2013)). Kama mfano huu unaonyesha, madhara ya matibabu yanaweza kuwa tofauti kwa watu tofauti na makadirio ya madhara ya matibabu yanayotoka kwa mifano ya takwimu yanaweza kutegemea maelezo ya mifano hiyo (Grimmer, Messing, na Westwood 2014). Iliyotokana na Costa na Kahn (2013), meza 3 na 4.

Kielelezo 4.9: Heterogeneity ya athari za matibabu nchini Costa and Kahn (2013) . Inakadiriwa athari ya matibabu wastani kwa sampuli nzima ni -2.1% [-1.5%, -2.7%]. Baada ya kuchanganya habari kutokana na jaribio la habari kuhusu kaya, Costa and Kahn (2013) walitumia mfululizo wa mifano ya takwimu ili kukadiria athari ya matibabu kwa makundi maalum ya watu. Makadirio mawili yanawasilishwa kwa kila kundi kwa sababu makadirio hutegemea covariates ambazo zinajumuisha katika mifano yao ya takwimu (tazama mifano 4 na 6 katika meza 3 na 4 huko Costa and Kahn (2013) ). Kama mfano huu unaonyesha, madhara ya matibabu yanaweza kuwa tofauti kwa watu tofauti na makadirio ya madhara ya matibabu yanayotoka kwa mifano ya takwimu yanaweza kutegemea maelezo ya mifano hiyo (Grimmer, Messing, and Westwood 2014) . Iliyotokana na Costa and Kahn (2013) , meza 3 na 4.

Kama mifano miwili hii inaonyesha, katika umri wa digital, tunaweza kuhamia kutoka kukadiria madhara ya matibabu ya wastani kwa kukadiria uharibifu wa madhara ya tiba kwa sababu tunaweza kuwa na washiriki wengi na tunajua zaidi kuhusu washiriki hao. Kujifunza kuhusu uharibifu wa madhara ya matibabu inaweza kuwezesha kulenga matibabu ambapo kuna ufanisi zaidi, kutoa ukweli ambao unasababisha maendeleo ya nadharia mpya, na kutoa maoni juu ya mifumo iwezekanavyo, mada ambayo mimi sasa nikigeuka.