4.4.2 Heterogeneity ya madhara ya matibabu

Majaribio kwa kawaida kupima athari wastani, lakini athari inaweza kuwa tofauti kwa watu tofauti.

Pili muhimu wazo kwa ajili ya kusonga zaidi majaribio rahisi ni heterogeneity ya madhara ya matibabu. Majaribio ya Schultz et al. (2007) kwa nguvu unaeleza jinsi matibabu sawa inaweza kuwa na athari mbalimbali juu ya aina mbalimbali za watu (Kielelezo 4.4), lakini uchambuzi huu wa utofauti ni kweli kawaida kabisa kwa ajili ya majaribio Analog umri. Wengi Analog majaribio umri kuhusisha idadi ndogo ya washiriki kwamba wanachukuliwa kama interchangeable "vilivyoandikwa" kwa sababu kidogo kuhusu wao inajulikana kabla ya matibabu. Katika majaribio digital, hata hivyo, hizi vikwazo data ni chini ya kawaida kwa sababu watafiti huwa na washiriki zaidi na kujua zaidi kuhusu wao. Katika mazingira haya mbalimbali data, tunaweza kukadiria heterogeneity ya madhara ya matibabu ili kutoa dalili juu ya jinsi ya matibabu kazi, jinsi gani inaweza kuboreshwa, na jinsi gani inaweza kuwa walengwa kwa wale zaidi uwezekano wa faida.

Mifano miwili ya heterogeneity ya madhara ya matibabu katika mazingira ya kanuni za kijamii na matumizi ya nishati kuja kutoka utafiti wa ziada juu ya Home Nishati Reports. Kwanza, Allcott (2011) kutumika kubwa kawaida sampuli (600,000 kaya) kugawa zaidi sampuli na makisio athari za Nishati Nyumbani Ripoti na decile ya matumizi ya nishati kabla ya matibabu. Wakati Schultz et al. (2007) iligundua tofauti kati ya watumiaji nzito na mwanga, Allcott (2011) iligundua kuwa pia kulikuwa na tofauti ndani ya kundi nzito na mwanga user. Kwa mfano, watumiaji nzito (wale walio katika decile juu) kupunguza matumizi yao ya nishati mara mbili kama vile mtu katikati ya kundi mtumiaji nzito (Kielelezo 4.7). Zaidi ya hayo, kukadiria athari kwa tabia kabla ya matibabu pia umebaini kwamba kulikuwa na si athari boomerang hata kwa watumiaji nyepesi (Kielelezo 4.7).

Kielelezo 4.7: Heterogeneity ya madhara ya matibabu katika Allcott (2011). kupungua kwa matumizi ya nishati ilikuwa tofauti kwa watu katika deciles mbalimbali za matumizi ya awali.

Kielelezo 4.7: Heterogeneity ya madhara ya matibabu katika Allcott (2011) . kupungua kwa matumizi ya nishati ilikuwa tofauti kwa watu katika deciles mbalimbali za matumizi ya awali.

Katika utafiti kuhusiana, Costa and Kahn (2013) uvumi kwamba ufanisi wa Nishati Nyumbani Ripoti inaweza kutofautiana kulingana na itikadi mshiriki wa kisiasa na kwamba matibabu inaweza kweli kusababisha watu wenye itikadi fulani ya kuongeza matumizi yao ya umeme. Kwa maneno mengine, wao uvumi kwamba Home Nishati Ripoti yapate kujenga athari boomerang kwa baadhi ya aina ya watu. Kutathmini uwezekano huu, Costa na Kahn ilijiunga Opower data na data kununuliwa kutoka aggregator wa tatu kuwa ni pamoja na taarifa kama vile chama usajili wa kisiasa, michango kwa mashirika mazingira, na ushiriki kaya katika mipango ya nishati mbadala. Pamoja CCD hii zimeunganishwa, Costa na Kahn iligundua kuwa Home Nishati Ripoti zinazozalishwa madhara upana sawa kwa washiriki na itikadi tofauti; hakukuwa na ushahidi kwamba kikundi chochote wameonesha madhara boomerang (Kielelezo 4.8).

Kielelezo 4.8: Heterogeneity ya madhara ya matibabu katika Costa na Kahn (2013). Inakadiriwa wastani athari ya matibabu kwa ajili ya sampuli nzima ni -2.1% [-1.5%, -2.7%]. Kwa kuchanganya habari kutoka majaribio na taarifa kuhusu kaya, Costa na Kahn (2013) kutumika mfululizo wa mifano ya takwimu kukadiria athari matibabu kwa makundi maalum sana ya watu. makadirio mawili ni iliyotolewa kwa kila kikundi kwa sababu makadirio wanategemea covariates wao ni pamoja na katika mifano yao takwimu (angalia mfano 4 na mfano 6 katika Jedwali 3 na Jedwali 4 katika Costa na Kahn (2013)). Kama mfano huu unaeleza, matibabu madhara inaweza kuwa tofauti kwa watu tofauti na makadirio ya madhara ya matibabu kwamba kuja kutoka mifano ya takwimu unaweza wanategemea maelezo ya mifano ya wale (GRIMMER, Messing, na Westwood 2014).

Kielelezo 4.8: Heterogeneity ya madhara ya matibabu katika Costa and Kahn (2013) . Inakadiriwa wastani athari ya matibabu kwa ajili ya sampuli nzima ni -2.1% [-1.5%, -2.7%]. Kwa kuchanganya habari kutoka majaribio na taarifa kuhusu kaya, Costa and Kahn (2013) kutumika mfululizo wa mifano ya takwimu kukadiria athari matibabu kwa makundi maalum sana ya watu. Makadirio mawili ni iliyotolewa kwa kila kikundi kwa sababu makadirio wanategemea covariates wao ni pamoja na katika mifano yao takwimu (angalia mfano 4 na mfano 6 katika Jedwali 3 na Jedwali 4 katika Costa and Kahn (2013) ). Kama mfano huu unaeleza, matibabu madhara inaweza kuwa tofauti kwa watu tofauti na makadirio ya madhara ya matibabu kwamba kuja kutoka mifano ya takwimu unaweza wanategemea maelezo ya mifano ya wale (Grimmer, Messing, and Westwood 2014) .

Kama mifano hiyo miwili mfano, katika umri digital, tunaweza kusonga kutoka kukadiria wastani athari matibabu kwa kukadiria heterogeneity ya madhara ya matibabu kwa sababu tunaweza kuwa na washiriki wengi zaidi na sisi kujua zaidi kuhusu washiriki hao. Kujifunza kuhusu utofauti wa madhara ya matibabu inaweza kuwawezesha malengo ya matibabu ambapo ni ufanisi zaidi, kutoa ukweli kwamba kuchochea maendeleo mapya nadharia, na kutoa mwanga kuhusu utaratibu iwezekanavyo, mada ambayo mimi sasa kurejea.