4.4.2 Heterogeneity ng mga epekto ng paggamot

Karaniwang sinusukat ng mga eksperimento ang average na epekto, ngunit ang epekto ay malamang na hindi pareho para sa lahat.

Ang ikalawang pangunahing ideya para sa paglipat ng higit sa simpleng mga eksperimento ay heterogeneity ng mga epekto sa paggamot . Ang eksperimento ng Schultz et al. (2007) kapangyarihan na naglalarawan kung paano magkakaroon ng iba't ibang epekto ang parehong paggamot sa iba't ibang uri ng tao (Figure 4.4). Gayunman, sa karamihan ng mga eksperimento sa analog, ang mga mananaliksik ay nakatuon sa karaniwang mga epekto sa paggamot dahil may isang maliit na bilang ng mga kalahok at kaunti ang nalalaman tungkol sa mga ito. Gayunman, sa mga digital na eksperimento, madalas na marami pang kalahok at higit pa ang nalalaman tungkol sa mga ito. Sa ganitong magkakaibang kapaligiran ng data, ang mga mananaliksik na patuloy na tantyahin lamang ang karaniwang mga epekto sa paggamot ay mawawala ang mga paraan kung saan ang mga pagtatantya tungkol sa heterogeneity ng mga epekto sa paggamot ay maaaring magbigay ng mga pahiwatig kung paano gumagana ang isang paggamot, kung paano ito mapapabuti, at kung paano ito ma-target sa mga malamang na makikinabang.

Dalawang halimbawa ng heterogeneity ng mga epekto sa paggamot ay nagmumula sa karagdagang pananaliksik sa Mga Ulat ng Enerhiya sa Home. Una, Allcott (2011) ang malaking laki ng sample (600,000 na kabahayan) upang higit pang hatiin ang sample at tantyahin ang epekto ng Ulat ng Enerhiya sa Home sa pamamagitan ng pag-decile ng paggamit ng enerhiya ng pre-paggamot. Habang si Schultz et al. (2007) natagpuan ang mga pagkakaiba sa pagitan ng mabibigat at magaan na mga gumagamit, Allcott (2011) na mayroong magkakaibang pagkakaiba sa grupo ng mabibigat at gumagamit ng liwanag. Halimbawa, ang pinakamabigat na mga gumagamit (sa mga nasa tuktok na decile) ay binawasan ang kanilang paggamit ng enerhiya nang dalawang beses hangga't ang isang tao sa gitna ng grupo ng mabigat na gumagamit (figure 4.8). Dagdag dito, ang pagtantya sa epekto ng pag-uugali ng pre-paggamot ay nagsiwalat din na walang bumerang epekto, kahit na para sa mga lightest user (figure 4.8).

Figure 4.8: Heterogeneity ng mga epekto ng paggamot sa Allcott (2011) . Ang pagbawas sa paggamit ng enerhiya ay iba para sa mga tao sa iba't ibang mga deciles ng paggamit ng baseline. Inangkop mula sa Allcott (2011) , tayahin 8.

Sa isang kaugnay na pag-aaral, Costa and Kahn (2013) na ang pagiging epektibo ng Ulat ng Enerhiya ng Home ay maaaring mag-iba batay sa pampulitika ideolohiya ng isang kalahok at na ang paggamot ay maaaring maging sanhi ng mga tao na may ilang mga ideolohiya upang madagdagan ang paggamit ng kuryente. Sa ibang salita, pinaninusahan nila na ang Mga Ulat ng Enerhiya sa Home ay maaaring lumikha ng isang bumerong epekto para sa ilang mga uri ng mga tao. Upang masuri ang posibilidad na ito, pinagsama ni Costa at Kahn ang data ng Opower sa data na binili mula sa isang third-party na aggregator na kasama ang impormasyon tulad ng pagpaparehistro ng partidong pampulitika, mga donasyon sa mga organisasyong pangkapaligiran, at pakikilahok ng sambahayan sa mga renewable energy program. Sa pinagtibay na dataset na ito, natuklasan ni Costa at Kahn na ang Home Energy Reports ay gumawa ng mga katulad na epekto para sa mga kalahok na may iba't ibang ideolohiya; walang katibayan na ang anumang grupo ay nagpakita ng mga bumerang epekto (figure 4.9).

Figure 4.9: Heterogeneity ng mga epekto ng paggamot sa Costa and Kahn (2013) . Ang tinatayang average na epekto ng paggamot para sa buong sample ay -2.1% [-1.5%, -2.7%]. Pagkatapos ng pagsasama-sama ng impormasyon mula sa eksperimento sa impormasyon tungkol sa mga sambahayan, ginamit ng Costa and Kahn (2013) isang serye ng mga istatistika na modelo upang tantiyahin ang paggamot na epekto para sa mga partikular na grupo ng mga tao. Dalawang estima ang iniharap para sa bawat grupo dahil ang mga pagtatantiya ay nakasalalay sa mga covariate na kasama sa kanilang mga istatistika (tingnan ang mga modelo 4 at 6 sa mga talahanayan 3 at 4 sa Costa and Kahn (2013) ). Tulad ng inilalarawan sa halimbawang ito, ang mga epekto sa paggamot ay maaaring iba para sa iba't ibang tao at ang mga pagtatantya ng mga epekto sa paggamot na nagmumula sa mga estadistikong modelo ay maaaring depende sa mga detalye ng mga modelong iyon (Grimmer, Messing, and Westwood 2014) . Inangkop mula sa Costa and Kahn (2013) , mga talahanayan 3 at 4.

Tulad ng ilarawan ng dalawang halimbawa, sa digital age, maaari naming ilipat mula sa pagtantya ng average na mga epekto sa paggamot sa pagtantya sa heterogeneity ng mga epekto sa paggamot dahil maaari tayong magkaroon ng maraming iba pang mga kalahok at higit na nalalaman namin ang tungkol sa mga kalahok na iyon. Ang pag-aaral tungkol sa heterogeneity ng mga epekto ng paggamot ay maaaring paganahin ang pag-target ng isang paggamot kung saan ito ay pinaka-epektibo, magbigay ng mga katotohanan na pasiglahin ang bagong pag-unlad ng teorya, at magbigay ng mga pahiwatig tungkol sa posibleng mga mekanismo, ang paksa kung saan ako ngayon bumabalik.