4.4.2 Неоднорідність ефектів лікування

Експерименти зазвичай вимірюють середній ефект, але ефект, ймовірно, не однаковий для кожного.

Друга ключова ідея для виходу за межі простих експериментів полягає у неоднорідності ефектів лікування . Експеримент Schultz et al. (2007) потужно демонструє, як однакове лікування може мати різний вплив на різні види людей (рис. 4.4). Проте в більшості аналогових експериментів дослідники зосередили увагу на середньому ефекті лікування, тому що їх було мало і мало було відомо про них. В цифрових експериментах, однак, часто є багато більше учасників, і про них відомо більше. У цьому різному середовищі даних дослідники, які продовжують оцінювати лише середні ефекти лікування, будуть втрачати способи, у яких оцінки про неоднорідність ефектів лікування можуть дати підказки про те, як працює лікування, про те, як його можна покращити, і про те, як він може бути націлений для тих, хто найімовірніше отримає користь.

Два приклади неоднорідності ефектів лікування пов'язані з додатковими дослідженнями у звітах Home Energy. По-перше, Allcott (2011) використовував великий обсяг вибірки (600 000 домогосподарств), щоб ще більше розподілити вибірку та оцінити ефект звіту про домашню енергію за допомогою дециляції використання енергії перед використанням. Хоча Schultz et al. (2007) виявили відмінності між важкими та легкими користувачами, Allcott (2011) виявив, що в групі важких і легких користувачів існують відмінності. Наприклад, найважчі користувачі (ті, що в топ-децилі) зменшили споживання енергії вдвічі більше, ніж хтось у середині групи важких користувачів (рис 4.8). Далі, оцінюючи ефект за допомогою попередньої поведінки, також виявлено, що ефект бумерангу не існував, навіть для найлегших користувачів (рис 4.8).

Малюнок 4.8: Гетерогенність ефектів лікування в Allcott (2011). Зменшення використання енергії було різним для людей у ​​різних децилях базового використання. Адаптовано з Allcott (2011), малюнок 8.

Малюнок 4.8: Гетерогенність ефектів лікування в Allcott (2011) . Зменшення використання енергії було різним для людей у ​​різних децилях базового використання. Адаптовано з Allcott (2011) , малюнок 8.

У подібному дослідженні Costa and Kahn (2013) припустили, що ефективність звіту про домашню енергію може змінюватися залежно від політичної ідеології учасника, і це може фактично призвести людей з певною ідеологією до збільшення споживання електроенергії. Іншими словами, вони припускають, що звіти Home Energy Reports можуть створювати ефект бумеранг для деяких типів людей. Щоб оцінити цю можливість, Коста та Кан об'єднали дані Opower з даними, придбаними стороннім агрегатором, які включали таку інформацію, як реєстрація політичних партій, пожертвування екологічним організаціям та участь домашніх господарств в програмах відновлюваної енергетики. За допомогою цього об'єднаного набору Коста та Кан виявили, що звіти "Домашня енергія" надають широко подібні наслідки для учасників з різними ідеологіями; не було жодних доказів того, що будь-яка група виявляла ефекти бумерангу (рисунок 4.9).

Малюнок 4.9: Гетерогенність ефектів лікування в Коста і Кан (2013 р.). Оцінений середній ефект лікування для всієї вибірки становить -2,1% [-1,5%, -2,7%]. Після об'єднання інформації з експерименту з інформацією про домогосподарства, Коста та Кан (2013) використовували серію статистичних моделей для оцінки ефекту лікування для дуже специфічних груп людей. Для кожної групи представлені дві оцінки, оскільки оцінки залежать від коваріатів, які вони включили до своїх статистичних моделей (див. Моделі 4 та 6 в таблицях 3 та 4 в Коста і Кан (2013)). Як показує цей приклад, ефекти лікування можуть бути різними для різних людей, а оцінки ефектів лікування, які походять від статистичних моделей, можуть залежати від деталей цих моделей (Grimmer, Messing і Westwood 2014). Адаптовано з Коста і Кана (2013), таблиці 3 та 4.

Малюнок 4.9: Гетерогенність ефектів лікування в Costa and Kahn (2013) . Costa and Kahn (2013) . Оцінений середній ефект лікування для всієї вибірки становить -2,1% [-1,5%, -2,7%]. Після об'єднання інформації з експерименту з інформацією про домогосподарства, Costa and Kahn (2013) використовували серію статистичних моделей для оцінки ефекту лікування для дуже специфічних груп людей. Для кожної групи представлені дві оцінки, оскільки оцінки залежать від коваріатів, які вони включили до своїх статистичних моделей (див. Моделі 4 та 6 в таблицях 3 та 4 в Costa and Kahn (2013) ). Як показує цей приклад, ефекти лікування можуть бути різними для різних людей, а оцінки ефектів лікування, які походять від статистичних моделей, можуть залежати від деталей цих моделей (Grimmer, Messing, and Westwood 2014) . Адаптовано з Costa and Kahn (2013) , таблиці 3 та 4.

Як показують ці два приклади, в цифрову епоху ми можемо перейти від оцінки середніх ефектів лікування до оцінки неоднорідності ефектів лікування, оскільки у нас може бути ще більше учасників, і ми більше знаємо про цих учасників. Дізнавшись про неоднорідність ефектів лікування, можна досягти націлювання на лікування, де воно є найбільш ефективним, надавати факти, які стимулюють розвиток нової теорії, і давати поради щодо можливих механізмів, темою, до якої я зараз звертаюся.