4.4.2 علاج کے اثرات میں سے Heterogeneity

تجربات عام طور پر اوسط اثر کی پیمائش کرتی ہیں، لیکن اثر شاید ہر ایک کے لئے نہیں ہے.

سادہ تجربات سے باہر منتقل کرنے کا دوسرا کلیدی خیال علاج کے اثرات کے تجاویز ہے . Schultz et al. (2007) تجربے Schultz et al. (2007) طاقتور طریقے سے واضح کرتی ہے کہ کیسے علاج مختلف قسم کے لوگوں پر مختلف اثر رکھتا ہے (4.4 نمبر). تاہم، زیادہ سے زیادہ تعدد تجربات میں، محققین اوسط علاج کے اثرات پر توجہ مرکوز کر رہے ہیں کیونکہ وہاں ایک کم از کم شرکاء تھے اور ان کے بارے میں کچھ چھوٹا تھا. تاہم، ڈیجیٹل تجربات میں، اکثر اکثر بہت زیادہ شرکاء ہیں اور ان کے بارے میں زیادہ معلوم ہے. مختلف اعداد و شمار کے ماحول میں، محققین جو صرف اوسط علاج کے اثرات کا اندازہ لگاتے رہتے ہیں وہ طریقوں سے محروم ہوجائیں گے جن میں علاج کے اثرات کے اثرات کے بارے میں اندازہ لگایا جاسکتا ہے کہ کس طرح علاج کا کام کیسے کیا جاسکتا ہے، یہ کس طرح بہتر بنایا جا سکتا ہے، اور یہ کس طرح نشانہ بنایا جا سکتا ہے. فائدہ اٹھانے والوں کے لئے.

ہوم توانائی کی رپورٹس پر اضافی تحقیق سے متعلق علاج کے اثرات کے تثلیث کے دو مثالیں آتے ہیں. سب سے پہلے، Allcott (2011) نے اس نمونے کو مزید نمٹنے کے لئے بڑی نمونہ کا سائز (600،000 گھریلو Allcott (2011) استعمال کیا اور توانائی سے متعلق پہلے سے ہی توانائی کے استعمال سے پہلے ڈیجیٹل رپورٹ کے اثرات کا اندازہ لگایا. جبکہ Schultz et al. (2007) بھاری اور ہلکے صارفین کے درمیان اختلافات مل گئے، Allcott (2011) یہ پتہ چلتا تھا کہ بھاری اور ہلکے صارف گروپ میں اختلاف بھی موجود تھے. مثال کے طور پر، سب سے بڑا صارفین (سب سے اوپر ڈائلائل میں) نے بھاری صارف گروپ (اعداد و شمار 4.8) کے وسط میں کسی کو دو گنا زیادہ سے زیادہ اپنی توانائی کا استعمال کم کیا. اس کے علاوہ، پری علاج کے رویے کی طرف سے اثر انداز کرنے کا بھی پتہ چلتا ہے کہ بومیرانگ اثر نہیں تھا، یہاں تک کہ ہلکے صارفین کے لئے (اعداد و شمار 4.8).

شناخت 4.8: آلکوٹ میں علاج کے اثرات کی حیات پاکی (2011). بنیادی استعمال کے مختلف فیصلوں میں توانائی کے استعمال میں کمی مختلف تھی. آکٹوٹ (2011) سے عدد، نمبر 8.

شناخت 4.8: Allcott (2011) میں علاج کے اثرات کی Allcott (2011) . بنیادی استعمال کے مختلف فیصلوں میں توانائی کے استعمال میں کمی مختلف تھی. Allcott (2011) سے Allcott (2011) ، نمبر 8.

متعلقہ مطالعہ میں، Costa and Kahn (2013) نے یہ بتائی کہ گھر ہوم توانائی کی رپورٹ کی مؤثریت شراکت دار کی سیاسی نظریات کے مطابق مختلف ہو سکتی ہے اور یہ علاج اصل میں لوگوں کو بعض بجلی کے استعمال سے بچنے کے لۓ اپنے بجلی کے استعمال کو بڑھانے کا سبب بن سکتا ہے. دوسرے الفاظ میں، انہوں نے یہ بتائی ہے کہ ہوم توانائی کی رپورٹیں ممکنہ طور پر کچھ قسم کے لوگوں کے لئے بومیرانگ اثر بنائے جا سکتے ہیں. اس امکانات کا جائزہ لینے کے لئے، کوسٹا اور کان نے ابرور ڈیٹا کو تیسرے فریق کے مجموعے سے خریدا ڈیٹا کے ساتھ ضم کیا جس میں سیاسی جماعت کے رجسٹریشن، ماحولیاتی تنظیموں کے عطیات، اور قابل تجدید توانائی کے پروگراموں میں گھریلو شرکت شامل ہیں. اس ملبے کے ڈیٹا بیس کے ساتھ، کوسٹا اور کان نے پتہ چلا کہ ہوم توانائی کی رپورٹس نے مختلف نظریات کے ساتھ شرکاء کے لئے وسیع پیمانے پر اسی طرح کے اثرات تیار کیے ہیں؛ وہاں کوئی ثبوت نہیں تھا کہ کسی گروپ نے بومیرانگ اثرات کی نمائش کی. (اعداد و شمار 4.9).

اعداد و شمار 4.9: کوسٹا اور کان میں علاج کے اثرات کی ہتھیاروں کی خصوصیات (2013). پورے نمونے کے لئے اندازہ شدہ اوسط علاج کا اثر -2.1٪ ہے [-1.5٪، -2.7٪]. گھروں کے بارے میں معلومات کے ساتھ تجربے کو جمع کرنے کے بعد، کوسٹا اور کان (2013) نے اعداد وشمار کی ایک سلسلہ کا استعمال کرتے ہوئے لوگوں کے بہت مخصوص گروہوں کے علاج کے اثرات کا اندازہ کیا. ہر تخمینہ کے لئے دو تخمینوں کو پیش کیا جاتا ہے کیونکہ اندازے میں ان کے اعداد وشمار میں انحصار کرتا ہے جو ان کے اعداد و شمار کے ماڈل میں شامل ہیں (کوسٹا اور کاہن (2013) میں میزیں 3 اور 4 میں 4 اور 6 ماڈل دیکھیں. اس مثال کے طور پر ظاہر ہوتا ہے کہ، علاج کے اثرات مختلف لوگوں کے لئے مختلف ہوسکتے ہیں اور اعداد و شمار کے ماڈل سے آنے والے علاج کے اثرات کا تخمینہ ان ماڈلز (Grimmer، Messing، اور Westwood 2014) کی تفصیلات پر منحصر ہے کر سکتے ہیں. کوسٹا اور کان (2013)، میزیں 3 اور 4 سے ایڈجسٹ کیا گیا.

اعداد و شمار 4.9: Costa and Kahn (2013) میں علاج کے اثرات کی ہتھیاروں کی خصوصیات Costa and Kahn (2013) . پورے نمونے کے لئے اندازہ شدہ اوسط علاج کا اثر -2.1٪ ہے [-1.5٪، -2.7٪]. گھروں کے بارے میں معلومات کے ساتھ تجربے کو جمع کرنے کے بعد، Costa and Kahn (2013) نے اعداد وشمار کی ایک سلسلہ کا استعمال کرتے ہوئے لوگوں کے بہت مخصوص گروہوں کے علاج کے اثرات کا اندازہ کیا. ہر تخمینہ کے لئے دو تخمینوں کو پیش کیا جاتا ہے کیونکہ اندازے میں ان کے اعداد وشمار میں انحصار کرتا ہے جو ان کے اعداد و شمار کے ماڈل میں شامل ہیں ( Costa and Kahn (2013) میں میزیں 3 اور 4 میں 4 اور 6 ماڈل دیکھیں. اس مثال کے طور پر ظاہر ہوتا ہے کہ، علاج کے اثرات مختلف لوگوں کے لئے مختلف ہوسکتے ہیں اور اعداد و شمار کے ماڈل سے آنے والے علاج کے اثرات کا تخمینہ ان ماڈلز (Grimmer, Messing, and Westwood 2014) تفصیلات پر منحصر ہے کر سکتے ہیں. Costa and Kahn (2013) ، میزیں 3 اور 4 سے ایڈجسٹ کیا گیا.

جیسا کہ یہ دو مثال بیان کرتے ہیں، ڈیجیٹل عمر میں، ہم علاج کے اثرات کے تثلیث کا اندازہ کرنے کے لئے اوسط علاج کے اثرات کا اندازہ لگانا شروع کر سکتے ہیں کیونکہ ہم بہت زیادہ شرکاء حاصل کرسکتے ہیں اور ہم ان شرکاء کے بارے میں مزید جانتے ہیں. علاج کے اثرات کے تجاویز کے بارے میں سیکھنے میں ایک علاج کا نشانہ بنایا جا سکتا ہے جہاں یہ سب سے زیادہ موثر ہے، حقائق فراہم کریں جو نئے نظریے کی ترقی کی حوصلہ افزائی کریں، اور ممکن میکانیزم کے بارے میں اشارہ فراہم کریں، جس موضوع میں اب میں تبدیل ہو.