4.4.2 Heterogeneity ng mga epekto ng paggamot

Experiments normal masukat ang average na epekto, ngunit ang epekto ay maaaring maging iba para sa iba't ibang mga tao.

Ang ikalawang susi ideya para sa paglipat ng lampas sa simpleng mga eksperimento ay heterogeneity ng mga epekto ng paggamot. Ang eksperimento ng Schultz et al. (2007) powerfully ay naglalarawan kung paano ang parehong paggamot ay maaaring magkaroon ng iba't ibang mga epekto sa iba't ibang uri ng mga tao (Figure 4.4), ngunit ito pagtatasa ng heterogeneity ay talagang lubos na hindi pangkaraniwang para sa isang eksperimento analog edad. Karamihan analog edad eksperimento kasangkot sa isang maliit na bilang ng mga kalahok na ay itinuturing bilang mapagpapalit "widgets" dahil maliit na tungkol sa kanila ay kilala pre-paggamot. Sa digital na mga eksperimento, gayunpaman, ang mga hadlang data ay mas karaniwan dahil mananaliksik ay may posibilidad na magkaroon ng mas maraming mga kalahok at malaman ang higit pa tungkol sa mga ito. Sa ganitong iba't ibang mga kapaligiran data, maaari naming matantya heterogeneity ng mga epekto paggamot upang magbigay ng mga pahiwatig tungkol sa kung paano gumagana ang paggamot, kung paano ito ay pinabuting, at kung paano ito ay naka-target sa mga halos malamang upang makinabang.

Dalawang mga halimbawa ng heterogeneity ng mga epekto ng paggamot sa konteksto ng panlipunang kaugalian at enerhiya gamitin dumating mula sa mga karagdagang pananaliksik sa mga Home Energy Ulat. Una, Allcott (2011) na ginagamit ang malaking sukat sample (600,000 kabahayan) upang higit pang hatiin ang sample at tantyahin ang epekto ng Home Energy Ulat sa pamamagitan ng decile ng pre-paggamot paggamit ng enerhiya. Habang Schultz et al. (2007) natagpuan pagkakaiba sa pagitan ng mabibigat at magagaan na mga gumagamit, Allcott (2011) natagpuan na may mga pagkakaiba sa loob ng mabibigat at magagaan na grupo ng tumatawag din. Halimbawa, ang heaviest mga gumagamit (mga nasa top decile) nabawasan ang kanilang paggamit ng enerhiya ng dalawang beses ng mas maraming bilang ng isang tao sa gitna ng mabigat na grupo ng tumatawag (Figure 4.7). Dagdag dito, estimating ang epekto sa pamamagitan ng pag-uugali pre-treatment din nagsiwalat na may ay hindi isang bumerang epekto kahit na para sa lightest gumagamit (Figure 4.7).

Figure 4.7: Heterogeneity ng mga epekto ng paggamot sa Allcott (2011) . Ang pagbawas sa enerhiya gamitin ay naiiba para sa mga tao sa iba't ibang mga deciles ng baseline paggamit.

Sa isang kaugnay na pag-aaral, Costa and Kahn (2013) speculated na ang pagiging epektibo ng mga Home Energy Isumbong maaaring mag-iba batay sa pampulitika ideolohiya ng isang kalahok at na ang mga paggamot ay maaaring maging sanhi ng aktwal tao na may ilang ideologies upang madagdagan ang kanilang paggamit ng koryente. Sa ibang salita, sila ay speculated na ang Home Energy Ulat maaaring paglikha ng isang boomerang effect para sa ilang mga uri ng mga tao. Upang masuri ang posibilidad na ito, Costa at Kahn ipinagsama ang Opower data sa data binili mula sa isang third-party aggregator na isinama ang impormasyon tulad ng mga partidong pampulitika registration, donasyon sa kapaligiran mga organisasyon at ang sangbahayan ng pakikilahok sa renewable enerhiya programa. Gamit ang mga naka-merge dataset, Costa at Kahn natagpuan na ang Home Energy Ulat na ginawa malawak na katulad effects para sa mga kalahok na may iba't ibang ideologies; walang katibayan na ang anumang grupo exhibited boomerang effect (Figure 4.8).

Figure 4.8: Heterogeneity ng mga epekto ng paggamot sa Costa and Kahn (2013) . Ang tinatayang average paggamot epekto para sa buong sample ay -2.1% [-1.5%, -2.7%]. By Kombinasyon impormasyon mula sa eksperimento na may impormasyon tungkol sa mga kabahayan, Costa and Kahn (2013) na ginagamit ng isang serye ng mga statistical modelo upang matantya ang epekto ng paggamot para sa napaka-tukoy na mga grupo ng mga tao. Dalawang mga pagtatantya ay iniharap para sa bawat grupo dahil ang mga pagtatantya ay depende sa covariates sila kasama sa kanilang statistical modelo (tingnan modelo 4 at modelo 6 in Table 3 at Table 4 in Costa and Kahn (2013) ). Bilang halimbawa na ito ay naglalarawan, paggamot epekto ay maaaring magkaiba para sa iba't ibang mga tao at mga pagtatantya ng mga epekto ng paggamot na nanggaling mula sa statistical modelo ay maaaring depende sa mga detalye ng mga modelo (Grimmer, Messing, and Westwood 2014) .

Tulad ng mga dalawang mga halimbawa ilarawan, sa digital edad, maaari naming ilipat mula sa pagtantya average paggamot epekto sa estimating ang heterogeneity ng mga epekto ng paggamot dahil maaari naming magkaroon ng maraming higit pang mga kalahok at alam namin ang nalalaman tungkol sa mga kalahok. Pag-aaral tungkol heterogeneity ng mga epekto ng paggamot ay maaaring paganahin ang pag-target ng isang paggamot na kung saan ito ay pinaka-epektibo, magbigay katotohanan na pasiglahin bagong teorya unlad, at magbigay ng mga pahiwatig tungkol sa isang posibleng mekanismo, ang topic na kung saan ako ngayon i-on.