4.4.2 Heterogenität der Behandlungseffekte

Experimente messen normalerweise die durchschnittliche Wirkung, aber der Effekt kann für verschiedene Menschen unterschiedlich sein.

Der zweite Schlüsselidee für über einfache Experimente zu bewegen ist Heterogenität der Behandlungseffekte. Der Versuch von Schultz et al. (2007) kraftvoll zeigt , wie die gleiche Behandlung unterschiedliche Wirkungen auf verschiedene Arten von Menschen (Abbildung 4.4) haben kann, aber diese Analyse der Heterogenität ist eigentlich recht ungewöhnlich für ein analoges Alter Experiment. Die meisten analogen Zeitalter Experimente beinhalten eine kleine Anzahl von Teilnehmern, die als austauschbar "Widgets", weil wenig über sie behandelt werden, ist eine Vorbehandlung bekannt. In der digitalen Experimenten jedoch sind diese Datenbeschränkungen weniger verbreitet, weil die Forscher neigen dazu, mehr Teilnehmer zu haben und mehr über sie wissen. In dieser unterschiedlichen Datenumgebung können wir Heterogenität der Behandlungseffekte, um abzuschätzen, Hinweise darüber liefern, wie die Behandlung funktioniert, wie es verbessert werden kann, und wie kann es für diejenigen, meistens wahrscheinlich profitieren ausgerichtet sein.

Zwei Beispiele für Heterogenität der Behandlungseffekte im Zusammenhang mit der sozialen Normen und Energienutzung kommen aus weiteren Forschung auf dem Home Energy Reports. Zuerst Allcott (2011) verwendet , um die große Probengröße (600.000 Haushalte) , um die Probe aufgeteilt und die Wirkung des Home Energy Bericht Schätzung von Dezil der Vorbehandlung des Energieverbrauchs. Während Schultz et al. (2007) fanden Unterschiede zwischen schweren und leichten Benutzer, Allcott (2011) fanden heraus , dass es auch Unterschiede in der schweren und leichten Benutzergruppe waren. Zum Beispiel reduziert die schwersten Benutzer (die im obersten Dezil) ihren Energieverbrauch doppelt so viel wie jemand in der Mitte der schweren Benutzergruppe (Abbildung 4.7). Des Weiteren zeigte die Wirkung durch Vorbehandlung Verhalten Schätzen auch, dass es nicht einen Bumerang-Effekt auch für die leichteste Benutzer (Abbildung 4.7) war.

Abbildung 4.7: Heterogene Behandlungseffekte in Allcott (2011) . Der Rückgang der Energieverbrauch war anders für Menschen in verschiedenen Dezil der Basisnutzung.

In einer ähnlichen Studie, Costa and Kahn (2013) spekuliert , dass die Wirksamkeit des Home Energy Bericht variieren auf eine politische Ideologie des Teilnehmers und dass die Behandlung tatsächlich mit bestimmten Ideologien führen , dass Menschen nutzen ihre Elektrizität beruhen könnte erhöhen könnten. Mit anderen Worten, spekulierten sie, dass die Home Energy Reports könnten einen Bumerang-Effekt für einige Arten von Menschen erschaffen. Um diese Möglichkeit zu beurteilen, fusionierte Costa und Kahn die Opower Daten mit gekauften Daten von einem Drittanbieter-Aggregator, die Informationen wie politische Partei Registrierung enthalten, Spenden an Umweltorganisationen und Haushalts Teilnahme an erneuerbaren Energieprogramme. Mit dieser fusionierten Datensatz gefunden Costa und Kahn, dass die Home Energy Reports erzeugt im Großen und Ganzen ähnliche Effekte für die Teilnehmer mit unterschiedlichen Ideologien; es gab keine Hinweise darauf, dass jede Gruppe Bumerang-Effekte (Abbildung 4.8) ausgestellt.

Abbildung 4.8: Heterogene Behandlungseffekte in Costa and Kahn (2013) . Die zu erwartende durchschnittliche Behandlungseffekt für die gesamte Stichprobe ist -2,1% [-1,5%, -2,7%]. Durch die Kombination von Daten aus dem Experiment mit Informationen über die Haushalte, Costa and Kahn (2013) verwendet , um eine Reihe von statistischen Modellen für ganz bestimmte Gruppen von Menschen die Wirkung der Behandlung abzuschätzen. Zwei Schätzungen für jede Gruppe dargestellt werden , da die Schätzungen über die Kovariaten abhängen , sie in ihrer statistischen Modelle enthalten (siehe Modell 4 und Modell 6 in Tabelle 3 und Tabelle 4 in Costa and Kahn (2013) ). Wie dieses Beispiel zeigt, kann die Behandlung Effekte für verschiedene Menschen und Schätzungen von Behandlungseffekten unterscheiden, die aus statistischen Modellen kommen auf die Details dieser Modelle abhängen (Grimmer, Messing, and Westwood 2014) .

Da diese beiden Beispiele im digitalen Zeitalter zu illustrieren, können wir aus der Einschätzung des durchschnittlichen Behandlungseffekte zu bewegen, um die Heterogenität der Behandlungseffekte schätzen, weil wir viel mehr Teilnehmer haben können, und wir wissen mehr über die Teilnehmer. über Heterogenität der Behandlungseffekte zu lernen, kann eine Behandlung ermöglichen Targeting, wo es am effektivsten ist, liefern Fakten, die neue Theorie Entwicklung stimulieren, und Hinweise auf einen möglichen Mechanismus zur Verfügung stellen, das Thema, das jetzt drehe ich.