4.4.2 Η ετερογένεια των αποτελεσμάτων της θεραπείας

Τα πειράματα συνήθως μετρούν το μέσο όρο, αλλά το αποτέλεσμα πιθανώς δεν είναι το ίδιο για όλους.

Η δεύτερη βασική ιδέα για τη μετάβαση πέρα ​​από τα απλά πειράματα είναι η ετερογένεια των επιδράσεων της θεραπείας . Το πείραμα των Schultz et al. (2007) δείχνει δυναμικά πώς η ίδια μεταχείριση μπορεί να έχει διαφορετική επίδραση σε διαφορετικά είδη ανθρώπων (εικόνα 4.4). Ωστόσο, στα περισσότερα αναλογικά πειράματα, οι ερευνητές επικεντρώθηκαν στις μέσες επιδράσεις της θεραπείας, επειδή υπήρχε ένας μικρός αριθμός συμμετεχόντων και λίγα ήταν γνωστά γι 'αυτά. Σε ψηφιακά πειράματα, ωστόσο, υπάρχουν συχνά πολλοί περισσότεροι συμμετέχοντες και περισσότερα είναι γνωστά γι 'αυτά. Σε αυτό το διαφορετικό περιβάλλον δεδομένων, οι ερευνητές που συνεχίζουν να υπολογίζουν μόνο τα μέσα αποτελέσματα θεραπείας θα χάσουν τους τρόπους με τους οποίους οι εκτιμήσεις σχετικά με την ετερογένεια των επιδράσεων της θεραπείας μπορούν να παρέχουν ενδείξεις για τον τρόπο με τον οποίο η θεραπεία λειτουργεί, πώς μπορεί να βελτιωθεί και πώς μπορεί να στοχεύει σε εκείνους που είναι πιθανότερο να επωφεληθούν.

Δύο παραδείγματα ετερογένειας των αποτελεσμάτων της θεραπείας προέρχονται από επιπρόσθετη έρευνα σχετικά με τις εκθέσεις οικιακής ενέργειας. Πρώτον, το Allcott (2011) χρησιμοποίησε το μεγάλο μέγεθος δείγματος (600.000 νοικοκυριά) για να διαιρέσει περαιτέρω το δείγμα και να εκτιμήσει την επίδραση της Έκθεσης για την Ενεργειακή Allcott (2011) για την οικιακή ενέργεια με το decile της χρήσης της ενέργειας πριν από την επεξεργασία. Ενώ οι Schultz et al. (2007) διαπίστωσε διαφορές μεταξύ βαρέων και ελαφρών χρηστών, η Allcott (2011) διαπίστωσε ότι υπήρχαν επίσης διαφορές στην ομάδα των βαρέων και ελαφρών χρηστών. Για παράδειγμα, οι βαρύτεροι χρήστες (οι ανώτεροι δεκτοί) μείωσαν τη χρήση ενέργειας δύο φορές περισσότερο από κάποιον που βρίσκεται στη μέση της ομάδας βαρέων χρηστών (εικόνα 4.8). Περαιτέρω, η εκτίμηση της επίδρασης από τη συμπεριφορά πριν από τη θεραπεία αποκάλυψε επίσης ότι δεν υπήρχε κανένα φαινόμενο μπούμερανγκ, ακόμη και για τους ελαφρύτερους χρήστες (σχήμα 4.8).

Σχήμα 4.8: Ετερογένεια των επιδράσεων της θεραπείας σε Allcott (2011) . Η μείωση της κατανάλωσης ενέργειας ήταν διαφορετική για άτομα με διαφορετικά deciles της αρχικής χρήσης. Προσαρμοσμένη από την Allcott (2011) , σχήμα 8.

Σε μια σχετική μελέτη, ο Costa and Kahn (2013) εικάζουν ότι η αποτελεσματικότητα της Έκθεσης για την Ενεργειακή Ενέργεια θα μπορούσε να ποικίλει ανάλογα με την πολιτική ιδεολογία ενός συμμετέχοντα και ότι η θεραπεία θα μπορούσε να προκαλέσει αύξηση της χρήσης ηλεκτρικής ενέργειας από τους ιδιώτες. Με άλλα λόγια, εξέφρασαν την εικασία ότι οι εκθέσεις για την οικιακή ενέργεια μπορεί να δημιουργούν ένα φαινόμενο μπούμερανγκ για ορισμένους τύπους ανθρώπων. Για να αξιολογήσει αυτή τη δυνατότητα, η Costa και ο Kahn συγχώνευσαν τα δεδομένα Opower με δεδομένα που αγοράστηκαν από έναν τρίτο συνεργάτη που περιελάμβανε πληροφορίες όπως εγγραφές πολιτικών κομμάτων, δωρεές σε περιβαλλοντικές οργανώσεις και συμμετοχή νοικοκυριών σε προγράμματα ανανεώσιμων πηγών ενέργειας. Με αυτό το συγχωνευμένο σύνολο δεδομένων, ο Costa και ο Kahn διαπίστωσαν ότι οι εκθέσεις για την οικιακή ενέργεια παρήγαγαν γενικά παρόμοια αποτελέσματα για τους συμμετέχοντες με διαφορετικές ιδεολογίες. δεν υπήρχαν στοιχεία που να αποδεικνύουν ότι κάποια ομάδα παρουσίαζε αποτελέσματα μπούμερανγκ (σχήμα 4.9).

Σχήμα 4.9: Ετερογένεια των επιδράσεων της θεραπείας στην Costa and Kahn (2013) . Το εκτιμώμενο μέσο αποτέλεσμα θεραπείας για το σύνολο του δείγματος είναι -2,1% [-1,5%, -2,7%]. Μετά το συνδυασμό των πληροφοριών από το πείραμα με τις πληροφορίες για τα νοικοκυριά, ο Costa and Kahn (2013) χρησιμοποίησαν μια σειρά στατιστικών μοντέλων για να εκτιμήσουν το αποτέλεσμα της θεραπείας για πολύ συγκεκριμένες ομάδες ανθρώπων. Δύο εκτιμήσεις παρουσιάζονται για κάθε ομάδα, επειδή οι εκτιμήσεις εξαρτώνται από τις μεταβλητές που συμπεριέλαβαν στα στατιστικά τους μοντέλα (βλέπε μοντέλα 4 και 6 στους πίνακες 3 και 4 στην Costa and Kahn (2013) ). Όπως δείχνει αυτό το παράδειγμα, τα αποτελέσματα της θεραπείας μπορεί να διαφέρουν για διαφορετικούς ανθρώπους και οι εκτιμήσεις των επιδράσεων της θεραπείας που προέρχονται από στατιστικά μοντέλα μπορούν να εξαρτώνται από τις λεπτομέρειες αυτών των μοντέλων (Grimmer, Messing, and Westwood 2014) . Προσαρμοσμένη από την Costa and Kahn (2013) , πίνακες 3 και 4.

Όπως δείχνουν αυτά τα δύο παραδείγματα, στην ψηφιακή εποχή μπορούμε να προχωρήσουμε από την εκτίμηση των μέσων επιπτώσεων της θεραπείας στην εκτίμηση της ετερογένειας των επιδράσεων της θεραπείας, επειδή μπορούμε να έχουμε πολλούς περισσότερους συμμετέχοντες και γνωρίζουμε περισσότερα για αυτούς τους συμμετέχοντες. Η γνώση σχετικά με την ετερογένεια των επιδράσεων της θεραπείας μπορεί να επιτρέψει τη στόχευση μιας θεραπείας όπου είναι πιο αποτελεσματική, να παράσχει στοιχεία που να τονώνουν τη νέα ανάπτυξη της θεωρίας και να παρέχουν συμβουλές για πιθανούς μηχανισμούς, το θέμα στο οποίο γυρίζω τώρα.