4.4.2 Η ετερογένεια των αποτελεσμάτων της θεραπείας

Πειράματα κανονικά τη μέτρηση της μέσης αποτέλεσμα, αλλά το αποτέλεσμα μπορεί να είναι διαφορετική για τους διαφορετικούς ανθρώπους.

Η δεύτερη βασική ιδέα για τη μετακίνηση πέρα από απλά πειράματα είναι η ετερογένεια των αποτελεσμάτων της θεραπείας. Το πείραμα του Schultz et al. (2007) περιγράφει με δύναμη το πώς η ίδια θεραπεία μπορεί να έχουν διαφορετικές επιπτώσεις σε διαφορετικά είδη ανθρώπων (Σχήμα 4.4), αλλά αυτή η ανάλυση της ετερογένειας είναι πραγματικά αρκετά ασυνήθιστο για ένα πείραμα ανάλογο ηλικία. Τα περισσότερα πειράματα αναλογική ηλικία περιλαμβάνει ένα μικρό αριθμό συμμετεχόντων, που αντιμετωπίζονται ως εναλλάξιμα «widgets», επειδή λίγο γι 'αυτούς που είναι γνωστό προ-επεξεργασία. Στην ψηφιακή πειράματα, όμως, αυτοί οι περιορισμοί των δεδομένων είναι λιγότερο συχνές, γιατί οι ερευνητές τείνουν να έχουν περισσότερους συμμετέχοντες και να μάθετε περισσότερα γι 'αυτούς. Σε αυτό το διαφορετικό περιβάλλον δεδομένα, μπορούμε να εκτιμήσουμε την ετερογένεια των αποτελεσμάτων της θεραπείας, ώστε να παρέχουν ενδείξεις για το πώς λειτουργεί η θεραπεία, πώς μπορεί να βελτιωθεί, και πώς μπορούν να απευθύνονται σε εκείνους που ως επί το πλείστον πιθανό να επωφεληθούν.

Δύο παραδείγματα της ετερογένειας των θεραπευτικών επιδράσεων στο πλαίσιο των κοινωνικών κανόνων και η χρήση της ενέργειας να προέρχεται από συμπληρωματική έρευνα σχετικά με τις εκθέσεις Home Energy. Κατ 'αρχάς, Allcott (2011) χρησιμοποίησαν το μεγάλο μέγεθος του δείγματος (600.000 νοικοκυριά) να διαχωρίσει περαιτέρω το δείγμα και να εκτιμήσει την επίδραση της έκθεσης Home Energy από δεκατημόριο της χρήσης ενέργειας προεπεξεργασίας. Ενώ Schultz et al. (2007) βρέθηκαν διαφορές μεταξύ των βαρέων και ελαφρών χρήστες, Allcott (2011) διαπίστωσε ότι υπήρχαν επίσης διαφορές στο εσωτερικό της βαριάς και ελαφριάς ομάδα χρηστών. Για παράδειγμα, οι πιο συχνοί χρήστες (αυτοί στην κορυφή δεκατημόριο) μειωμένη ενεργειακή κατανάλωση διπλάσια από κάποιον στη μέση της βαριάς ομάδα χρηστών (Σχήμα 4.7). Περαιτέρω, η εκτίμηση της επίδρασης από τη συμπεριφορά προεπεξεργασίας αποκάλυψε επίσης ότι δεν υπήρχε ένα μπούμερανγκ, ακόμη και για τις πιο ελαφριές χρήστες (Εικόνα 4.7).

Σχήμα 4.7: Η ετερογένεια των αποτελεσμάτων της θεραπείας στην Allcott (2011) . Η μείωση της χρήσης ενέργειας ήταν διαφορετική για τους ανθρώπους σε διάφορα δεκατημόρια της βάσης χρήσης.

Σε μια σχετική μελέτη, Costa and Kahn (2013) υπέθεσαν ότι η αποτελεσματικότητα της έκθεσης Home Energy θα μπορούσε να διαφέρει ανάλογα με την πολιτική ιδεολογία του συμμετέχοντα και ότι η θεραπεία θα μπορούσε πράγματι να προκαλέσει τους ανθρώπους με ορισμένες ιδεολογίες να αυξήσουν τη χρήση ηλεκτρικής ενέργειας. Με άλλα λόγια, εικάζουν ότι οι εκθέσεις Home Energy θα μπορούσε να δημιουργήσει ένα μπούμερανγκ για ορισμένους τύπους ανθρώπων. Για να αξιολογηθεί η δυνατότητα αυτή, Costa και Kahn συγχώνευσε τα δεδομένα Opower με τα στοιχεία που αγοράζονται από τρίτους aggregator που περιλαμβάνονται πληροφορίες όπως η εγγραφή των πολιτικών κομμάτων, οι δωρεές προς το περιβάλλον οργανισμών, και η συμμετοχή νοικοκυριών σε προγράμματα ανανεώσιμων πηγών ενέργειας. Με αυτή τη νέα δέσμη στοιχείων, Costa και Kahn διαπίστωσε ότι οι εκθέσεις Αρχική Η ενέργεια που παράγεται σε μεγάλο βαθμό παρόμοια αποτελέσματα για τους συμμετέχοντες με διαφορετικές ιδεολογίες? δεν υπήρχε καμία απόδειξη ότι οποιαδήποτε ομάδα εμφάνισε μπούμερανγκ αποτελέσματα (Σχήμα 4.8).

Σχήμα 4.8: Η ετερογένεια των αποτελεσμάτων της θεραπείας στην Costa and Kahn (2013) . Η εκτιμώμενη μέση επίδραση της θεραπείας για το σύνολο του δείγματος είναι -2,1% [-1,5%, -2,7%]. Με το συνδυασμό πληροφοριών από το πείραμα με πληροφορίες σχετικά με τα νοικοκυριά, Costa and Kahn (2013) χρησιμοποίησαν μια σειρά από στατιστικά μοντέλα για την εκτίμηση της επίδρασης της θεραπείας για πολύ συγκεκριμένες ομάδες ατόμων. Οι δύο εκτιμήσεις που παρουσιάζονται για κάθε ομάδα, διότι οι εκτιμήσεις εξαρτώνται από τις συμμεταβλητές που περιλαμβάνονται στα στατιστικά μοντέλα τους (βλέπε μοντέλο 4 και το μοντέλο 6 στον πίνακα 3 και στον πίνακα 4 στο Costa and Kahn (2013) ). Δεδομένου ότι αυτό το παράδειγμα δείχνει, τα αποτελέσματα της θεραπείας μπορεί να είναι διαφορετική για τους διαφορετικούς ανθρώπους και οι εκτιμήσεις των αποτελεσμάτων της θεραπείας που προέρχονται από στατιστικά μοντέλα μπορούν να εξαρτώνται από τις λεπτομέρειες των μοντέλων αυτών (Grimmer, Messing, and Westwood 2014) .

Δεδομένου ότι αυτά τα δύο παραδείγματα δείχνουν, στην ψηφιακή εποχή, μπορούμε να περάσουμε από την εκτίμηση μέση αποτελέσματα της θεραπείας για την εκτίμηση της ετερογένειας των αποτελεσμάτων της θεραπείας, επειδή μπορούμε να έχουμε πολλούς περισσότερους συμμετέχοντες και γνωρίζουμε περισσότερα για αυτούς τους συμμετέχοντες. Μαθαίνοντας για την ετερογένεια των αποτελεσμάτων της θεραπείας μπορεί να επιτρέψει τη στόχευση μιας θεραπείας όπου είναι πιο αποτελεσματική, να παρέχει στοιχεία που διεγείρουν την ανάπτυξη νέων θεωρίας, και να παρέχει συμβουλές σχετικά με ένα πιθανό μηχανισμό, το θέμα για το οποίο εγώ τώρα.