4.1 Introducción

En los enfoques incluidos hasta ahora en este libro el comportamiento de observación (Capítulo 2) y haciendo preguntas (Capítulo 3) -investigadores recogen datos sobre lo que está ocurriendo de forma natural en el mundo. El enfoque de este capítulo se-correr-experimentos es fundamentalmente diferente. Cuando los investigadores realizar experimentos, intervienen de forma sistemática en el mundo para crear datos que es ideal para responder a preguntas sobre las relaciones de causa y efecto.

Causa y efecto preguntas son muy comunes en la investigación social, y los ejemplos incluyen preguntas como ¿El aumento de salarios de los maestros incrementar el aprendizaje del estudiante? ¿Cuál es el efecto del salario mínimo sobre las tasas de empleo? ¿Cómo afecta la carrera de un solicitante de empleo su oportunidad de conseguir un trabajo? Además de estas preguntas de manera explícita causales, a veces causa-efecto preguntas están implícitas en las preguntas más generales sobre la maximización de alguna métrica de rendimiento. Por ejemplo, la pregunta "¿Qué botón de color maximizará las donaciones en un sitio web de las ONG?" Es realmente un montón de preguntas sobre el efecto de los diferentes colores de los botones de las donaciones.

Una forma de responder a las preguntas de causa y efecto es buscar patrones en los datos existentes. Por ejemplo, el uso de datos de miles de escuelas, es posible calcular que los estudiantes aprenden más en las escuelas que ofrecen altos salarios de los maestros. Sin embargo, esta correlación no muestran que los salarios más altos hacen que los estudiantes aprendan más? Por supuesto no. Escuelas donde los maestros ganan más podrían ser diferentes en muchos aspectos. Por ejemplo, los estudiantes en las escuelas con altos salarios de maestros podrían venir de las familias más ricas. Por lo tanto, lo que parece ser un efecto de los profesores sólo podría venir de la comparación de diferentes tipos de estudiantes. Estas diferencias no medidas entre los estudiantes son llamados factores de confusión y, en general, la posibilidad de factores de confusión causa estragos en los investigadores la capacidad de responder a las preguntas de causa y efecto mediante la búsqueda de patrones en los datos existentes.

Una solución al problema de la confusión es tratar de hacer comparaciones justas mediante el ajuste de las diferencias observables entre los grupos. Por ejemplo, es posible que pueda descargar los datos de impuestos a la propiedad de un número de sitios web del gobierno. A continuación, se podía comparar el rendimiento de los estudiantes en las escuelas donde los precios son similares, pero los salarios docentes son diferentes, y todavía se puede encontrar que los estudiantes aprenden más en las escuelas con mayor salario de los maestros. Sin embargo, todavía hay muchos posibles factores de confusión. Tal vez los padres de estos estudiantes difieren en su nivel de educación o tal vez las escuelas difieren en su cercanía a las bibliotecas públicas o tal vez las escuelas con mayor salario de los maestros también tienen una mayor remuneración para los directores y la remuneración principal, no pago de los maestros, es realmente lo que está en aumento aprendizaje de los estudiantes. Se podría tratar de medir estos otros factores, pero la lista de posibles factores de confusión es esencialmente sin fin. En muchas situaciones, que no se puede medir y ajustar para todos los posibles factores de confusión. Este método sólo se puede llevar muy lejos.

Una mejor solución para el problema de los factores de confusión se está ejecutando experimentos. Los experimentos permiten a los investigadores ir más allá de las correlaciones en los datos de origen natural con el fin de responder de manera fiable cuestión de causa y efecto. En la era analógica, los experimentos eran a menudo logísticamente difícil y costoso. Ahora, en la era digital, las limitaciones logísticas están desvaneciendo poco a poco. No sólo es más fácil hacer experimentos como los investigadores han hecho en el pasado, ahora es posible ejecutar nuevos tipos de experimentos.

En lo que he escrito hasta ahora he estado un poco floja en mi idioma, pero es importante distinguir entre dos cosas: experimentos y experimentos controlados aleatorios. En un experimento investigador interviene en el mundo y, luego, mide un resultado. He oído este enfoque se describe como "perturbar y observar." Esta estrategia es muy eficaz en las ciencias naturales, pero en las ciencias médicas y sociales, hay otro método que funciona mejor. En un experimento controlado aleatorio investigador interviene para algunas personas y no para otros, y, fundamentalmente, el investigador decide qué personas reciben la intervención de la asignación al azar (por ejemplo, lanzar una moneda). Este procedimiento garantiza que los experimentos controlados aleatorios crean comparaciones justas entre los dos grupos: uno que ha recibido la intervención y uno que no lo ha hecho. En otras palabras, los experimentos controlados aleatorios son una solución a los problemas de los factores de confusión. A pesar de las diferencias importantes entre los experimentos y experimentos controlados aleatorios, los investigadores sociales a menudo usan estos términos indistintamente. Voy a seguir esta convención, pero, en ciertos puntos, voy a romper la convención para enfatizar el valor de experimentos controlados aleatorios sobre los experimentos sin aleatorización y un grupo control.

experimentos controlados aleatorios han demostrado ser una poderosa manera de aprender sobre el mundo social, y en este capítulo, te voy a enseñar más sobre cómo utilizarlos en su investigación. En la Sección 4.2, voy a ilustrar la lógica básica de la experimentación con un ejemplo de un experimento en la Wikipedia. A continuación, en la Sección 4.3, voy a describir la diferencia entre los experimentos de laboratorio y experimentos de campo y las diferencias entre los experimentos analógicos y digitales experimentos. Además, voy a argumentar que los experimentos de campo digitales pueden ofrecer las mejores características de los experimentos de laboratorio analógicas (control estricto) y experimentos de campo analógico (realismo), todo ello a una escala que no era posible anteriormente. A continuación, en la Sección 4.4, describiré tres conceptos-validez, la heterogeneidad de los efectos del tratamiento, y los mecanismos de que son críticos para el diseño de experimentos ricos. Con estos antecedentes, describiré las compensaciones involucradas en las dos estrategias principales para la realización de experimentos digitales: hacerlo usted mismo (Sección 4.5.1) o asociarse con los poderosos (Sección 4.5.2). Por último, voy a concluir con algunos consejos de diseño acerca de cómo puede aprovechar el poder real de los experimentos digitales (Sección 4.6.1) y describir algunas de responsabilidad que viene con ese poder (Sección 4.6.2). El capítulo se presentará con un mínimo de notación matemática y lenguaje formal; los lectores interesados ​​en un enfoque más formal, matemático para experimentos también deberían leer el apéndice técnico al final del capítulo.