4.4.2 Hétérogénéité des effets de traitement

Les expériences mesurent normalement l'effet moyen, mais l'effet peut être différent pour différentes personnes.

La deuxième idée clé pour aller au - delà des expériences simples est l' hétérogénéité des effets du traitement. L ' expérience de Schultz et al. (2007) illustre puissamment comment le même traitement peut avoir des effets différents sur différents types de personnes (figure 4.4), mais cette analyse de l' hétérogénéité est en fait tout à fait inhabituel pour une expérience d'âge analogique. La plupart des expériences d'âge analogiques impliquent un petit nombre de participants qui sont traités comme des «widgets» interchangeables parce que peu de choses sur eux est connu de pré-traitement. Dans des expériences numériques, cependant, ces contraintes de données sont moins fréquentes parce que les chercheurs ont tendance à avoir plus de participants et en savoir plus sur eux. Dans cet environnement de données différentes, nous pouvons estimer l'hétérogénéité des effets du traitement dans le but de fournir des indices sur la façon dont le traitement fonctionne, comment il peut être amélioré, et comment il peut être ciblé à ceux surtout susceptibles de bénéficier.

Deux exemples de l'hétérogénéité des effets du traitement dans le contexte des normes sociales et de l'utilisation de l'énergie proviennent des recherches supplémentaires sur les rapports Home Energy. Tout d' abord, Allcott (2011) a utilisé la grande taille de l' échantillon (600.000 ménages) pour diviser davantage l'échantillon et d' estimer l'effet du rapport Energy Home par décile de pré-traitement consommation d'énergie. Alors que Schultz et al. (2007) ont trouvé des différences entre les utilisateurs lourds et légers, Allcott (2011) ont constaté qu'il y avait aussi des différences au sein du groupe d'utilisateurs lourds et légers. Par exemple, les utilisateurs les plus lourds (ceux dans le décile supérieur) ont réduit leur consommation d'énergie deux fois plus que quelqu'un dans le milieu du groupe d'utilisateurs lourds (Figure 4.7). En outre, l'estimation de l'effet par le comportement de pré-traitement a également révélé qu'il n'y avait pas un effet boomerang, même pour les utilisateurs les plus légers (figure 4.7).

Figure 4.7: Hétérogénéité des effets du traitement dans Allcott (2011) . La diminution de la consommation d'énergie était différente pour les personnes dans différents déciles de l'utilisation de base.

Dans une étude connexe, Costa and Kahn (2013) ont émis l' hypothèse que l'efficacité du rapport Energy Home pourrait varier en fonction de l' idéologie politique d'un participant et que le traitement pourrait effectivement amener les gens avec certaines idéologies pour augmenter leur consommation d'électricité. En d'autres termes, ils ont émis l'hypothèse que les rapports Home Energy pourrait être la création d'un effet boomerang pour certains types de personnes. Pour évaluer cette possibilité, Costa et Kahn ont fusionné les données Opower avec les données acquises à partir d'un agrégateur de tiers qui comprenait des informations telles que l'enregistrement des partis politiques, des dons à des organismes de l'environnement, et la participation des ménages dans les programmes d'énergie renouvelable. Avec cet ensemble de données fusionnée, Costa et Kahn ont constaté que les rapports Home Energy a produit des effets largement similaires pour les participants avec des idéologies différentes; il n'y avait aucune preuve que le groupe a présenté des effets boomerang (Figure 4.8).

Figure 4.8: Hétérogénéité des effets de traitement en Costa and Kahn (2013) . L'effet du traitement moyen estimé pour l'ensemble de l'échantillon est -2,1% [-1,5%, -2,7%]. En combinant les informations provenant de l'expérience avec des informations sur les ménages, Costa and Kahn (2013) ont utilisé une série de modèles statistiques pour estimer l'effet du traitement pour les groupes très spécifiques de personnes. Deux estimations sont présentées pour chaque groupe parce que les estimations dépendent des covariables ils inclus dans leurs modèles statistiques (voir modèle 4 et le modèle 6 dans le tableau 3 et le tableau 4 en Costa and Kahn (2013) ). Comme le montre cet exemple, les effets du traitement peuvent être différentes pour différentes personnes et les estimations des effets de traitement qui viennent de modèles statistiques peuvent compter sur les détails de ces modèles (Grimmer, Messing, and Westwood 2014) .

Comme ces deux exemples illustrent, à l'ère numérique, nous pouvons passer de l'estimation des effets de traitement moyens pour estimer l'hétérogénéité des effets du traitement parce que nous pouvons avoir beaucoup plus de participants et nous en savoir plus sur les participants. L'apprentissage de l'hétérogénéité des effets du traitement peut permettre le ciblage d'un traitement où il est le plus efficace, fournir des faits qui stimulent le développement de nouvelles théorie, et de fournir des indications sur un éventuel mécanisme, le sujet auquel je me tourne maintenant.