4.4.2 A heteroxeneidade dos efectos do tratamento

Os experimentos normalmente miden o efecto medio, pero o efecto probablemente non sexa o mesmo para todos.

A segunda idea clave para superar simples experimentos é a heteroxeneidade dos efectos do tratamento . O experimento de Schultz et al. (2007) ilustra poderosamente como o mesmo tratamento pode ter un efecto diferente en diferentes tipos de persoas (figura 4.4). Na maioría dos experimentos analóxicos, con todo, os investigadores centráronse nos efectos promedio do tratamento debido a que había un pequeno número de participantes e pouco se soubo deles. En experimentos dixitais, con todo, moitas veces hai moitos máis participantes e máis se sabe sobre eles. Neste ambiente de datos diferente, os investigadores que continúan a estimar só os efectos promedio do tratamento perderán as formas en que as estimacións sobre a heteroxeneidade dos efectos do tratamento poden proporcionar pistas sobre como funciona un tratamento, como se pode mellorar e como se pode dirixir a aqueles máis propensos a beneficiarse.

Dous exemplos de heteroxeneidade dos efectos do tratamento proveñen de investigacións adicionais sobre os informes de enerxía doméstica. En primeiro lugar, Allcott (2011) utilizou o gran tamaño da mostra (600.000 fogares) para dividir aínda máis a mostra e estimar o efecto do Informe de enerxía doméstica mediante un decile de uso de enerxía previa ao tratamento. Mentres Schultz et al. (2007) atopou diferenzas entre usuarios pesados ​​e lixeiros, Allcott (2011) descubriu que tamén había diferenzas dentro do grupo de usuarios pesados ​​e lixeiros. Por exemplo, os usuarios máis pesados ​​(aqueles no top decile) reduciron o seu consumo de enerxía dúas veces máis que alguén no medio do grupo de usuarios pesados ​​(figura 4.8). Ademais, a estimación do efecto por comportamento previo ao tratamento tamén revelou que non había ningún efecto boomerang, mesmo para os usuarios máis lixeiros (figura 4.8).

Figura 4.8: Heterogeneidade dos efectos do tratamento en Allcott (2011) . A diminución do uso de enerxía era diferente para as persoas en diferentes deciles de uso base. Adaptado de Allcott (2011) , figura 8.

Nun estudo relacionado, Costa and Kahn (2013) especularon que a eficacia do Informe Home Energy podería variar en función da ideoloxía política dun participante e que o tratamento podería realmente provocar que as persoas con certas ideoloxías aumentasen o seu consumo de electricidade. Dito doutro xeito, especularon que os informes Home Energy podían estar creando un efecto boomerang para algúns tipos de persoas. Para avaliar esta posibilidade, Costa e Kahn uníronse os datos de Opower cos datos comprados dun agregador de terceiros que incluía información como rexistro de partidos políticos, doazóns a organizacións ambientais e participación dos fogares nos programas de enerxías renovables. Con este conxunto de datos fusionados, Costa e Kahn descubriron que os Informes de Enerxía en casa producían efectos moi amplos para os participantes con diferentes ideoloxías; Non había ningunha evidencia de que ningún grupo presentase efectos de boomerang (figura 4.9).

Figura 4.9: Heterogeneidade dos efectos do tratamento en Costa and Kahn (2013) . O efecto medio estimado do tratamento para toda a mostra é -2,1% [-1,5%, -2,7%]. Tras combinar información do experimento con información sobre os fogares, Costa and Kahn (2013) usaron unha serie de modelos estatísticos para estimar o efecto do tratamento para grupos de persoas moi específicos. Dous estimacións son presentadas para cada grupo porque as estimacións dependen das covariables que incluíron nos seus modelos estatísticos (ver modelos 4 e 6 nas táboas 3 e 4 en Costa and Kahn (2013) ). Como este exemplo ilustra, os efectos do tratamento poden ser diferentes para as diferentes persoas e as estimacións dos efectos do tratamento que proveñen de modelos estatísticos poden depender dos detalles destes modelos (Grimmer, Messing, and Westwood 2014) . Adaptado de Costa and Kahn (2013) , táboas 3 e 4.

Como estes dous exemplos ilustran, na era dixital, podemos pasar de estimar os efectos promedio do tratamento para estimar a heteroxeneidade dos efectos do tratamento porque podemos ter moitos máis participantes e coñecemos máis sobre eses participantes. A aprendizaxe sobre a heteroxeneidade dos efectos do tratamento pode permitir a segmentación dun tratamento onde sexa máis efectivo, proporcionar datos que estimulen o desenvolvemento da nova teoría e que proporcionen indicios sobre posibles mecanismos, o tema ao que agora chego.