2.4.3.1 નેચરલ પ્રયોગો

નેચરલ પ્રયોગો વિશ્વમાં રેન્ડમ ઘટનાઓ લાભ લે છે. રેન્ડમ ઘટના + હંમેશા માહિતી સિસ્ટમ = કુદરતી પ્રયોગ

નિદર્શિત અંકુશિત પ્રયોગો વાજબી સરખામણી સક્રિય કરવા માટે કી રેન્ડમાઈઝેશન છે. જો કે, અવારનવાર કંઈક વિશ્વમાં જે અનિવાર્યપણે અલગ સારવાર રેન્ડમ રેન્ડમ અથવા લગભગ લોકો સોંપે થાય છે. કુદરતી પ્રયોગો ઉપયોગ વ્યૂહરચના સ્પષ્ટ ઉદાહરણો એક સંશોધન પરથી આવે છે Angrist (1990) કે કમાણી પર લશ્કરી સેવાઓ અસર માપે છે.

વિયેતનામ યુદ્ધ દરમિયાન, યુનાઇટેડ સ્ટેટ્સ ડ્રાફ્ટ મારફતે તેના સશસ્ત્ર દળો કદ વધારો થયો છે. ક્રમમાં તે નક્કી કરવા માટે કે જે નાગરિકો સેવામાં કહેવામાં આવશે, અમેરિકી સરકાર એક લોટરી યોજાઇ હતી. દરેક જન્મતારીખ કાગળ એક ભાગ પર રજૂ કરવામાં આવી હતી, અને આ કાગળો એક મોટો ગ્લાસ જાર મૂકવામાં આવી હતી. આકૃતિ 2.5 માં બતાવ્યા પ્રમાણે, કાગળ આ સ્લિપ એક સમયે જાર એક માંથી દોરેલા હતા ક્રમમાં છે કે જે યુવાન પુરુષો (યુવાન સ્ત્રીઓ ડ્રાફ્ટ વિષય ન હતા) સેવા આપવા માટે કહેવામાં આવશે તે નક્કી કરવા માટે. પરિણામો પર આધાર રાખીને, 14 સપ્ટેમ્બર પર જન્મ પુરુષો પ્રથમ કહેવાતા હતા, 24 એપ્રિલ પર થયો પુરુષો બીજા કહેવાતા હતા, અને તેથી પર. છેવટે, આ લોટરી, 195 અલગ દિવસોમાં જન્મ પુરુષો સેવા કરવા માટે કહેવામાં આવી હતી, જ્યારે 171 દિવસ પર જન્મ પુરુષો કહેવાય ન હતી.

આકૃતિ 2.5: કોંગ્રેસના એલેક્ઝાન્ડર Pirnie (આર-NY) 1 ડિસેમ્બરના રોજ પસંદગીયુક્ત સેવા ડ્રાફ્ટ પ્રથમ કેપ્સ્યુલ ચિત્રકામ, 1969 જોશુઆ Angrist (1990) સંયુક્ત સામાજિક સુરક્ષા વહીવટ કમાણી માહિતી સાથે ડ્રાફ્ટ લોટરી લશ્કરી સેવા અસર અંદાજ કમાણી પર. આ એક કુદરતી પ્રયોગ મદદથી સંશોધન એક ઉદાહરણ છે. સોર્સ: Wikimedia Commons નો ભાગ

જો કે તે તરત જ સ્પષ્ટ ન પણ હોઈ શકે, ડ્રાફ્ટ લોટરી એક નિદર્શિત અંકુશિત પ્રયોગ કરવા માટે એક જટિલ સમાનતા ધરાવે છે: બંને પરિસ્થિતિઓમાં સહભાગીઓ રેન્ડમલી સારવાર મેળવવા માટે સોંપવામાં આવે છે. ડ્રાફ્ટ લોટરી કિસ્સામાં, જો અમે ડ્રાફ્ટ યોગ્યતા અને અનુગામી શ્રમ બજારમાં કમાણી પર લશ્કરી સેવા અસરો વિશે જાણવામાં રસ છે, અમે લોકો જેની birthdates લોટરી cutoff નીચે હતા (માટે પરિણામો તુલના કરી શકો છો દા.ત., સપ્ટેમ્બર 14, એપ્રિલ 24, વગેરે) લોકો જેમના જન્મદિનની cutoff પછી હતા (દા.ત., ફેબ્રુઆરી 20, 2 ડિસેમ્બર, વગેરે) માટે પરિણામો સાથે.

આપેલ છે કે મુસદ્દો તૈયાર કર્યો હોવાની આ સારવાર રેન્ડમ સોંપાયેલ છે, પછી અમે કોઇ પરિણામ છે કે માપવામાં આવી છે માટે આ સારવારની અસર માપી શકાય છે. ઉદાહરણ તરીકે, Angrist (1990) જે રેન્ડમ કમાણી માહિતી કે સામાજિક સુરક્ષા વહીવટ દ્વારા એકત્રિત કરવામાં આવી હતી તારણ છે કે જે સફેદ યોદ્ધાઓની કમાણી લગભગ 15% સરખામણીએ બિન-યોદ્ધાઓની કમાણી કરતાં ઓછા હતા સાથે ડ્રાફ્ટ પસંદ કરવામાં આવી હતી વિશે જાણકારી સંયુક્ત . અન્ય સંશોધકોએ એક સમાન યુક્તિ તેમજ ઉપયોગ કર્યો છે. ઉદાહરણ તરીકે, Conley and Heerwig (2011) જે રેન્ડમ 2000 ની વસ્તી ગણતરી અને 2005 અમેરિકન કમ્યુનિટી સરવે પાસેથી એકત્ર ઘરગથ્થુ માહિતી સાથે ડ્રાફ્ટ પસંદ કરવામાં આવી હતી વિશે જાણકારી સંયુક્ત અને જાણવા મળ્યું કે જેથી લાંબા ડ્રાફ્ટ પછી, ત્યાં થોડા લાંબા ગાળાની અસર હતી જેમ કે ગૃહ મુદત (ભાડે વિરુદ્ધ ધરાવતો) અને રહેણાંક સ્થિરતા (અગાઉના પાંચ વર્ષમાં ખસેડવામાં કર્યા શક્યતા) તરીકે પરિણામો વિવિધ લશ્કરી સેવા.

આ ઉદાહરણ સમજાવે છે કે, ક્યારેક, સામાજિક, રાજકીય, અથવા કુદરતી દળો પ્રયોગો અથવા નજીકના પ્રયોગો કે સંશોધકો દ્વારા લિવરેજ કરી શકે છે. ઘણીવાર કુદરતી પ્રયોગો શ્રેષ્ઠ માર્ગ સેટિંગ્સમાં કારણ અને અસર સંબંધો અંદાજ જ્યાં તે નૈતિક અથવા વ્યવહારુ નિદર્શિત અંકુશિત પ્રયોગો ચલાવવા માટે નથી. તેઓ બિન પ્રાયોગિક માહિતી ફેર તુલના શોધવા માટે એક મહત્વપૂર્ણ વ્યૂહરચના છે. આ સંશોધન વ્યૂહરચના આ સમીકરણ દ્વારા સારાંશ શકાય છે:

\ [\ લખાણ {રેન્ડમ (અથવા જો રેન્ડમ તરીકે) ઘટના} \ લખાણ {હંમેશા ડેટા સ્ટ્રીમ} = \ લખાણ {કુદરતી પ્રયોગ} \ qquad (2.1) \]

જો કે, કુદરતી પ્રયોગો વિશ્લેષણ ખૂબ મુશ્કેલ હોઈ શકે છે. ઉદાહરણ તરીકે, વિયેતનામ ડ્રાફ્ટ કિસ્સામાં, દરેક જણ જે ડ્રાફ્ટ પાત્ર સેવા આપતા અંત હતો (મુક્તિ આપવામાં આવી વિવિધ ત્યાં હતા). અને, તે જ સમયે, કેટલાક લોકો ડ્રાફ્ટ પાત્ર ન હતા સેવા માટે સેવા આપી હતી. તે તો એક નવી દવા એક ક્લિનિકલ ટ્રાયલ, સારવાર જૂથમાં કેટલાક લોકો તેમના દવા ન લો અને હતી નિયંત્રણ જૂથમાં કેટલાક લોકો કોઈક દવા પ્રાપ્ત થઈ છે. આ સમસ્યા, બે બાજુ noncompliance કહેવાય છે, તેમજ અન્ય ઘણા સમસ્યાઓ આ પ્રકરણના અંતે ભલામણ વાંચન કેટલાક વધુ વિગતવાર વર્ણન કરવામાં આવ્યું છે.

કુદરતી રેન્ડમ સોંપણી બનતું લાભ લેવાના વ્યૂહરચના ડિજિટલ વય કરતાં આગળ છે, પરંતુ મોટા ડેટા વ્યાપ આ વ્યૂહરચના ખૂબ સરળ વાપરવા માટે બનાવે છે. એકવાર તમે સમજો કેટલાક સારવાર રેન્ડમ સોંપાયેલ છે, મોટા માહિતી સ્ત્રોત પરિણામ માહિતી કે જે તમે કરવા માટે સારવાર અને નિયંત્રણ પરિસ્થિતિમાં લોકો માટે પરિણામો તુલના કરવા માટે જરૂર આપી શકે છે. ઉદાહરણ તરીકે, ડ્રાફ્ટ અને લશ્કરી સેવા અસરો તેમના અભ્યાસમાં, Angrist સામાજિક સુરક્ષા વહીવટ આવક રેકોર્ડ ઉપયોગ કર્યો; આ પરિણામ માહિતી વગર, તેમના અભ્યાસ શક્ય બન્યું ન હોત. આ કિસ્સામાં, સામાજિક સુરક્ષા વહીવટ હંમેશા મોટા ડેટા સ્રોત છે. વધુ અને વધુ આપોઆપ એકત્રિત માહિતી સ્ત્રોત અસ્તિત્વ, અમે વધુ પરિણામ માહિતી કે બહિર્જાત વિવિધતા દ્વારા બનાવવામાં ફેરફારો અસરો માપવા કરી શકો છો હશે.

ડિજિટલ વય માં આ વ્યૂહરચના સમજાવે છે, માતાનો માસ અને Moretti ચાલો (2009) ઉત્પાદકતા પર સાથીઓની અસર પર ભવ્ય સંશોધન. તેમ છતાં સપાટી પર વિયેતનામ ડ્રાફ્ટ અસરો વિશે Angrist અભ્યાસ કરતાં અલગ જોવા શકે છે, માળખામાં તેઓ બંને EQ પેટર્ન અનુસરે છે. 2.1.

માસ અને Moretti માપવામાં કેવી રીતે સાથીદારોએ કામદારોના ઉત્પાદકતા અસર કરે છે. એક તરફ, હાર્ડ કામ પીઅર કર્યા પીઅર દબાણ કારણે તેમની ઉત્પાદકતામાં વધારો કામદારો જીવી શકે છે. અથવા, પ્રશ્નની બીજી બાજુએ, હાર્ડ કામ પીઅર અન્ય કામદારો જીવી પણ વધુ બંધ શાંત કરી શકે છે. ઉત્પાદકતા પર પીઅર અસરો અભ્યાસ માટે સ્પષ્ટ રીતે એક નિદર્શિત અંકુશિત પ્રયોગ જ્યાં કામદાર રેન્ડમ વિવિધ ઉત્પાદકતા સ્તર કામદારો સાથે પાળી સોંપેલ છે અને પછી પરિણામી ઉત્પાદકતા દરેક માટે માપવામાં આવે છે આવશે. સંશોધકોએ, જોકે, કોઇ વાસ્તવિક બિઝનેસ કામદારો શેડ્યૂલ નિયંત્રિત નથી, અને તેથી માસ અને Moretti કુદરતી પ્રયોગ કે જે એક સુપરમાર્કેટ માં યોજાયો હતો પર આધાર રાખે હતી.

જસ્ટ EQ જેવા. 2.1, તેમના અભ્યાસમાં બે ભાગોમાં હતી. પ્રથમ, તેઓ સુપરમાર્કેટ Checkout સિસ્ટમ લોગ ઉપયોગ એક ચોક્કસ વ્યક્તિગત હોય છે, અને ઉત્પાદકતા માપદંડ હંમેશા પ્રતિ સેકન્ડ સ્કેન વસ્તુઓ સંખ્યા. અને, બીજું કે માર્ગ કે સુનિશ્ચિત આ સુપરમાર્કેટ ખાતે કરવામાં આવી હતી, તેઓ સાથીદારોએ રેન્ડમ રચના નજીક હોય છે. અન્ય શબ્દોમાં, છતાં પણ cashiers સુનિશ્ચિત એક લોટરી દ્વારા નક્કી કરવામાં આવે છે, તે અનિવાર્યપણે રેન્ડમ હતી. વ્યવહારમાં, વિશ્વાસ અમે કુદરતી પ્રયોગો છે વારંવાર આ "તરીકે-જો" રેન્ડમ દાવો તર્કસંગતતા પર આધાર રાખે છે. આ રેન્ડમ વિવિધતા લાભ લઈને, માસ અને Moretti જાણવા મળ્યું કે ઉચ્ચ ઉત્પાદકતા પેઢીઓ સાથે કામ ઉત્પાદકતા વધારે છે. વધુમાં, માસ અને Moretti કારણ અને અસર અંદાજ બહાર ખસેડવા માટે વધુ બે મહત્વપૂર્ણ અને સૂક્ષ્મ મુદ્દાઓ અન્વેષણ કરવા માટે માપ અને તેમના dataset સમૃદ્ધિ ઉપયોગ: આ અસર (જેના માટે કામદારો પ્રકારના અસર મોટી છે) વૈવિધ્યનો અને પદ્ધતિ અસર પાછળ (શા માટે ઊંચી ઉત્પાદકતા સાથીદારોએ ઉચ્ચ ઉત્પાદકતા તરફ દોરી જાય કર્યા કરે છે). જ્યારે અમે વધુ વિગતવાર પ્રયોગો ચર્ચા અમે સારવાર અસરો અને પદ્ધતિઓ ઇન પ્રકરણ 5 આ બે મહત્વના મુદ્દાઓ-વૈવિધ્યનો આપશે.

કમાણી અને ઉત્પાદકતા પર સાથીઓની અસર અભ્યાસ પર વિયેતનામ ડ્રાફ્ટ અસર પર અભ્યાસ પરથી generalizing, ટેબલ 2.3 અન્ય અભ્યાસો આ ચોક્કસ જ માળખું છે કે સારાંશ: એક હંમેશા ડેટા સ્રોત કેટલીક ઘટના અસર માપવા ઉપયોગ કરીને . કોષ્ટક 2.3 સ્પષ્ટ કરે છે કે, કુદરતી પ્રયોગો દરેક જગ્યાએ જો તમે માત્ર તેમને જોવા માટે કેવી રીતે ખબર હોય છે.

અભ્યાસ, સંશોધકો કુદરતી પ્રયોગો છે, જે બંને ફળદાયી બની શકે છે શોધવા માટે બે અલગ અલગ પદ્ધતિઓ વાપરી. કેટલાક સંશોધકો માહિતી હંમેશા સ્ત્રોત સાથે શરૂ કરો અને વિશ્વમાં રેન્ડમ ઘટનાઓ જોવા; વિશ્વમાં અન્ય લોકો રેન્ડમ ઘટનાઓ સાથે શરૂ કરો અને માહિતી સ્ત્રોત છે કે તેમના અસર મેળવવા માટે જુઓ. છેલ્લે, નોંધ્યું છે કે કુદરતી પ્રયોગો તાકાત આંકડાકીય વિશ્લેષણ અભિજાત્યપણુ નથી આવે છે, પરંતુ ઇતિહાસ નસીબદાર અકસ્માત દ્વારા બનાવવામાં વાજબી સરખામણી શોધવા કાળજી.