4.4.2 ທີ່ແຕກຕ່າງຂອງຜົນກະທົບການປິ່ນປົວ

ປະສົບການໂດຍປົກກະຕິມາດຕະການຜົນກະທົບສະເລ່ຍ, ແຕ່ຜົນກະທົບແມ່ນອາດຈະບໍ່ຄືກັນກັບທຸກຄົນ.

ຄວາມຄິດທີ່ສໍາຄັນທີສອງສໍາລັບການເຄື່ອນຍ້າຍໄປນອກເຫນືອຈາກການທົດລອງທີ່ງ່າຍດາຍແມ່ນ ຄວາມບໍ່ສະເຫມີພາບຂອງຜົນກະທົບດ້ານການປິ່ນປົວ . ການທົດລອງຂອງ Schultz et al. (2007) ສະແດງໃຫ້ເຫັນເຖິງວິທີການປິ່ນປົວດຽວກັນສາມາດມີຜົນກະທົບທີ່ແຕກຕ່າງກັນຕໍ່ປະເພດຕ່າງໆຂອງຄົນ (ຮູບທີ 4.4). ໃນການທົດລອງແບບອະນາໄມຫຼາຍ, ນັກຄົ້ນຄວ້າໄດ້ເນັ້ນຫນັກໃສ່ຜົນກະທົບດ້ານການປິ່ນປົວໂດຍສະເລ່ຍເນື່ອງຈາກມີຈໍານວນຜູ້ເຂົ້າຮ່ວມຈໍານວນຫນ້ອຍແລະມີຄວາມຮູ້ຫນ້ອຍກ່ຽວກັບພວກມັນ. ຢ່າງໃດກໍ່ຕາມ, ໃນການທົດລອງດິຈິຕອນ, ມີຜູ້ເຂົ້າຮ່ວມຫຼາຍຄົນຫຼາຍຄົນແລະຫຼາຍແມ່ນຮູ້ຈັກກ່ຽວກັບພວກມັນ. ໃນສະພາບແວດລ້ອມຂໍ້ມູນທີ່ແຕກຕ່າງກັນ, ນັກຄົ້ນຄວ້າທີ່ຍັງສືບຕໍ່ປະເມີນຜົນກະທົບດ້ານການປິ່ນປົວເທົ່າທຽມກັນຈະສູນເສຍວິທີການທີ່ຄາດຄະເນກ່ຽວກັບຄວາມບໍ່ສະເຫມີພາບຂອງຜົນກະທົບການປິ່ນປົວສາມາດໃຫ້ຂໍ້ຄຶດກ່ຽວກັບວິທີການປິ່ນປົວເຮັດວຽກ, ວິທີທີ່ສາມາດປັບປຸງ, ກັບຜູ້ທີ່ມັກຈະໄດ້ຮັບຜົນປະໂຫຍດ.

ສອງຕົວຢ່າງຂອງຄວາມບໍ່ເທົ່າທຽມກັນຂອງຜົນກະທົບດ້ານການປິ່ນປົວມາຈາກການຄົ້ນຄວ້າເພີ່ມເຕີມກ່ຽວກັບຫນ້າທໍາອິດພະລັງງານລາຍງານ. ຫນ້າທໍາອິດ, Allcott (2011) ນໍາໃຊ້ຂະຫນາດຕົວຢ່າງຂະຫນາດໃຫຍ່ (600.000 ຄົວເຮືອນ) ເພື່ອແຍກຕົວຢ່າງແລະຄາດຄະເນຜົນກະທົບຂອງບົດລາຍງານພະລັງງານທາງດ້ານຫນ້າທໍາອິດໂດຍການຕັດສິນໃຈນໍາໃຊ້ພະລັງງານກ່ອນການປິ່ນປົວ. ໃນຂະນະທີ່ Schultz et al. (2007) ພົບເຫັນຄວາມແຕກຕ່າງລະຫວ່າງຜູ້ໃຊ້ແຮງງານຫນັກແລະເບົາ, Allcott (2011) ພົບວ່າຍັງມີຄວາມແຕກຕ່າງຢູ່ໃນກຸ່ມຜູ້ໃຊ້ແຮງງານແລະຜູ້ໃຊ້ແສງສະຫວ່າງ. ຕົວຢ່າງ, ຜູ້ໃຊ້ທີ່ຫນັກທີ່ສຸດ (ຜູ້ທີ່ຢູ່ໃນຂັ້ນເທິງ) ໄດ້ຫຼຸດລົງການໃຊ້ພະລັງງານຂອງພວກເຂົາສອງຄັ້ງເທົ່າກັບຄົນທີ່ຢູ່ໃນກຸ່ມຄົນທີ່ໃຊ້ແຮງງານຫນັກ (ຮູບ 4.8). ນອກຈາກນັ້ນ, ການຄາດຄະເນຜົນກະທົບຂອງພຶດຕິກໍາການປິ່ນປົວກ່ອນຫນ້ານີ້ກໍ່ໄດ້ສະແດງໃຫ້ເຫັນວ່າບໍ່ມີຜົນກະທົບຕໍ່ boomerang, ເຖິງແມ່ນວ່າຜູ້ໃຊ້ທີ່ເບົາທີ່ສຸດ (ຮູບ 4.8).

ຮູບທີ່ 48: ຄວາມແປກປະສິດທິຂອງການປິ່ນປົວໃນ Allcott (2011) . ການຫຼຸດລົງໃນການນໍາໃຊ້ພະລັງງານແມ່ນແຕກຕ່າງກັນສໍາລັບປະຊາຊົນທີ່ແຕກຕ່າງກັນທີ່ແຕກຕ່າງກັນໃນການນໍາໃຊ້ພື້ນຖານ. ດັດແປງຈາກ Allcott (2011) , ຮູບທີ 8.

ໃນການສຶກສາທີ່ກ່ຽວຂ້ອງ, Costa and Kahn (2013) ຄາດຄະເນວ່າປະສິດທິພາບຂອງບົດລາຍງານພະລັງງານທາງດ້ານຫນ້າທໍາອິດອາດແຕກຕ່າງກັນໄປຕາມແນວທາງນະໂຍບາຍທາງດ້ານການເມືອງຂອງຜູ້ເຂົ້າຮ່ວມແລະວ່າການປິ່ນປົວອາດເຮັດໃຫ້ຄົນມີ ideologies ເພື່ອເພີ່ມການໃຊ້ໄຟຟ້າ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ພວກເຂົາຄິດວ່າບົດລາຍງານພະລັງງານໃນບ້ານອາດຈະສ້າງຜົນກະທົບຕໍ່ປະຊາຊົນບາງຄົນ. ເພື່ອພິຈາລະນາຄວາມເປັນໄປໄດ້ນີ້, Costa ແລະ Kahn ໄດ້ລວມຂໍ້ມູນ Opower ກັບຂໍ້ມູນທີ່ຊື້ຈາກຜູ້ລວມກຸ່ມທີສາມເຊິ່ງປະກອບມີຂໍ້ມູນເຊັ່ນການລົງທະບຽນທາງດ້ານການເມືອງ, ການບໍລິຈາກຕໍ່ອົງການສິ່ງແວດລ້ອມແລະການເຂົ້າຮ່ວມຂອງຄົວເຮືອນໃນໂຄງການພະລັງງານທົດແທນ. ດ້ວຍຊຸດຂໍ້ມູນທີ່ໄດ້ລວມກັນນີ້, Costa ແລະ Kahn ພົບວ່າບົດລາຍງານພະລັງງານທາງດ້ານຫນ້າທໍາອິດຜະລິດຜົນກະທົບທີ່ຄ້າຍຄືກັນສໍາລັບຜູ້ເຂົ້າຮ່ວມທີ່ມີ ideologies ແຕກຕ່າງກັນ; ບໍ່ມີຫຼັກຖານທີ່ວ່າກຸ່ມໃດທີ່ມີຜົນກະທົບຕໍ່ boomerang (ຮູບ 4.9).

ຮູບພາບ 49: ຄວາມແຕກຕ່າງກັນຂອງຜົນກະທົບດ້ານການປິ່ນປົວໃນ Costa and Kahn (2013) . ຜົນກະທົບການປິ່ນປົວໂດຍສະເລ່ຍປະມານສໍາລັບເອກະສານທັງຫມົດແມ່ນ -2.1% [-1.5%, -2.7%]. ຫຼັງຈາກການລວມຂໍ້ມູນຈາກການທົດລອງທີ່ມີຂໍ້ມູນກ່ຽວກັບຄົວເຮືອນ, Costa and Kahn (2013) ນໍາໃຊ້ແບບຈໍາລອງທາງສະຖິຕິເພື່ອປະເມີນຜົນກະທົບດ້ານການປິ່ນປົວສໍາລັບກຸ່ມທີ່ແນ່ນອນຂອງຄົນ. ການປະເມີນສອງແມ່ນສະແດງໃຫ້ເຫັນສໍາລັບແຕ່ລະກຸ່ມເພາະວ່າການຄາດຄະເນແມ່ນຂື້ນກັບ covariates ທີ່ພວກເຂົາລວມຢູ່ໃນຮູບແບບສະຖິຕິຂອງພວກເຂົາ (ເບິ່ງຮູບແບບ 4 ແລະ 6 ໃນຕາຕະລາງ 3 ແລະ 4 ໃນ Costa and Kahn (2013) ). ຕົວຢ່າງນີ້ສະແດງໃຫ້ເຫັນວ່າຜົນກະທົບດ້ານການປິ່ນປົວອາດຈະແຕກຕ່າງກັນສໍາລັບປະຊາຊົນທີ່ແຕກຕ່າງກັນແລະການຄາດຄະເນຜົນກະທົບດ້ານການປິ່ນປົວທີ່ມາຈາກແບບຈໍາລອງທາງສະຖິຕິສາມາດອີງໃສ່ລາຍລະອຽດຂອງແບບນັ້ນ (Grimmer, Messing, and Westwood 2014) . ດັດແປງຈາກ Costa and Kahn (2013) , ຕາຕະລາງ 3 ແລະ 4.

ໃນຂະນະທີ່ຕົວເລກເຫຼົ່ານີ້ສະແດງໃຫ້ເຫັນວ່າ, ໃນອາຍຸທາງດ້ານດິຈິຕອນ, ພວກເຮົາສາມາດຍ້າຍຈາກການຄາດຄະເນຜົນກະທົບດ້ານການປິ່ນປົວໂດຍສະເລ່ຍຕໍ່ການຄາດຄະເນຜົນກະທົບດ້ານການປິ່ນປົວຂອງພວກມັນ. ການຮຽນຮູ້ກ່ຽວກັບຄວາມບໍ່ສະເຫມີພາບຂອງຜົນກະທົບດ້ານການປິ່ນປົວສາມາດເຮັດໃຫ້ເປົ້າຫມາຍຂອງການປິ່ນປົວທີ່ມີຜົນປະໂຫຍດຫຼາຍທີ່ສຸດ, ໃຫ້ຂໍ້ເທັດຈິງທີ່ສົ່ງເສີມການພັດທະນາທິດສະດີໃຫມ່ແລະໃຫ້ຂໍ້ແນະນໍາກ່ຽວກັບກົນໄກທີ່ເປັນໄປໄດ້,