അടുത്തതായി എന്താണ് വായിക്കേണ്ടത്?

• ആമുഖം (വകുപ്പ് 4.1)

സാമൂഹിക ഗവേഷണത്തിലെ ആഘാതം സംബന്ധിച്ച ചോദ്യങ്ങൾ പലപ്പോഴും സങ്കീർണ്ണവും സങ്കീർണ്ണവുമാണ്. Pearl (2009) , സാധ്യതകളുടെ അടിസ്ഥാനത്തിൽ ഒരു അടിസ്ഥാന സമീപനത്തിനായി നോക്കുക, Imbens and Rubin (2015) . ഈ രണ്ട് സമീപനങ്ങളുമായുള്ള താരതമ്യത്തിനായി, Morgan and Winship (2014) . ഒരു VanderWeele and Shpitser (2013) നിർവചിക്കുന്നതിനുള്ള ഔപചാരികമായ സമീപനത്തിന് VanderWeele and Shpitser (2013) .

ഈ അധ്യായത്തിൽ, പരീക്ഷണാത്മക, നോൺപ്രോമന്റ് ഡാറ്റയിൽ നിന്ന്, നിങ്ങളുടെ മാനസിക വ്യത്യാസങ്ങൾ ഉണ്ടാക്കുന്നതിനുള്ള കഴിവ് തമ്മിലുള്ള ഒരു തിളക്കം പോലെയാണ് ഞാൻ സൃഷ്ടിച്ചിരിക്കുന്നത്. എന്നിരുന്നാലും, വാസ്തവത്തിൽ, ഈ വ്യത്യാസം കൂടുതൽ മങ്ങിക്കലാണെന്ന് ഞാൻ കരുതുന്നു. ഉദാഹരണത്തിന്, പുകവലിക്കാർ ക്യാൻസറിനു കാരണമാകുമെന്ന് എല്ലാവരും അംഗീകരിക്കുന്നു. ജനങ്ങൾ പുകവലിക്കാൻ നിർബന്ധിതമായി നടത്തുന്ന പരീക്ഷണങ്ങളൊന്നും ഇതുവരെ നടത്തിയിട്ടില്ല. നല്ല പുസ്തകം-നീളം നോൺ-പരീക്ഷണ ഡാറ്റ നിന്ന് കാര്യകാരണങ്ങളെ കണക്കുകളിൽ ന് ചികിത്സകൾ കാണുന്ന Rosenbaum (2002) , ( ??? ) , Shadish, Cook, and Campbell (2001) , എന്നിവ Dunning (2012) .

Freedman, Pisani, and Purves (2007) 1, 2 അധ്യായങ്ങൾ പരീക്ഷണങ്ങളും നിയന്ത്രിത പരീക്ഷണങ്ങളും, ക്രമരഹിതമായ നിയന്ത്രിത പരീക്ഷണങ്ങളും തമ്മിലുള്ള വ്യത്യാസങ്ങൾ വ്യക്തമാക്കുന്നു.

Manzi (2012) , ക്രമരഹിതമായ നിയന്ത്രിത പരീക്ഷണങ്ങളുടെ തത്ത്വചിന്ത, സ്റ്റാറ്റിസ്റ്റിക്കൽ അടിത്തറകൾക്ക് ഒരു ആകർഷകവും Manzi (2012) പ്രദാനം ചെയ്യുന്നു. ബിസിനസ്സിൽ പരീക്ഷണങ്ങളുടെ ശക്തിയുടെ രസകരമായ അനുഭവങ്ങൾ അത് നൽകുന്നു. Issenberg (2012) രാഷ്ട്രീയ പ്രചാരണങ്ങളിൽ പരീക്ഷണങ്ങൾ ഉപയോഗപ്പെടുത്തുന്നതിൽ ഒരു ആമുഖം അവതരിപ്പിക്കുന്നു.

• എന്താണ് പരീക്ഷണങ്ങൾ? (ഭാഗം 4.2)

Box, Hunter, and Hunter (2005) , @ കാസല്ല_സ്റ്റാഷിസ്റ്റിക്കൽ_2008, Athey and Imbens (2016b) എന്നിവ പരീക്ഷണാത്മക രൂപകൽപ്പനയുടെയും വിശകലനത്തിന്റെയും സ്ഥിതിവിവരക്കണക്കുകളുടെ നല്ല പരിചയങ്ങൾ നൽകുന്നു. സാമ്പത്തിക: കൂടാതെ, നല്ല ചികിത്സകൾ പല മേഖലകളിലെ പരീക്ഷണങ്ങൾ ഉപയോഗം ഉണ്ട് (Bardsley et al. 2009) , സോഷ്യോളജി (Willer and Walker 2007; Jackson and Cox 2013) , സൈക്കോളജി (Aronson et al. 1989) , പൊളിറ്റിക്കൽ സയൻസ് (Morton and Williams 2010) , സോഷ്യൽ പോളിസി (Glennerster and Takavarasha 2013) .

പങ്കാളിത്ത നിയമനത്തിൻറെ പ്രാധാന്യം (ഉദാഹരണം, സാംപ്ലിംഗ്) പലപ്പോഴും പരീക്ഷണ ഗവേഷണങ്ങളിൽ അചഞ്ചലമായി കാണപ്പെടുന്നു. എന്നിരുന്നാലും, ചികിത്സയുടെ പ്രഭാവം ജനസംഖ്യയിൽ വൈവിധ്യപൂർണ്ണമാണെങ്കിൽ, സാമ്പിൾ ചെയ്യുന്നത് നിർണായകമാണ്. Longford (1999) ഈ ഗവേഷണം വ്യക്തമാക്കുന്നു. ഗവേഷകരുടെ സാമ്പിളുകളുള്ള ഒരു ജനസംഖ്യാ സർവേയായി പരീക്ഷണങ്ങളെക്കുറിച്ച് അദ്ദേഹം വാദിക്കുന്നു.

• പരീക്ഷണങ്ങളുടെ രണ്ട് അളവുകൾ: ലാബ്-ഫീൽഡ്, അനലോഗ്-ഡിജിറ്റൽ (വിഭാഗം 4.3)

ലാബ്-ഫീൽഡ് പരീക്ഷണങ്ങളുടെ ഒരു തുടർച്ചയുണ്ടെന്ന് ഞാൻ നിർദ്ദേശിച്ചിട്ടുണ്ട്. മറ്റു ഗവേഷകർ മുന്നോട്ടുവച്ച വിവിധ തരത്തിലുള്ള ഫീൽഡ് പരീക്ഷണങ്ങൾ (Harrison and List 2004; Charness, Gneezy, and Kuhn 2013) വേർതിരിച്ചുകൊണ്ട് കൂടുതൽ വിശദമായ ടൈപ്പോളാറുകൾ അവതരിപ്പിച്ചു.

ലാബിൽ, ഫീൽഡ് പരീക്ഷണങ്ങളെ (Falk and Heckman 2009; Cialdini 2009) , രാഷ്ട്രീയ ശാസ്ത്രത്തിൽ (Coppock and Green 2015) , സാമ്പത്തികശാസ്ത്രം (Levitt and List 2007a, 2007b; Camerer 2011; Al-Ubaydli and List 2013) , സൈക്കോളജി (Mitchell 2012) . Jerit, Barabas, and Clifford (2013) ലാബ് ഫീൽഡ് പരീക്ഷണങ്ങളിൽ നിന്നുള്ള ഫലങ്ങൾ താരതമ്യം ചെയ്യുന്നതിനുള്ള നല്ല ഗവേഷണ രൂപരേഖ വാഗ്ദാനം ചെയ്യുന്നു. Parigi, Santana, and Cook (2017) ഓൺലൈൻ പര്യവേക്ഷണങ്ങൾ ലാബ്, ഫീൽഡ് പരീക്ഷണങ്ങളുടെ പ്രത്യേകതകൾ എങ്ങനെ സംയോജിപ്പിക്കുന്നുവെന്ന് വിശദീകരിക്കുന്നു.

അവർ സൂക്ഷ്മമായി നിരീക്ഷിക്കപ്പെടുന്നതായി അറിയപ്പെടുന്നതിനാൽ അവരുടെ പെരുമാറ്റം മാറുന്നതിനെക്കുറിച്ചുള്ള ആശങ്കകൾ ചിലപ്പോൾ ചോദിക്കുന്ന ഇഫക്റ്റുകൾ എന്നു പറയാറുണ്ട്, അവർ മനഃശാസ്ത്രത്തിൽ (Orne 1962) , സാമ്പത്തികശാസ്ത്രം (Zizzo 2010) പഠിക്കുന്നു. പ്രധാനമായും ലാബ് പരീക്ഷണങ്ങളുമായി ബന്ധപ്പെട്ടതാണെങ്കിലും, സമാന പ്രശ്നങ്ങളിൽ ഫീൽഡ് പരീക്ഷണങ്ങളിലും പ്രശ്നങ്ങൾ ഉണ്ടാകാം. വാസ്തവത്തിൽ, ആവശ്യകത ഇഫക്റ്റുകൾ ഹത്തോൺ ഇഫക്ട്സ് എന്നും അറിയപ്പെടുന്നു. 1924 ൽ വെസ്റ്റേൺ ഇലക്ട്രിക് കമ്പനിയിലെ ഹത്തോൺ വർക്സ് (Adair 1984; Levitt and List 2011) തുടങ്ങിയ പ്രശസ്ത പ്രകാശന പരീക്ഷണങ്ങൾ ഉണ്ടാക്കിയെടുത്തു. രണ്ട് ഡിമാൻഡ് ഇഫക്റ്റുകളും ഹത്തോൺ ഇഫക്റ്റുകളും അധ്യായം 2 ലെ ചർച്ചയിൽ പ്രതിപ്രവർത്തന അളവെടുപ്പിനുള്ള ആശയവുമായി വളരെ അടുത്ത ബന്ധമുള്ളതാണ് ( Webb et al. (1966) കൂടി കാണുക Webb et al. (1966) ).

ഫീൽഡ് പരീക്ഷണങ്ങൾ സാമ്പത്തികശാസ്ത്രത്തിൽ (Levitt and List 2009) , പൊളിറ്റിക്കൽ സയൻസ് (Green and Gerber 2003; Druckman et al. 2006; Druckman and Lupia 2012) (Shadish 2002) , (Shadish 2002) (Green and Gerber 2003; Druckman et al. 2006; Druckman and Lupia 2012) , സൈക്കോളജി (Shadish 2002) , പബ്ലിക് പോളിസി (Shadish and Cook 2009) . ഫീൽഡ് പരീക്ഷണങ്ങൾ അതിവേഗം പ്രകടമാകുന്ന സാമൂഹ്യശാസ്ത്രത്തിന്റെ ഒരു മേഖല അന്താരാഷ്ട്ര വികസനമാണ്. Banerjee and Duflo (2009) സാമ്പത്തികശാസ്ത്രത്തിനകത്തെ ഒരു നല്ല വിലയിരുത്തലിനു വേണ്ടി, ഒരു നിർണ്ണായക വിലയിരുത്തലിനു വേണ്ടി Deaton (2010) . രാഷ്ട്രീയ ശാസ്ത്രത്തിൽ ഈ കൃതിയുടെ പുനരവലോകനം Humphreys and Weinstein (2009) . അവസാനമായി, ഫീൽഡ് പരീക്ഷണങ്ങളിൽ നിന്ന് ഉണ്ടാകുന്ന ധാർമ്മിക വെല്ലുവിളികൾ രാഷ്ട്രീയ ശാസ്ത്രത്തിന്റെ പശ്ചാത്തലത്തിൽ (Humphreys 2015; Desposato 2016b) , ഡെവലപ്മെന്റ് എക്കണോമിക്സ് (Baele 2013) എന്നിവയിൽ പര്യവേക്ഷണം ചെയ്തു.

ഈ വിഭാഗത്തിൽ, ഞാൻ ചികിത്സ നിർദേശങ്ങളുടെ കൃത്യത മെച്ചപ്പെടുത്തുന്നതിന് പ്രീ- ചികിത്സ വിവരങ്ങൾ ഉപയോഗിക്കാമെന്ന് ഞാൻ നിർദ്ദേശിച്ചു, എന്നാൽ ഈ സമീപനത്തെ കുറിച്ച ചില ചർച്ചകൾ ഉണ്ട്; Freedman (2008) കാണുക Freedman (2008) , W. Lin (2013) , Berk et al. (2013) , Bloniarz et al. (2016) കൂടുതൽ വിവരങ്ങൾക്ക്.

ഒടുവിൽ, പരീക്ഷണ പരീക്ഷണങ്ങളും സാമൂഹിക പരീക്ഷണങ്ങളും ഉപയോഗിച്ച് ലാബ് ഫീൽഡ് മാനകമായി നന്നായി യോജിക്കാത്ത സാമൂഹ്യ ശാസ്ത്രജ്ഞന്മാർ നടത്തുന്ന മറ്റ് രണ്ട് തരം പരീക്ഷണങ്ങളുണ്ട്. നിലവിലുള്ള സർവേകളുടെ അടിസ്ഥാനസൗകര്യങ്ങളെ ഉപയോഗപ്പെടുത്തി പരീക്ഷണങ്ങളാണ് സർവേ പരീക്ഷണങ്ങൾ , സമാന ചോദ്യങ്ങൾക്കുള്ള ബദൽ പതിപ്പുകളിലേക്ക് പ്രതികരണങ്ങൾ താരതമ്യം ചെയ്യുക (ചില സർവേ പരീക്ഷണങ്ങൾ അദ്ധ്യായം 3 ൽ അവതരിപ്പിച്ചിരിക്കുന്നു); സർവേ പരീക്ഷണങ്ങൾ കൂടുതൽ കാണുക Mutz (2011) . ഗവൺമെൻറിനാൽ നടപ്പാക്കാൻ കഴിയുന്ന ചില സാമൂഹ്യനീതികൾ എവിടെയാണ് ചികിത്സിക്കുന്നത് എന്നതിന് സാമൂഹ്യ പരീക്ഷണങ്ങൾ . സോഷ്യൽ പരീക്ഷണങ്ങൾ പ്രോഗ്രാം മൂല്യനിർണ്ണയവുമായി വളരെ അടുത്താണ്. നയപരിശോധനകളിൽ കൂടുതൽ അറിയാൻ, Heckman and Smith (1995) , Orr (1998) , @ glennerster_running_2013 എന്നിവ കാണുക.

• ലളിതമായ പരീക്ഷണങ്ങൾക്ക് അപ്പുറത്തേക്ക് (വകുപ്പ് 4.4)

സാധുത, ചികിത്സാപരമായ പ്രത്യാഘാതങ്ങൾ, മെക്കാനിസം എന്നിവയെ അടിസ്ഥാനമാക്കിയുള്ള മൂന്ന് കാര്യങ്ങളിലാണ് ഞാൻ ശ്രദ്ധ കേന്ദ്രീകരിച്ചിരിക്കുന്നത്. ഈ ആശയങ്ങൾ വിവിധ മേഖലകളിൽ വ്യത്യസ്ത പേരുകളാണുള്ളത്. ഉദാഹരണത്തിന്, സൈക്കോളജിസ്റ്റുകൾ ഇടനിലക്കാർക്കും മോഡറേറ്റർമാർക്കും (Baron and Kenny 1986) ശ്രദ്ധ കേന്ദ്രീകരിച്ചുകൊണ്ട് ലളിതമായ പരീക്ഷണങ്ങൾക്കുമപ്പുറത്തേക്ക് നീങ്ങുന്നു. മധ്യസ്ഥതകളുടെ ആശയം ഞാൻ വിളിക്കുന്ന സംവിധാനങ്ങളാൽ പിടിച്ചെടുക്കപ്പെടുന്നു. മോഡറേറ്റർമാർ എന്ന ആശയം ഞാൻ ബാഹ്യ കാലതാമസം (ഉദാ: വിവിധ സാഹചര്യങ്ങളിൽ പ്രവർത്തിച്ചാൽ പരീക്ഷണ ഫലം വ്യത്യസ്തമായിരിക്കും), ചികിത്സ ഫലങ്ങളുടെ വൈരുദ്ധ്യം ഉദാഹരണത്തിന്, മറ്റുള്ളവരെക്കാളും ചില ആളുകളുടെ ഇഫക്റ്റുകൾ വലുതാണ്).

Schultz et al. (2007) ഫലപ്രദമായ ഇടപെടലുകളെ രൂപപ്പെടുത്തുന്നതിനായി സോഷ്യൽ സിദ്ധാന്തങ്ങൾ എങ്ങനെ ഉപയോഗിക്കാമെന്ന് വ്യക്തമാക്കുന്നു. ഫലപ്രദമായ ഇടപെടലുകൾ രൂപപ്പെടുത്തുന്നതിൽ സിദ്ധാന്തത്തിന്റെ പങ്ക് സംബന്ധിച്ച കൂടുതൽ പൊതുവായ വാദഗതികൾക്കായി, Walton (2014) .

• സാധുത (വിഭാഗം 4.4.1)

ആന്തരികവും ബാഹ്യവുമായ സാധുത സങ്കൽപങ്ങളെ ആദ്യമായി Campbell (1957) . കൂടുതൽ വിശദമായ ചരിത്രവും സ്റ്റാറ്റിസ്റ്റിക്കൽ തീർപ്പാക്കൽ സാധുത, ആന്തരിക സാധുത, നിർമ്മാണ സാധുത, പുറം സാധുത എന്നിവയെക്കുറിച്ചുള്ള സൂക്ഷ്മമായ വിശദീകരണത്തിനും വേണ്ടി Shadish, Cook, and Campbell (2001) കാണുക.

പരീക്ഷണങ്ങളിൽ സ്റ്റാറ്റിസ്റ്റിക്കൽ തീർപ്പിലെ സാധുതയുമായി ബന്ധപ്പെട്ട പ്രശ്നങ്ങൾക്ക് Gerber and Green (2012) (ഒരു സോഷ്യൽ സയൻസ് കാഴ്ചപ്പാടിൽ നിന്ന്), Imbens and Rubin (2015) (ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ വീക്ഷണം) എന്നിവ കാണുക. ഓൺലൈൻ ഫീൽഡ് പരീക്ഷണങ്ങളിൽ ഉന്നയിക്കപ്പെടുന്ന ചില സ്റ്റാറ്റിസ്റ്റിക്കൽ തീർപ്പായ സാധനങ്ങളുടെ ചില പ്രശ്നങ്ങൾ (Bakshy and Eckles 2013) ഡാറ്റയിൽ വിശ്വസനീയ ഇടവേളകൾ ഉണ്ടാക്കുന്നതിനുള്ള കമ്പ്യൂട്ടേഷണൽ രീതിയിൽ കാര്യക്ഷമമായ രീതികൾ (Bakshy and Eckles 2013) .

സങ്കീർണ്ണമായ ഫീൽഡ് പരീക്ഷണങ്ങളിൽ ആന്തരിക സാധുത ഉറപ്പാക്കാൻ പ്രയാസമാണ്. വോട്ടിംഗിനെക്കുറിച്ചുള്ള ഒരു സങ്കീർണ്ണമായ ഫീൽഡ് പരീക്ഷണം നടപ്പിലാക്കുന്നതിനെക്കുറിച്ചുള്ള ചർച്ചക്ക് വേണ്ടി, Imai (2005) Gerber and Green (2000) , Imai (2005) Gerber and Green (2000) , Imai (2005) , Gerber and Green (2005) . Kohavi et al. (2012) , Kohavi et al. (2013) ഓൺലൈൻ ഫീൽഡ് പരീക്ഷണങ്ങളിൽ ഇടവേള സാധുതയുള്ള വെല്ലുവിളികൾ അവതരിപ്പിക്കുന്നതിനുള്ള ഒരു ആമുഖം.

ആന്തരിക സാധുതയ്ക്ക് ഒരു പ്രധാന ഭീഷണി, റാൻഡം അട്ടിമറിക്കാനുള്ള സാധ്യതയാണ്. റാൻഡംവൈസറിയിൽ പ്രശ്നങ്ങൾ കണ്ടുപിടിക്കാൻ സാധ്യമായ ഒരു മാർഗ്ഗം നിരീക്ഷണ സ്വഭാവങ്ങളിൽ ചികിത്സയ്ക്കും നിയന്ത്രണ ഗ്രൂപ്പുകൾക്കും തുല്യമാണ്. ഇത്തരത്തിലുള്ള താരതമ്യം താരതമ്യപ്പെടുത്തി തുല്യത പരിശോധിക്കുന്നു . Mutz and Pemantle (2015) ചെക്കുകളെക്കുറിച്ചുള്ള ആശങ്കകൾക്ക് Mutz and Pemantle (2015) Hansen and Bowers (2008) സംക്ഷിപ്ത പരിശോധനകൾ Mutz and Pemantle (2015) എന്നിവയ്ക്ക് ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ സമീപനത്തിനായി നോക്കുക. ഉദാഹരണമായി, ഒരു ബാലൻസ് പരിശോധന ഉപയോഗിച്ച്, Allcott (2011) , ഒപവർ പരീക്ഷണങ്ങളിൽ മൂന്നുപേരിൽ റാൻഡമൈസേഷൻ ശരിയായി നടപ്പിലാക്കിയിട്ടില്ലെന്ന് തെളിവുകൾ കണ്ടെത്തി (പട്ടിക 2; സൈറ്റുകൾ 2, 6, 8 കാണുക). മറ്റ് സമീപനങ്ങൾക്കായി, Imbens and Rubin (2015) അധ്യായം 21 കാണുക.

ആന്തരിക സാധുതയുമായി ബന്ധപ്പെട്ട മറ്റ് പ്രധാന ആശങ്കകൾ താഴെ പറയുന്നവയാണ്: (1) ചികിത്സാരീതിയിലുള്ള എല്ലാവരും യഥാർത്ഥത്തിൽ ചികിത്സയ്ക്കില്ല, (2) രണ്ടു വശങ്ങളുള്ള അനിയന്ത്രിതമായ ചികിത്സാരീതിയിൽ കൺട്രോൾ ഗ്രൂപ്പിന് ചികിത്സ ലഭിക്കുന്നു, (3) കൊഴിഞ്ഞുപോക്ക്, ചില പങ്കാളികൾക്ക് അളവുകോൽ അളക്കാൻ കഴിയാത്ത അവസ്ഥയും (4) ഇടപെടൽ, ചികിത്സാരംഗത്ത് ജനങ്ങളുടെ ചികിത്സ വ്യവസ്ഥയിൽ ജനങ്ങളുടെ മേൽ നിയന്ത്രണം വിടുന്നു. ഈ വിഷയങ്ങളിൽ ഓരോന്നും കൂടുതൽ Gerber and Green (2012) അദ്ധ്യായങ്ങൾ 5, 6, 7, 8 എന്നിവ കാണുക.

Westen and Rosenthal (2003) , വലിയ ഡാറ്റ ഉറവിടങ്ങളിൽ നിർമ്മിക്കാനായി കൂടുതൽ, Lazer (2015) , ഈ പുസ്തകത്തിലെ Lazer (2015) 2 എന്നിവ കാണുക.

ബാഹ്യമായ സാധുതയുടെ ഒരു വശം ഒരു ഇടപെടലാണ് പരീക്ഷിക്കപ്പെടുന്ന ക്രമീകരണം. Allcott (2015) സൂക്ഷ്മമായി സൈദ്ധാന്തികവും പ്രായോഗികവുമായ ചികിത്സ നൽകുന്നു. ഈ വിഷയം Deaton (2010) ചർച്ചചെയ്തു. ബാഹ്യമായ സാധുതയുടെ മറ്റൊരു വശം ഒരേ ഇടപെടലിലെ ബദൽ പ്രവർത്തനക്ഷമതയ്ക്ക് സമാനമായ ഫലം ഉണ്ടാക്കുമോ എന്നതാണ്. ഈ സാഹചര്യത്തിൽ, Schultz et al. (2007) , Allcott (2011) പ്രകാരം ഒപ്പുവെക്കൽ പരീക്ഷണങ്ങൾ ഷൂൾട്സും സഹപ്രവർത്തകരും നടത്തിയ പ്രാഥമിക പരീക്ഷണങ്ങളെക്കാൾ (1.7% മുതൽ 5% വരെ) കൂടുതൽ പരീക്ഷണാത്മക ഫലങ്ങളുണ്ടെന്ന് കണ്ടെത്തി. Allcott (2011) തുടർന്നുണ്ടായ പരീക്ഷണങ്ങൾ ചെറിയ വ്യത്യാസങ്ങളുണ്ടെന്ന് ഊഹിച്ചതാണ്. ഈ ചികിത്സാരീതികൾ വ്യത്യസ്തമാണ്: ഒരു കൈയ്യെഴുത്ത് ഇമോട്ടിക്കോൺ ഒരു സർവകലാശാല സ്പോൺസർ ചെയ്ത പഠനത്തിന്റെ ഭാഗമായി അച്ചടിച്ച ഇമോട്ടിക്കോൺ ഒരു പവർ കമ്പനിയിൽ നിന്ന് റിപ്പോർട്ട് ചെയ്യുക.

• ചികിത്സാ പ്രഭാവങ്ങളുടെ പരസ്പരബന്ധം (വകുപ്പ് 4.4.2)

ഫീൽഡ് പരീക്ഷണങ്ങളിൽ ചികിത്സാപരമായ പ്രത്യാഘാതങ്ങളെക്കുറിച്ച് ഒരു വിശിഷ്ടമായ അവലോകനത്തിനായി, Gerber and Green (2012) അദ്ധ്യായങ്ങൾ കാണുക. മെഡിക്കൽ ട്രയലുകളിൽ ചികിത്സാപരമായ പ്രത്യാഘാതങ്ങൾക്ക് ആമുഖം ലഭിക്കുന്നതിന്, Kent and Hayward (2007) , Longford (1999) , Kravitz, Duan, and Braslow (2004) . ചികിത്സ ഫലങ്ങളുടെ വൈരുദ്ധ്യാത്മക പരിഗണനകൾ സാധാരണയായി പ്രീ-ചികിത്സാപരമായ സ്വഭാവസവിശേഷതകളെ അടിസ്ഥാനമാക്കിയുള്ള വ്യത്യാസങ്ങൾ ശ്രദ്ധിക്കുക. പോസ്റ്റ്-ചികിത്സ ഫലങ്ങളുടെ അടിസ്ഥാനത്തിലുള്ള (Frangakis and Rubin 2002) നിങ്ങൾക്ക് താല്പര്യമുണ്ടെങ്കിൽ, കൂടുതൽ സങ്കീർണ്ണമായ സമീപനങ്ങളാകണം, ഉദാഹരണമായി പ്രിൻസിപ്പൽ സ്ട്രാറ്റാഫിക്കേഷൻ (Frangakis and Rubin 2002) ; Page et al. (2015) അവലോകനത്തിനായി.

ലീനിയർ റിഗ്രഷൻ ഉപയോഗിച്ചുള്ള ചികിത്സ ഫലങ്ങളുടെ വൈരുദ്ധ്യാത്മകത പല ഗവേഷകരും വിലയിരുത്തുകയാണ്, എന്നാൽ പുതിയ രീതികൾ യന്ത്രസാമഗ്രികളുടെമേൽ ആശ്രയിക്കുന്നു; ഉദാഹരണത്തിന്, Green and Kern (2012) , Imai and Ratkovic (2013) , Taddy et al. (2016) , Athey and Imbens (2016a) .

ഒന്നിലധികം താരതമ്യ പ്രശ്നങ്ങളും "മത്സ്യബന്ധന" യും കാരണം ഇഫക്ടുകൾ വൈരുദ്ധ്യാത്മകതയുടെ ചില കണ്ടെത്തലുകൾ ഉണ്ട്. ഒന്നിലധികം താരതമ്യം (Fink, McConnell, and Vollmer 2014; List, Shaikh, and Xu 2016) . "ഫിഷിംഗ്" എന്നത് സംബന്ധിച്ച ആശങ്കകൾ മുൻകൂട്ടി രജിസ്റ്റർ ചെയ്യപ്പെട്ടവയാണ്, മനഃശാസ്ത്രത്തിൽ (Nosek and Lakens 2014) , രാഷ്ട്രീയ ശാസ്ത്ര (Humphreys, Sierra, and Windt 2013; Monogan 2013; Anderson 2013; Gelman 2013; Laitin 2013) , സാമ്പത്തികശാസ്ത്രം (Olken 2015) .

Costa and Kahn (2013) പഠനങ്ങൾ Costa and Kahn (2013) നടത്തിയ പഠനത്തിൽ, പരീക്ഷണത്തിലെ വീട്ടുജോലിക്കാർ പകുതിയോളം ജനസംഖ്യാശാസ്ത്ര വിവരങ്ങളുമായി ബന്ധപ്പെടുത്തിയിരുന്നു. ഈ വിവരങ്ങളിൽ താല്പര്യമുള്ള വായനക്കാർ യഥാർത്ഥ പേപ്പർ ഉപയോഗിക്കേണ്ടതാണ്.

• മെഷീനുകൾ (വിഭാഗം 4.4.3)

മെക്കാനിസങ്ങൾ അവിശ്വസനീയമാംവിധം പ്രാധാന്യം അർഹിക്കുന്നു, എന്നാൽ പഠിക്കാൻ വളരെ ബുദ്ധിമുട്ടാണ്. മാനസിക പ്രശ്നങ്ങളെക്കുറിച്ചുള്ള ഗവേഷണം മനഃശാസ്ത്രത്തിൽ മധ്യസ്ഥരുടെ പഠനവുമായി വളരെ അടുത്തബന്ധമുള്ളതാണ് (എന്നാൽ രണ്ട് ആശയങ്ങൾ തമ്മിൽ കൃത്യമായ താരതമ്യം ചെയ്യാൻ VanderWeele (2009) എന്നതും കാണുക). Baron and Kenny (1986) വികസിപ്പിച്ച സമീപനം പോലെയുള്ള സമ്പ്രദായങ്ങളെ കണ്ടെത്തുന്നതിനുള്ള സ്റ്റാറ്റിസ്റ്റിക്കൽ സമീപന രീതികൾ വളരെ സാധാരണമാണ്. നിർഭാഗ്യവശാൽ, ആ പ്രക്രിയകൾ ചില ശക്തമായ അനുമാനങ്ങളിൽ (Bullock, Green, and Ha 2010) ആശ്രയിച്ച് മാറുകയും, പല സാഹചര്യങ്ങളിലും പ്രതീക്ഷിക്കുന്നതുപോലെ, (Imai and Yamamoto 2013; VanderWeele and Vansteelandt 2014) . Imai et al. (2011) , Imai and Yamamoto (2013) എന്നിവ മെച്ചപ്പെട്ട സ്ഥിതിവിവരക്കണക്കുകളുടെ രീതികൾ നൽകുന്നു. കൂടാതെ, VanderWeele (2015) സെൻസിറ്റിവിറ്റി വിശകലനത്തിന്റെ ഒരു സമഗ്ര സമീപനം ഉൾപ്പെടെ നിരവധി പ്രധാന ഫലങ്ങൾ ഒരു പുസ്തകം-നീളം ചികിത്സ പ്രദാനം.

ഒരു പ്രത്യേക സമീപനം നേരിട്ട് സംവിധാനം (ഉദാഹരണത്തിന്, നാവികരായ വിറ്റാമിൻ സി നൽകുന്നത്) പരിശ്രമിക്കുന്ന പരീക്ഷണങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. നിർഭാഗ്യവശാൽ, പല സാമൂഹ്യശാസ്ത്ര ക്രമീകരണങ്ങളിലും, പലവിധ രീതിയിലുള്ള പല മെക്കാനിസങ്ങളും ഉണ്ട്, മറ്റുള്ളവരെ മാറ്റാതെ തന്നെ മാറ്റം വരുത്തുന്ന ചികിത്സാരീതികൾ വളരെ പ്രയാസകരമാണ്. പരീക്ഷണാടിസ്ഥാനത്തിൽ മാറ്റം വരുത്തുന്നതിനുള്ള ചില സമീപനങ്ങൾ Imai, Tingley, and Yamamoto (2013) , Ludwig, Kling, and Mullainathan (2011) , Pirlott and MacKinnon (2016) .

ഒന്നിലധികം ഹൈഫൊസൈസ് പരിശോധനകളെക്കുറിച്ച് തികച്ചും ഫാക്ടറോളിക്കൽ പരീക്ഷണങ്ങൾ നടത്തുന്നവർ ഗവേഷണം നടത്തും; കൂടുതൽ വിവരങ്ങൾക്ക് Fink, McConnell, and Vollmer (2014) , List, Shaikh, and Xu (2016) എന്നിവ കാണുക.

അന്തിമമായി, Hedström and Ylikoski (2010) എന്നിവർ വിവരിക്കുന്നതുപോലെ ശാസ്ത്രം ശാസ്ത്രത്തിന്റെ തത്ത്വത്തിൽ മെക്കാനിസമിസത്തിന് ഒരു നീണ്ട ചരിത്രമുണ്ട്.

• നിലവിലുള്ള എൻവയോണ്മെൻറുകൾ ഉപയോഗിയ്ക്കുക (വിഭാഗം 4.5.1)

വിവേചനത്തിന്റെ അളവിലേക്ക് കറസ്പോണ്ടൻസ് സ്റ്റഡികളും ഓഡിറ്റ് പഠനങ്ങളും ഉപയോഗിക്കുന്നതിനെ കുറിച്ച് കൂടുതൽ അറിയാൻ, Pager (2007) .

• നിങ്ങളുടെ സ്വന്തം പരീക്ഷണങ്ങൾ നിർമ്മിക്കുക (വിഭാഗം 4.5.2)

ആമസോൺ മെക്കാനിക്കൽ ടർക് (MTurk) ആണ് നിങ്ങൾ നിർമ്മിക്കുന്ന പരീക്ഷണങ്ങളിലേക്ക് പങ്കാളികളെ റിക്രൂട്ട് ചെയ്യുന്ന ഏറ്റവും സാധാരണമായ മാർഗ്ഗം. പരമ്പരാഗത ലാബിൽ പരീക്ഷണക്കാർക്ക് പണം നൽകുന്നതിനായി മാർട്ടിനെ അനുകരിക്കുന്നതിനാൽ, പലരും തങ്ങൾ ചെയ്യാൻ തയ്യാറാകാത്ത ചുമതലകൾ പൂർത്തിയാക്കാനായി, ടർക്കറുകൾ (ടർക്കിയിലെ തൊഴിലാളികൾ) പരീക്ഷണാടിസ്ഥാനത്തിൽ പങ്കെടുക്കാൻ തുടങ്ങിയിരിക്കുന്നു. ഇത് വേഗത്തിലും വിലകുറഞ്ഞ വിവര ശേഖരണത്തിലും നേടാനാകും. പരമ്പരാഗത ഓൺ-കാമ്പസ് ലബോറട്ടറി പരീക്ഷണങ്ങളിൽ (Paolacci, Chandler, and Ipeirotis 2010; Horton, Rand, and Zeckhauser 2011; Mason and Suri 2012; Rand 2012; Berinsky, Huber, and Lenz 2012) .

പൊതുവേ, MTurk ൽ നിന്നും റിക്രൂട്ട് ചെയ്ത പങ്കാളിത്തം ഉപയോഗിക്കുന്നതിൽ ഏറ്റവും വലിയ നേട്ടങ്ങൾ കമ്പോളപരമായതാണ്. ലാബിൽ പരീക്ഷണങ്ങൾ ആഴ്ചതോറും നടത്താൻ തുടങ്ങും, ഫീൽഡ് പരീക്ഷണങ്ങൾ സെറ്റ്അപ്പ് ചെയ്യാൻ മാസങ്ങളെടുക്കും, MTurk ൽ നിന്നും നിയമിക്കപ്പെടുന്ന ആളുകളുമായി പരീക്ഷണങ്ങൾ ദിവസങ്ങളിൽ പ്രവർത്തിക്കാൻ കഴിയും. ഉദാഹരണത്തിന്, Berinsky, Huber, and Lenz (2012) എന്നിവ 8 മിനിട്ട് പരീക്ഷണത്തിനായി ഒരു ദിവസം 400 വിഷയങ്ങൾ റിക്രൂട്ട് ചെയ്യാൻ കഴിഞ്ഞു. കൂടാതെ, ഈ പങ്കാളികൾ ഏതാണ്ട് ഏത് ഉദ്ദേശ്യത്തിനുമായി (സർവേകളും ബഹുജന സഹകരണവും ഉൾപ്പെടെ 3, 5 എന്നീ അദ്ധ്യായങ്ങളിൽ ചർച്ച ചെയ്തതുപോലെ) റിക്രൂട്ട് ചെയ്യാനാകും. റിക്രൂട്ട്മെന്റിന്റെ ഈ എളുപ്പത്തിൽ അർത്ഥമാക്കുന്നത്, ദ്രുതഗതിയിലുള്ള പരന്പരയിൽ ബന്ധപ്പെട്ട പരീക്ഷണങ്ങൾ നടത്തുന്നതിന് ഗവേഷകർക്ക് കഴിയും.

നിങ്ങളുടെ പരീക്ഷണത്തിനു വേണ്ടി MTurk നിന്ന് പങ്കെടുക്കുന്നവരെ റിക്രൂട്ട് ചെയ്യുന്നതിനുമുമ്പ്, നിങ്ങൾ അറിഞ്ഞിരിക്കേണ്ട നാല് സുപ്രധാന കാര്യങ്ങളുണ്ട്. ഒന്നാമതായി, പല ഗവേഷകരും തുർക്കികൾ ഉൾപ്പെട്ട പരീക്ഷണങ്ങളുടെ നിശിതമായ നിഗമനങ്ങളാണുള്ളത്. ഈ സന്ദിഗ്ധാവസ്ഥ പ്രത്യേകതകളില്ലാത്തതുകൊണ്ട്, തെളിവുകളുമായി പ്രതിബന്ധങ്ങളെ നേരിടുന്നത് പ്രയാസമാണ്. എന്നിരുന്നാലും, ടർക്കേഴ്സിനെ ഉപയോഗിച്ചുള്ള നിരവധി വർഷത്തെ പഠനം കഴിഞ്ഞപ്പോൾ, ഈ നിഗമനത്തെ പ്രത്യേകിച്ച് ന്യായീകരിച്ചിട്ടില്ലെന്ന് ഇപ്പോൾ നമുക്ക് മനസ്സിലാക്കാം. മറ്റ് ജനവിഭാഗങ്ങളുമായി ടർക്കിസിന്റെ ജനസംഖ്യാശാസ്ത്രവുമായി താരതമ്യപ്പെടുത്തുവാനുള്ള നിരവധി പഠനങ്ങൾ നടന്നിട്ടുണ്ട്. തുർക്കികൾ മറ്റു പ്രദേശങ്ങളിൽ നിന്നുള്ള പരീക്ഷണഫലങ്ങളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ധാരാളം പഠനങ്ങൾ നടന്നിട്ടുണ്ട്. ഈ ജോലി മുഴുവൻ, നിങ്ങൾ ചിന്തിക്കുന്നതിനുള്ള മികച്ച മാർഗ്ഗം ടർക്കേഴ്സ് യുക്തിസഹമായ ഒരു മാതൃകയാണ്, അത് വിദ്യാർത്ഥികളെ പോലെ വളരെ കുറച്ച് വ്യത്യസ്തമാണ് (Berinsky, Huber, and Lenz 2012) . അതിനാൽ, വിദ്യാർത്ഥികൾക്ക് ചില ആളുകൾക്ക് ന്യായമായ ഒരു ജനസംഖ്യ ഉള്ളതെങ്കിലും എല്ലാ ഗവേഷണങ്ങളേയും കുറിച്ചല്ല, ടർക്കിയർമാർ ചിലരാകട്ടെ, എല്ലാവർക്കും ഗവേഷണമാണ്. നിങ്ങൾ തുർക്കികളുമായി പ്രവർത്തിക്കാൻ പോകുകയാണെങ്കിൽ, ഈ താരതമ്യ പഠനങ്ങളിൽ പലതും വായിക്കാനും അവരുടെ അവബോധം മനസ്സിലാക്കാനും അത് ഉപകരിക്കുന്നു.

രണ്ടാമതായി, MTurk പരീക്ഷണങ്ങളുടെ ആന്തരിക സാധുത വർദ്ധിപ്പിക്കുന്നതിന് മികച്ച പരിശീലനങ്ങൾ ഗവേഷകർ വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്, നിങ്ങൾ ഈ മികച്ച സമ്പ്രദായങ്ങളെക്കുറിച്ച് പഠിക്കുകയും പിന്തുടരുകയും വേണം (Horton, Rand, and Zeckhauser 2011; Mason and Suri 2012) . ഉദാഹരണമായി, ടർക്കേഴ്സിനെ ഉപയോഗിച്ചുള്ള ഗവേഷകർ ശ്രദ്ധിക്കപ്പെടാത്ത പങ്കാളികളെ (Berinsky, Margolis, and Sances 2014, 2016) നീക്കംചെയ്യാൻ സ്ക്രീൻസേരെർമാരെ പ്രോത്സാഹിപ്പിക്കുന്നു (എന്നാൽ DJ Hauser and Schwarz (2015b) , DJ Hauser and Schwarz (2015a) ) എന്നിവയും കാണുക. അശ്രദ്ധമായി പങ്കെടുക്കുന്നവരെ നീക്കം ചെയ്യുന്നില്ലെങ്കിൽ, ചികിത്സയുടെ ഏത് തരത്തിലുള്ള ഫലവും അവർ അവതരിപ്പിക്കുന്ന ശബ്ദത്തിൽ നിന്ന് കഴുകാം, പ്രായോഗികമായി പങ്കെടുക്കുന്നവരുടെ എണ്ണം വളരെ കൂടുതലായിരിക്കാം. ഹ്യൂബറും സഹപ്രവർത്തകരും (2012) നടത്തിയ പരീക്ഷണങ്ങളിൽ പങ്കെടുത്തവരിൽ 30 ശതമാനം പേർക്ക് ശ്രദ്ധയ്ക്ക് പ്രാധാന്യം നൽകി. തുർക്കികൾ ഉപയോഗിക്കുമ്പോൾ സാധാരണ ഉണ്ടാകാറുള്ള മറ്റ് പ്രശ്നങ്ങൾ, നിസ്സഹായമല്ലാത്ത പങ്കാളികളാണ് (Chandler et al. 2015) , കൊഴിഞ്ഞുപോക്ക് (Zhou and Fishbach 2016) .

മൂന്നാമതായി, ഡിജിറ്റൽ പരീക്ഷണങ്ങളുമായി ബന്ധപ്പെട്ട മറ്റേതെങ്കിലും രൂപങ്ങളുമായി ബന്ധപ്പെട്ട MTT പരീക്ഷണങ്ങൾ സ്കോർ ചെയ്യാനാവില്ല. Stewart et al. (2015) ഒരു സമയം ഏതാണ്ട് 7,000 ആളുകൾ മാത്രമേ MTurk ൽ ഉള്ളതായി കണക്കാക്കപ്പെടുന്നു.

അവസാനമായി, MTurk അതിന്റെ തന്നെ ചട്ടങ്ങളും മാനദണ്ഡങ്ങളും ഉള്ള ഒരു സമൂഹമാണ് എന്ന് നിങ്ങൾ മനസ്സിലാക്കണം (Mason and Suri 2012) . നിങ്ങളുടെ പരീക്ഷണങ്ങൾ നടത്താൻ പോകുന്ന ഒരു രാജ്യത്തിന്റെ സംസ്കാരത്തെക്കുറിച്ച് അന്വേഷിക്കാൻ നിങ്ങൾ ശ്രമിക്കുന്നതുപോലെ തന്നെ, തുർക്കികളുടെ സംസ്കാരവും നിയമങ്ങളും (സലിലി (Salehi et al. 2015) കുറിച്ച് കൂടുതൽ മനസ്സിലാക്കാൻ നിങ്ങൾ ശ്രമിക്കണം. നിങ്ങൾ അനുചിതമായതോ അനീതിയോ വല്ലതും ഉണ്ടെങ്കിൽ തുർക്കികൾ നിങ്ങളുടെ പരീക്ഷണത്തെക്കുറിച്ച് സംസാരിക്കുമെന്നും നിങ്ങൾ അറിയണം (Gray et al. 2016) .

Huber, Hill, and Lenz (2012) , അല്ലെങ്കിൽ Mason and Watts (2009) ഫീൽഡ് പോലുള്ള പരീക്ഷണങ്ങളിൽ പങ്കെടുക്കുന്നവരെ പങ്കെടുപ്പിക്കുന്നതിനുള്ള അവിശ്വസനീയമായ സൌകര്യമാണ് MTurk. , Goldstein, McAfee, and Suri (2013) , Goldstein et al. (2014) , Horton and Zeckhauser (2016) , Mao et al. (2016) .

• നിങ്ങളുടെ സ്വന്തം ഉൽപന്നം നിർമ്മിക്കുക (വിഭാഗം 4.5.3)

നിങ്ങളുടെ സ്വന്തം ഉൽപന്നങ്ങൾ സൃഷ്ടിക്കാൻ ശ്രമിക്കുന്നതിനെക്കുറിച്ച് ചിന്തിക്കുകയാണെങ്കിൽ, Harper and Konstan (2015) ലെ മൂവി ലെൻസ് ഗ്രൂപ്പ് നൽകുന്ന നിർദ്ദേശങ്ങൾ ഞാൻ വായിക്കുന്നു. ഓരോ വിജയകരമായ പ്രോജക്റ്റിനും പല പരാജയങ്ങളും ഉണ്ട് എന്നതാണ് അവരുടെ അനുഭവത്തിൽ നിന്നുള്ള ഒരു ഉൾക്കാഴ്ച. ഉദാഹരണത്തിന്, 'ഗോഫർഅൻവേഴ്സ്' പോലുള്ള മറ്റ് ഉൽപ്പന്നങ്ങൾ മൂവി ലെൻസ് ഗ്രൂപ്പ് സമാരംഭിച്ചു, അവ പൂർണ്ണമായ പരാജയങ്ങളായിരുന്നു (Harper and Konstan 2015) . ഒരു ഉൽപ്പന്നം നിർമ്മിക്കാൻ ശ്രമിക്കുന്നതിനിടയിൽ ഒരു ഗവേഷകൻ പരാജയപ്പെടുന്നതിന്റെ മറ്റൊരു ഉദാഹരണം എഡ്വേർഡ് കാസ്ട്രോനോവയാണ് ആർഡൻ എന്ന ഓൺലൈൻ ഗെയിം നിർമ്മിക്കാനുള്ള ശ്രമം. ധനസഹായത്തിൽ 250,000 ഡോളർ ഉണ്ടായിരുന്നിട്ടും പദ്ധതി ഒരു പരാജയമായിരുന്നു (Baker 2008) . ഗോഫർഎൻവെൻസ്, ആർഡൻ തുടങ്ങിയ പ്രോജക്ടുകൾ മൂവി ലെൻസ് പോലുള്ള പ്രോജക്ടുകളേക്കാൾ വളരെ സാധാരണമാണ്.

• ശക്തരായ പങ്കാളി (വിഭാഗം 4.5.4)

സാങ്കേതികവിദ്യ കമ്പനികളിൽ നിരന്തരം ചർച്ചചെയ്യപ്പെടുന്ന പാസ്റ്റർസുന്ദർ എന്ന ആശയം ഞാൻ കേട്ടു. ഗൂഗിളിൽ (Spector, Norvig, and Petrov 2012) ഗവേഷണ പ്രവർത്തനങ്ങൾ സംഘടിപ്പിക്കാൻ ഇത് സഹായിക്കുന്നു.

ബോണ്ടുകളും സഹപ്രവർത്തകരുടെ പഠനവും (2012) ഈ ചികിത്സാരീതികളുടെ ഫലം കണ്ടുപിടിക്കാൻ ശ്രമിക്കുന്നു. ഈ പരീക്ഷണങ്ങളുടെ രൂപകല്പന കാരണം, ഈ സ്പിൽഓവർമാർക്ക് സുഗമമായി കണ്ടെത്താൻ ബുദ്ധിമുട്ടാണ്; താല്പര്യമുള്ള വായനക്കാർ Bond et al. (2012) കാണും Bond et al. (2012) കൂടുതൽ വിശദമായ ചർച്ചയ്ക്ക് വേണ്ടി. ജോൺസ് സഹപ്രവർത്തകരും (2017) 2012 തെരഞ്ഞെടുപ്പ് വേളയിൽ വളരെ സമാനമായ പരീക്ഷണം നടത്തി. ഈ പരീക്ഷണങ്ങൾ വോട്ടെടുപ്പ് പ്രോത്സാഹിപ്പിക്കുന്നതിനുള്ള ശ്രമത്തിന്റെ രാഷ്ട്രീയ ശാസ്ത്രത്തിലെ പരീക്ഷണങ്ങളുടെ ഒരു നീണ്ട പാരമ്പര്യത്തിന്റെ ഭാഗമാണ് (Green and Gerber 2015) . വോട്ടുചെയ്യൽ പരീക്ഷണങ്ങൾ സാധാരണമാണ്, അവ പാസ്റ്ററുടെ ക്വാഡർന്റ് ആണ്. അതായത്, പെരുമാറ്റച്ചട്ടവും സാമൂഹിക സ്വാധീനവും സംബന്ധിച്ച കൂടുതൽ സാമാന്യ ആധുനിക സിദ്ധാന്തങ്ങൾ പരീക്ഷിക്കുന്നതിനുള്ള രസകരമായ പെരുമാറ്റം വോട്ടിംഗും വോട്ടിംഗും വർദ്ധിപ്പിക്കാൻ പ്രേരിപ്പിക്കുന്ന നിരവധി ആളുകൾ ഉണ്ട്.

രാഷ്ട്രീയ പാർട്ടികൾ, എൻ.ജി.ഒ.കൾ, വ്യവസായങ്ങൾ തുടങ്ങിയ പങ്കാളി സംഘടനകളുമായി ഫീൽഡ് പരീക്ഷണങ്ങൾ നടത്തുന്നതിനെക്കുറിച്ചുള്ള ഉപദേശം Loewen, Rubenson, and Wantchekon (2010) , JA List (2011) , Gueron (2002) . ഗവേഷണ ഡിസൈനിംഗിനെ എങ്ങനെ സ്വാധീനിക്കാം എന്നതിനെക്കുറിച്ച് ചിന്തിച്ചുകൊണ്ട്, King et al. (2007) , Green, Calfano, and Aronow (2014) . Humphreys (2015) , Nickerson and Hyde (2016) എന്നിവ ചർച്ച ചെയ്തതുപോലെ പങ്കാളിത്തം ധാർമ്മിക ചോദ്യങ്ങൾക്കും വഴിയൊരുക്കും.

• ഡിസൈൻ ഉപദേശം (ഭാഗം 4.6)

നിങ്ങളുടെ പരീക്ഷണം നടത്തുന്നതിന് മുമ്പ് നിങ്ങൾ ഒരു വിശകലനപദ്ധതി തയ്യാറാക്കുകയാണെങ്കിൽ, മാർഗ്ഗനിർദ്ദേശങ്ങൾ റിപ്പോർട്ടുചെയ്യുന്നതിലൂടെ നിങ്ങൾ ആരംഭിക്കാൻ ഞാൻ നിർദ്ദേശിക്കുന്നു. കൺസോർട്ട് (ടെറാലുകളുടെ കൺസോളിഡേറ്റഡ് സ്റ്റാൻഡേർഡ് റിപ്പോർട്ടുചെയ്യൽ) മാർഗ്ഗനിർദ്ദേശങ്ങൾ മെൻഡോളിലും (സോൾസ് (Schulz et al. 2010) സാമൂഹ്യ ഗവേഷണത്തിനായി പരിഷ്കരിച്ചിരുന്നു (Mayo-Wilson et al. 2013) . ജേർണൽ ഓഫ് എക്സ്പിരിമെന്റൽ പൊളിറ്റിക്കൽ സയൻസിന്റെ എഡിറ്റർമാർ (Gerber et al. 2014) ഒരു അനുബന്ധ മാർഗ്ഗനിർദ്ദേശങ്ങൾ വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട് Mutz and Pemantle (2015) , Gerber et al. (2015) എന്നിവയും കാണുക Gerber et al. (2015) ). അവസാനമായി, സൈക്കോളുകൾ Simmons, Nelson, and Simonsohn (2011) എന്നിവയെപ്പറ്റിയുള്ള റിപ്പോർട്ടിംഗ് മാർഗ്ഗനിർദ്ദേശങ്ങൾ മന: ശാസ്ത്രത്തിൽ (APA Working Group 2008) വികസിപ്പിച്ചെടുത്തു.

നിങ്ങൾ ഒരു വിശകലനപദ്ധതി തയ്യാറാക്കുകയാണെങ്കിൽ, പ്രീ-രജിസ്ട്രേഷൻ നിങ്ങളുടെ ഫലങ്ങൾ മറ്റുള്ളവർക്ക് നൽകുന്ന ആത്മവിശ്വാസം വർദ്ധിപ്പിക്കും എന്നതിനാൽ നിങ്ങൾ അത് മുൻകൂട്ടി രജിസ്റ്റർ ചെയ്യണം. കൂടാതെ, നിങ്ങൾ ഒരു പങ്കാളിയുമായി പ്രവർത്തിക്കുകയാണെങ്കിൽ, ഫലങ്ങൾ കാണുന്നതിന് ശേഷമുള്ള വിശകലനത്തെ നിങ്ങളുടെ പങ്കാളിയുടെ കഴിവിനെ പരിമിതപ്പെടുത്തും. പ്രീ-രജിസ്ട്രേഷൻ മനഃശാസ്ത്രം കൂടുതൽ സാധാരണമായിത്തീർന്നുകൊണ്ടിരിക്കുകയാണു് ആണ് (Nosek and Lakens 2014) , പൊളിറ്റിക്കൽ സയൻസ് (Humphreys, Sierra, and Windt 2013; Monogan 2013; Anderson 2013; Gelman 2013; Laitin 2013) , ഇക്കണോമിക്സ് (Olken 2015) .

ഓൺലൈൻ ഫീൽഡ് പരീക്ഷണത്തിനായി പ്രത്യേകം രൂപകൽപ്പന ചെയ്ത ഉപദേശവും Konstan and Chen (2007) , Chen and Konstan (2015) .

ഞാൻ ആംമഡ തന്ത്രം എന്ന് വിളിച്ചത് ചിലപ്പോൾ പ്രോഗ്രമാറ്റിക് ഗവേഷണം എന്നാണ് . Wilson, Aronson, and Carlsmith (2010) .

• പൂജ്യം വേരിയബിൾ ചിലവ് സൃഷ്ടിക്കുക (വിഭാഗം 4.6.1)

Salganik, Dodds, and Watts (2006) , Salganik and Watts (2008) , Salganik and Watts (2009b) , Salganik and Watts (2009a) , Salganik (2007) . വിജയികളാകുന്ന എല്ലാ വിപണികളിലും കൂടുതൽ, Frank and Cook (1996) . Mauboussin (2012) , Watts (2012) , Frank (2016) .

ഗവേഷണം ചെയ്യുന്നവർ മുന്നറിയിപ്പ് നൽകണം എന്നതുകൊണ്ട്, പങ്കാളിത്ത പെൻഷനുകൾ ഒഴിവാക്കുന്നതിനു മറ്റൊരു സമീപനമുണ്ട്. പല ഓൺലൈൻ ഫീൽഡ് പരീക്ഷണങ്ങളിൽ പങ്കെടുക്കുന്നവർ അടിസ്ഥാനപരമായി പരീക്ഷണങ്ങളാക്കി തയ്യാറാക്കുകയും ഒരിക്കലും നഷ്ടപരിഹാരം നൽകുകയും ചെയ്യുകയില്ല. വോട്ടുചെയ്യാൻ വോട്ടുചെയ്യാൻ പ്രോത്സാഹിപ്പിക്കുന്നതിന് വിക്കിപീഡിയയുടെയും ബോണ്ടിന്റെയും സഹപ്രവർത്തകരുടെയും (2012) പരീക്ഷണങ്ങളിൽ റിവൈവും വാൻ ഡി റിജറ്റ് (2012) പരീക്ഷയും ഉൾപ്പെടുന്നു. ഈ പരീക്ഷണങ്ങൾക്ക് യഥാർഥത്തിൽ പൂജ്യം വേരിയബിൾ ഇല്ല, ഗവേഷകർക്ക് അവർക്ക് വേഗത കുറഞ്ഞ വിലയുണ്ട് . അത്തരം പരീക്ഷണങ്ങളിൽ, ഓരോ പങ്കാളിക്കും ചെലവാകുന്നത് വളരെ ചെറിയതാണെങ്കിൽ, മൊത്തം ചെലവ് വളരെ വലുതായിരിക്കും. ബഹുഭൂരിപക്ഷം ആളുകളെയും പ്രയോഗിക്കുമ്പോൾ ഈ ചെറിയ ഇഫക്റ്റുകൾ പ്രധാനമാകാൻ സാധ്യതയുണ്ടെന്ന് ചെറിയ കൂട്ടിച്ചേർക്കലുകളുടെ ചികിത്സയുടെ പ്രാധാന്യം വളരെ വിപുലമായ ഓൺലൈൻ പരീക്ഷണങ്ങൾ നടത്തുന്ന ഗവേഷകർ പലപ്പോഴും ന്യായീകരിക്കുന്നു. ഗവേഷകന്മാർ പങ്കെടുക്കുന്നവരിൽ ചെലവാക്കുന്ന ചിലവ് കൃത്യമായ അതേ ചിന്തയാണ്. നിങ്ങളുടെ പരീക്ഷണം ഒരു ദശലക്ഷം ആളുകൾക്ക് ഒരു മിനിറ്റ് വീതം നഷ്ടപ്പെടുത്തുന്നുണ്ടെങ്കിൽ, ഒരു പ്രത്യേക വ്യക്തിക്ക് ഈ പരീക്ഷണം വളരെ ഉപദ്രവകരമല്ല, എന്നാൽ അത് മൊത്തം രണ്ടു വർഷം പാഴാക്കിയിരിക്കുന്നു.

പങ്കെടുക്കുന്നവർക്കുള്ള പൂജ്യം വേരിയബിൾ കോസ്റ്റ് പേയ്മെൻറ് സൃഷ്ടിക്കുന്നതിനുള്ള മറ്റൊരു സമീപനം, ഒരു സർവേ ഗവേഷണത്തിലും ഉപയോഗിക്കപ്പെട്ടിരിക്കുന്ന ലോട്ടറിയാണ് (Halpern et al. 2011) . Toomim et al. (2011) ഉപയോക്തൃ അനുഭവങ്ങൾ രൂപകൽപ്പന ചെയ്യുന്നതിനെക്കുറിച്ച് കൂടുതൽ അറിയാൻ, Toomim et al. (2011) . ചായ വേരിയബിൾ പരീക്ഷണങ്ങൾ ഉണ്ടാക്കുന്നത് സംബന്ധിച്ച കൂടുതൽ വിവരങ്ങൾക്കായി ( ??? ) കാണുക.

• മാറ്റിസ്ഥാപിക്കുക, പരിഷ്ക്കരിക്കുക, കുറയ്ക്കുക (വിഭാഗം 4.6.2)

Russell and Burch (1959) നിർദ്ദേശിച്ച മൂന്ന് ആർ.എസ്.

"മാറ്റിസ്ഥാപിക്കൽ പോകയാണോ വസ്തുക്കൾ ബോധമുള്ള ജീവനുള്ള ഉയർന്ന മൃഗങ്ങൾ ഡീല് എന്നാണ്. റിഡക്ഷൻ തന്നിരിക്കുന്ന തുക കൃത്യത കൈക്കലാക്കാൻ ഉപയോഗിക്കുന്ന മൃഗങ്ങളുടെ നമ്പറുകൾ കുറച്ചത് എന്നാണ്. ഉന്നമനത്തിനും സൌദിയാണ് നടപടിക്രമങ്ങൾ സംഭവങ്ങളിലൂടെ അല്ലെങ്കിൽ തീവ്രതയനുസരിച്ച് ഏതെങ്കിലും കുറയുന്നു ഇപ്പോഴും ഉപയോഗിക്കാൻ ഞങ്ങൾക്കുണ്ട് ആ മൃഗങ്ങൾ പ്രയോഗിച്ചു എന്നാണ്. "

ഈ പ്രമേയത്തിന്റെ മൂന്ന് ആർട്ടിക്കിളുകൾ 6-ാം അധ്യായത്തിൽ പറഞ്ഞിരിക്കുന്ന സന്മാർഗ്ഗിക തത്ത്വങ്ങളെ മറികടക്കാൻ ഞാൻ ഉദ്ദേശിക്കുന്നില്ല. പകരം, ആ മാനദണ്ഡങ്ങളിൽ ഏറ്റവും മെച്ചപ്പെട്ട ഒരു പതിപ്പ്, ഗുണപരമായി-മനുഷ്യ മനുഷ്യരുടെ പരീക്ഷണങ്ങളിൽ പ്രത്യേകിച്ച്.

വൈകാരിക വൈകല്യ പരീക്ഷണങ്ങൾ (Kramer, Guillory, and Hancock 2014) , വൈകാരിക വൈറസ് പ്രകൃതിദത്ത പരീക്ഷണം (Lorenzo Coviello et al. 2014) (Kramer, Guillory, and Hancock 2014) എന്നിവ താരതമ്യം ചെയ്ത ആദ്യത്തെ R ("മാറ്റിസ്ഥാപിക്കൽ") പരീക്ഷണങ്ങളിൽ നിന്ന് സ്വാഭാവിക പരീക്ഷണങ്ങൾ വരെ (കൂടാതെ പരീക്ഷണാത്മക ഡാറ്റയിൽ പരീക്ഷണങ്ങൾ ഏകീകരിക്കാനുള്ള ശ്രമം പൊരുത്തപ്പെടുന്ന മറ്റ് സമീപനങ്ങൾ, അദ്ധ്യായം കാണുക 2). നൈതിക ആനുകൂല്യങ്ങൾക്കുപുറമെ, പരീക്ഷണാത്മകവും നോൺ-പരീക്ഷണാത്മക പഠനങ്ങളിൽ നിന്ന് സ്വിച്ചുചെയ്യുന്നത് ഗവേഷകർക്ക് അവയെ വിന്യസിക്കാൻ കഴിയാത്ത ചികിത്സകളെ പഠിക്കാൻ സഹായിക്കുന്നു. ഈ ധാർമ്മികവും കടലാസ്പരവുമായ ആനുകൂല്യങ്ങൾ ഈടാക്കാറുണ്ട്. പ്രകൃതിദത്ത പരീക്ഷണങ്ങൾ കൊണ്ട്, പങ്കെടുക്കുന്നവർ, റാൻഡൊമൈസേഷൻ, ചികിത്സയുടെ സ്വഭാവം തുടങ്ങിയവയെക്കുറിച്ച് ഗവേഷകർക്ക് കാര്യമായ നിയന്ത്രണം ഇല്ല. ഉദാഹരണത്തിന്, ഒരു ചികിത്സ എന്ന നിലയിൽ ഒരു പരിധിവരെ മഴവെള്ളം പോസിറ്റിവ്സിറ്റി വർദ്ധിപ്പിക്കുകയും നിഷേധപ്രതിവാദം കുറയ്ക്കുകയും ചെയ്യുക എന്നതാണ്. പരീക്ഷണാത്മക പഠനത്തിലും, ക്രാമറും സഹപ്രവർത്തകരും സ്വതന്ത്രമായി പോസിറ്റിവ്ബിറ്റിയും നിഷേധാത്മകതയും ക്രമീകരിച്ചു. Lorenzo Coviello et al. (2014) ഉപയോഗിച്ചതാണ് ഈ സമീപനം Lorenzo Coviello et al. (2014) L. Coviello, Fowler, and Franceschetti (2014) വിശദമായി വിവരിച്ചു. ഇൻസ്ട്രുമെന്റ് വേരിയബിളുകൾക്കുള്ള ഒരു ആമുഖത്തിന്, Lorenzo Coviello et al. (2014) ഉപയോഗിച്ച സമീപനം Lorenzo Coviello et al. (2014) Angrist and Pischke (2009) Lorenzo Coviello et al. (2014) , Angrist and Pischke (2009) (കുറവ് ഔപചാരിക) അല്ലെങ്കിൽ Angrist, Imbens, and Rubin (1996) (കൂടുതൽ ഔപചാരിക) എന്നിവ കാണുക. Deaton (2010) , ബലഹീനമായ ഉപകരണങ്ങളുള്ള ഉപകരണങ്ങളുടെ വേരിയബിളുകൾക്കുള്ള ഒരു ആമുഖം (മഴ ഒരു ദുർബ്ബല ഉപകരണം) എന്നിവ കാണുക, Murray (2006) . സാധാരണയായി, പ്രകൃതിദത്ത പരീക്ഷണങ്ങൾക്ക് നല്ലൊരു ആമുഖം Dunning (2012) , Rosenbaum (2002) , ( ??? ) , Shadish, Cook, and Campbell (2001) എന്നിവ പരീക്ഷണങ്ങളില്ലാത്ത കാരണങ്ങളുണ്ടാക്കാൻ നല്ല ആശയങ്ങൾ നൽകുന്നു.

രണ്ടാമത്തെ ആർ ("ശുദ്ധീകരിക്കൽ") എന്നതിനനുസരിച്ച്, പോസ്റ്റിംഗ് വർധിപ്പിക്കുന്നതിനുള്ള പോസ്റ്റുകളെ തടയുന്നതിൽ നിന്നും വൈകാരിക അപകടം എന്ന രൂപകൽപ്പന മാറ്റുന്നത് പരിഗണിച്ച്, ശാസ്ത്രപരവും ലാപകരവുമായ ട്രേഡ് ഓഫുകൾ ഉണ്ട്. ഉദാഹരണമായി, ന്യൂസ് ഫീഡിന്റെ സാങ്കേതിക നടപ്പാക്കൽ, അവരുടെ പ്രയത്നഫലങ്ങൾ തട്ടിമാറ്റുന്നതിനേക്കാൾ പോസ്റ്റ് ബ്ലോക്ക് ചെയ്ത ഒരു പരീക്ഷണം ചെയ്യാൻ ഇത് വളരെ എളുപ്പമാണ്. (പോസ്റ്റുകളെ തടയുന്നതിൽ ഉൾപ്പെട്ട ഒരു പരീക്ഷണം നടപ്പിലാക്കുമെന്നത് ശ്രദ്ധിക്കുക. വാർത്താ സമ്പ്രദായങ്ങളുടെ ഭേദഗതികൾ ആവശ്യമില്ലെങ്കിൽ ന്യൂസ് ഫീഡിന്റെ മുകളിൽ ഒരു ലെയർ ആയി). എന്നാൽ ശാസ്ത്രീയമായി, ഈ പരീക്ഷണത്തിലൂടെയുള്ള സിദ്ധാന്തം മറ്റൊരു രൂപത്തിൽ ഒരു രൂപകൽപ്പന വ്യക്തമായി വ്യക്തമാക്കുന്നില്ല. നിർഭാഗ്യവശാൽ, വാർത്താ ഫീഡിൽ ഉള്ളടക്കത്തെ ബ്ലോക്കിംഗും ബൂസ്റ്റിംഗുമായ ആപേക്ഷിക മെറിറ്റുകളെക്കുറിച്ച് ഗണ്യമായ മുൻഗണന ഗവേഷണം എനിക്ക് അറിയില്ല. കൂടാതെ, അവ കൂടുതൽ ഹാനികരമാക്കുവാൻ ശുദ്ധീകരണ ചികിത്സകളെക്കുറിച്ച് വളരെ ഗവേഷണം ഞാൻ കണ്ടിട്ടില്ല; ഇന്റർനെറ്റ് സെൻസർഷിപ്പിന്റെ അളവുകോൽ കണക്കാക്കുന്നത് B. Jones and Feamster (2015) ഒരു വിഷയത്തെപ്പറ്റി 6-ാം അധ്യായത്തിൽ എൻകോർ പഠനവുമായി ബന്ധപ്പെട്ട് (Burnett and Feamster 2015; Narayanan and Zevenbergen 2015) ബന്ധപ്പെട്ട് ഞാൻ ചർച്ച ചെയ്യുന്നു.

മൂന്നാം ആർ ("റിഡക്ഷൻ") അനുസരിച്ച്, പരമ്പരാഗത ഊർജ്ജ വിശകലനത്തിന് നല്ല പരിചയങ്ങൾ Cohen (1988) (ബുക്ക്), Cohen (1992) (ലേഖനം), Gelman and Carlin (2014) എന്നിവ അല്പം വ്യത്യസ്ത കാഴ്ചപ്പാടിൽ അവതരിപ്പിക്കുന്നു. പരീക്ഷണങ്ങളുടെ രൂപകൽപ്പനയിലും വിശകലനത്തിലും മുൻകൂർ ചികിത്സാരീതികൾ ഉൾപ്പെടുത്താം; Gerber and Green (2012) അദ്ധ്യായം 4 Gerber and Green (2012) രണ്ടു സമീപനങ്ങളിലും ഒരു നല്ല അവതരണം നൽകുന്നു, ഒപ്പം Casella (2008) കൂടുതൽ ആഴത്തിലുള്ള ചികിത്സ നൽകുന്നു. റാൻഡമൈസേഷനിൽ ഈ പ്രീ- ചികിത്സാപരമായ വിവരങ്ങൾ ഉപയോഗിക്കുന്ന ടെക്നിക്കുകൾ സാധാരണയായി ബ്ലോക്ക് ചെയ്ത പരീക്ഷണാത്മക രൂപകല്പനകൾ അല്ലെങ്കിൽ സ്ട്രാറ്റജിക് പരീക്ഷണാത്മക രൂപകൽപനകൾ (ഈ പദങ്ങൾ സമൂഹത്തിൽ ഉടനീളം ഉപയോഗിച്ചിട്ടില്ല) എന്നുമാണ്; ഈ Higgins, Sävje, and Sekhon (2016) അദ്ധ്യായം 3-ൽ ചർച്ചചെയ്ത സ്ട്രാറ്റജിഫൈഡ് സാംപ്ലിംഗ് ടെക്നിക്സുമായി വളരെ അടുത്ത ബന്ധമുള്ളതാണ്. ഭീമൻ പരീക്ഷണങ്ങളിൽ ഈ രൂപകല്പനകൾ കൂടുതൽ ഉപയോഗിക്കുന്നതിന് കൂടുതൽ വിവരങ്ങൾക്കായി Higgins, Sävje, and Sekhon (2016) കാണുക. വിശകലന ഘട്ടത്തിൽ പ്രീ-ട്രീറ്റ്മെന്റ് കോറോറിയറ്റുകൾ ഉൾപ്പെടുത്താം. McKenzie (2012) കൂടുതൽ വിശദമായി ഫീൽഡ് പരീക്ഷണങ്ങൾ വിശകലനം വ്യത്യാസത്തിൽ വ്യത്യാസ സമീപനം പര്യവേക്ഷണം. Carneiro, Lee, and Wilhelm (2016) ഇഫക്റ്റുകൾ വിലയിരുത്തുന്നതിൽ കൃത്യത വർദ്ധിപ്പിക്കുന്നതിനുള്ള വ്യത്യസ്ത സമീപനങ്ങളുടെ ഇടയിൽ ട്രേഡ് ഓഫ് ചെയ്യുന്ന Carneiro, Lee, and Wilhelm (2016) എന്നിവ കാണുക. അവസാനമായി, ഡിസൈനിലെ അല്ലെങ്കിൽ വിശകലന ഘട്ടത്തിൽ (അല്ലെങ്കിൽ രണ്ടും) പ്രീ-ട്രീറ്റ്കോഡ് കോറി റേറ്റുകൾ ഉൾപ്പെടുത്താൻ ശ്രമിക്കണമോ എന്ന് തീരുമാനിക്കുമ്പോൾ, പരിഗണിക്കുന്നതിനുള്ള ചില ഘടകങ്ങളുണ്ട്. ഗവേഷകർക്ക്, അവർ "മത്സ്യബന്ധനം" (Humphreys, Sierra, and Windt 2013) ആണെന്ന് തെളിയിക്കാൻ ആഗ്രഹിക്കുന്ന ഒരു ക്രമീകരണത്തിൽ, ഡിസൈൻ ഘട്ടത്തിൽ പ്രീ (Higgins, Sävje, and Sekhon 2016) സഹായകമാകും. പങ്കെടുക്കുന്നവർ ക്രമാനുഗതമായി വരുന്ന സാഹചര്യങ്ങളിൽ, പ്രത്യേകിച്ച് ഓൺലൈൻ ഫീൽഡ് പരീക്ഷണങ്ങൾ, ഡിസൈൻ ഘട്ടത്തിൽ പ്രീ-ചികിത്സാ വിവരങ്ങൾ ഉപയോഗിക്കുന്നത് ബുദ്ധിമുട്ടുള്ള കാര്യക്ഷമമായിരുന്നേക്കാം; ഉദാഹരണത്തിന്, Xie and Aurisset (2016) .

വ്യത്യാസങ്ങൾ തമ്മിലുള്ള വ്യത്യാസം എന്തുകൊണ്ടെന്നതിനെക്കുറിച്ചുള്ള വ്യത്യാസം എന്തുകൊണ്ടെന്നതിനെ കുറിച്ചുള്ള കൂടുതൽ ഊഹാപോഹങ്ങൾ എന്തിനാണ്? നിരവധി ഓൺലൈൻ ഫലങ്ങൾക്ക് വളരെ ഉയർന്ന വ്യത്യാസം ഉണ്ട് (ഉദാ: RA Lewis and Rao (2015) , Lamb et al. (2015) ), കാലാനുസൃതമായി സ്ഥിരതയാർന്നതാണ്. ഈ സാഹചര്യത്തിൽ, സ്കോർ സ്കോർ ഗണ്യമായി ചെറിയ വ്യത്യാസങ്ങൾ ഉണ്ടാകും, സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെസ്റ്റ് ശക്തി വർദ്ധിപ്പിക്കുക. ഈ സമീപനം കൂടുതൽ ഉപയോഗിക്കപ്പെടുന്നതിനുള്ള ഒരു കാരണം ഡിജിറ്റൽ യുഗത്തിനുമുമ്പുതന്നെ, പ്രീ-ചികിത്സയുടെ ഫലമായി ഉണ്ടാകണമെന്നില്ല. ഒരു പ്രത്യേക വ്യായാമം ശരീരഭാരം കുറയ്ക്കാൻ സാധിക്കുമോ എന്ന് ഒരു പരീക്ഷണം സങ്കൽപ്പിക്കുകയാണ് ഇത് സംബന്ധിച്ച് കൂടുതൽ ചിന്തിക്കുന്നതിനുള്ള മാർഗ്ഗം. നിങ്ങൾ ഒരു വ്യത്യാസം അർത്ഥമാക്കുന്നത് സമീപനം സ്വീകരിക്കുകയാണെങ്കിൽ, നിങ്ങളുടെ കണക്കനുസരിച്ച് ജനസംഖ്യയിൽ ഭാവിയിൽ മാറുന്ന വേരിയബിളിൽ നിന്ന് ഉണ്ടാകുന്ന വ്യതിയാനങ്ങൾ ഉണ്ടാകും. നിങ്ങൾ ഒരു വ്യത്യാസത്തിൽ വ്യത്യാസങ്ങൾ സമീപിക്കുകയാണെങ്കിൽ, ഭാരം സ്വാഭാവികമായി ഉണ്ടാകുന്ന വ്യതിയാനം നീക്കം ചെയ്യപ്പെടും, ചികിത്സയിലൂടെ ഉണ്ടാകുന്ന വ്യത്യാസം കൂടുതൽ എളുപ്പത്തിൽ കണ്ടെത്താം.

അന്തിമമായി, ഞാൻ നാലാമത്തേത് R: "repurpose" എന്ന രീതിയിൽ കൂട്ടിച്ചേർത്തു. അതായത്, അവരുടെ യഥാർത്ഥ ഗവേഷണ ചോദ്യത്തിന് ഉത്തരം കണ്ടെത്താൻ കഴിയുന്നതിനേക്കാൾ കൂടുതൽ പരീക്ഷണാത്മക ഡാറ്റ ഉപയോഗിച്ച് ഗവേഷകർ കണ്ടെത്തുമ്പോൾ, പുതിയ ചോദ്യങ്ങൾ ചോദിക്കാൻ അവർ ഡാറ്റ പുനരാരംഭിക്കേണ്ടതുണ്ട്. ഉദാഹരണമായി, ക്രാമറും സഹപ്രവർത്തകരും വ്യത്യാസത്തിൽ വ്യത്യാസമുള്ള മൂല്യനിർണ്ണയ മാർഗം ഉപയോഗിക്കുകയും അവരുടെ ഗവേഷണ ചോദ്യങ്ങൾ ചോദിക്കേണ്ടതിനേക്കാൾ കൂടുതൽ ഡാറ്റ ഉപയോഗിച്ച് കണ്ടെത്തുകയും ചെയ്യുക. അളവുകൾ പൂർണ്ണമായി ഉപയോഗിക്കുന്നതിന് പകരം, പ്രീ-ട്രീറ്റ്മെൻറ് വൈകാരികപ്രകടനത്തിന്റെ ഒരു ഫലമായി അവർ പ്രഭാവത്തിൻറെ വലിപ്പം പഠിച്ചു. Schultz et al. (2007) കണ്ടെത്തിയിരുന്നു. ചികിത്സയുടെ പ്രത്യാഘാതം വെളിച്ചവും കനത്തതുമായ ഉപയോക്താക്കൾക്ക് വ്യത്യസ്തമാണെന്ന കാര്യം കണ്ടെത്തിയിരുന്നു. സന്തോഷകരമായ (അല്ലെങ്കിൽ ദുഃഖകരമായ) സന്ദേശങ്ങൾ ഇതിനകം പോസ്റ്റുചെയ്തിരുന്നവർക്കുമായി വാർത്താ ഫീഡിന്റെ ഫലങ്ങൾ വ്യത്യസ്തമായിരുന്നു. Repurposing "ഫിഷിംഗ്" (Humphreys, Sierra, and Windt 2013) , "പി-ഹാക്കിങ്" (Simmons, Nelson, and Simonsohn 2011) , എന്നാൽ ഇവ സത്യസന്ധമായ റിപ്പോർട്ടിന്റെ (Simmons, Nelson, and Simonsohn 2011) , പ്രീ-രജിസ്ട്രേഷൻ (Humphreys, Sierra, and Windt 2013) , യന്ത്രം-യന്ത്രം ഒഴിവാക്കാൻ ശ്രമിക്കുന്ന യന്ത്ര പഠന രീതികൾ.