4.4.2 Rôznorodosť účinkov liečby

Experimenty zvyčajne merajú priemerný efekt, ale tento efekt pravdepodobne nie je pre všetkých rovnaký.

Druhou kľúčovou myšlienkou prechodu od jednoduchých experimentov je heterogenita účinkov liečby . Experiment Schultz et al. (2007) silno ilustruje, ako môže rovnaké zaobchádzanie mať odlišný vplyv na rôzne druhy ľudí (obrázok 4.4). Vo väčšine analógových experimentov sa však výskumní pracovníci zamerali na priemerné účinky liečby, pretože malý počet účastníkov sa o nich mal len málo. V digitálnych experimentoch však často existuje oveľa viac účastníkov a o nich sa vie viac. V tomto odlišnom dátovom prostredí budú výskumníci, ktorí naďalej odhadujú len priemerné účinky liečby, budú chýbať spôsoby, akými odhady heterogenity účinkov liečby môžu poskytnúť stopy o tom, ako liečba funguje, ako ju možno zlepšiť a ako ju možno cielene tým, ktorí s najväčšou pravdepodobnosťou budú mať prospech

Dva príklady heterogenity účinkov liečby pochádzajú z dodatočného výskumu o správach o domácej energii. Po prvé, spoločnosť Allcott (2011) použila veľkú veľkosť vzorky (600 000 domácností), aby ďalej rozdelila vzorku a odhadla vplyv správy o domácej energii na decile spotreby energie pred spracovaním. Zatiaľ čo Schultz et al. (2007) zistili rozdiely medzi ťažkými a ľahkými užívateľmi, Allcott (2011) zistil, že existujú aj rozdiely v skupine ťažkých a ľahkých užívateľov. Napríklad najťažšie používatelia (tí najvyššie decile) znížili spotrebu energie dvakrát toľko ako niekto uprostred skupiny ťažkých užívateľov (obrázok 4.8). Ďalej odhady účinku správania pred liečbou tiež odhalili, že nebol žiadny účinok bumerangu ani pre najľahších používateľov (obrázok 4.8).

Obrázok 4.8: Heterogénnosť účinkov liečby v spoločnosti Allcott (2011) . Zníženie spotreby energie sa líšilo u ľudí s rôznymi decilemi pri základnom použití. Úprava z Allcott (2011) , obrázok 8.

V súvisiacej štúdii Costa and Kahn (2013) špekulovali, že efektívnosť správy o domácej energii by sa mohla líšiť podľa politickej ideológie účastníka a že liečba by mohla skutočne spôsobiť, že ľudia s určitými ideológiami zvýšia svoje využívanie elektrickej energie. Inými slovami, špekulovali, že správy o domácej energii môžu vytvárať bumerangový efekt pre niektoré typy ľudí. Na posúdenie tejto možnosti spoločnosť Costa a Kahn zlúčili údaje spoločnosti Opower s údajmi zakúpenými od agregátora tretej strany, ktoré obsahovali informácie ako registrácia politických strán, darcovstvo environmentálnym organizáciám a účasť domácností na programoch obnoviteľnej energie. S týmto zlúčeným súborom údajov Costa a Kahn zistili, že správy o domácej energii priniesli podobné výsledky pre účastníkov s rôznymi ideológiami; neexistovali žiadne dôkazy o tom, že akákoľvek skupina vykazovala účinky bumerangu (obrázok 4.9).

Obrázok 4.9: Heterogenita účinkov liečby v Costa and Kahn (2013) . Odhadovaný priemerný účinok liečby pre celú vzorku je -2,1% [-1,5%, -2,7%]. Po kombinácii informácií z experimentu s informáciami o domácnostiach používali Costa and Kahn (2013) sériu štatistických modelov na odhad liečby pre veľmi špecifické skupiny ľudí. Pre každú skupinu sú uvedené dva odhady, pretože odhady závisia od kovariátov, ktoré zahrnuli do svojich štatistických modelov (pozri modely 4 a 6 v tabuľkách 3 a 4 v Costa and Kahn (2013) ). Ako ilustruje tento príklad, účinky liečby môžu byť rôzne pre rôznych ľudí a odhady účinkov liečby, ktoré pochádzajú zo štatistických modelov, závisia od detailov týchto modelov (Grimmer, Messing, and Westwood 2014) . Úprava z Costa and Kahn (2013) , tabuľky 3 a 4.

Ako ilustrujú tieto dva príklady, v digitálnom veku môžeme prejsť od odhadovania priemerných účinkov liečby na odhad heterogenity účinkov liečby, pretože môžeme mať oveľa viac účastníkov a o týchto účastníkoch vieme viac. Učenie o heterogenite účinkov liečby môže umožniť zacielenie na liečbu tam, kde je to najefektívnejšie, poskytnúť fakty, ktoré stimulujú nový vývoj teórie a poskytujú náznaky možných mechanizmov, téma, na ktoré sa teraz obrátim.