Experiments masukat ang kung ano ang nangyari. Mekanismo ipaliwanag kung bakit at kung paano ito nangyari.
Ang ikatlong pangunahing ideya para sa paglipat ng lampas sa simpleng mga eksperimento ay mekanismo. Mekanismo sabihin sa amin kung bakit o kung paano ang isang paggamot na sanhi ng isang epekto. Ang proseso ng paghahanap para sa mga mekanismo ay din minsan na tinatawag na naghahanap para sa mga pumapagitang mga variable o mediating variable. Kahit mga eksperimento ang mga magandang para sa pagtantya pananahilan epekto, sila ay madalas na hindi na dinisenyo upang ipakita ang mga mekanismo. Digital edad eksperimento ay maaaring makatulong sa amin na makilala mekanismo sa dalawang paraan: 1) sila paganahin sa amin upang mangolekta ng higit pang data proseso at 2) sila paganahin sa amin upang subukan ang maraming mga kaugnay na paggamot.
Dahil mekanismo ay mahirap hawakan upang tukuyin pormal (Hedström and Ylikoski 2010) , ako pagpunta sa magsimula sa isang simpleng halimbawa: apog at kasumpa-sumpa (Gerber and Green 2012) . Sa ika-18 siglo doktor ay nagkaroon ng isang pretty mabuting pag-iisip na kapag sailors ate apog hindi nila makuha kasumpa-sumpa. Kasumpa-sumpa ay isang kahila-hilakbot na sakit kaya ito ay malakas na impormasyon. Subalit, ang mga doktor ay hindi alam kung bakit apog pumigil kasumpa-sumpa. Ito ay hindi hanggang 1932, halos 200 taon mamaya, na ang mga siyentipiko ay maaaring mapagkakatiwlaan ipakita na bitamina C ay ang dahilan na dayap pumigil kasumpa-sumpa (Carpenter 1988, p 191) . Sa kasong ito, bitamina C ay ang mekanismo sa pamamagitan ng na apog maiwasan kasumpa-sumpa (Figure 4.9). Of course, sa pagkikilala ng mga mekanismo ay napakahalaga scientifically-lots ng agham ay tungkol sa unawa kung bakit bagay na mangyayari. Ang pagkilala sa mga mekanismo ay napakahalaga sa kapaki-pakinabang. Kapag naiintindihan namin kung bakit ang isang paggamot na gumagana, maaari naming potensyal bumuo ng mga bagong paggamot na gumagana mas mahusay.
Sa kasamaang palad, isolating mekanismo ay mahirap. Hindi tulad ng apog at kasumpa-sumpa, sa maraming mga social setting, paggamot marahil gumana sa pamamagitan ng maraming mga interrelated pathways, na gumagawa ng paghihiwalay ng mga mekanismo lubhang mahirap. Gayunman, sa kaso ng mga social norms at enerhiya gamitin, mga mananaliksik ay may tried upang ihiwalay mekanismo sa pamamagitan ng pagkolekta ng data na proseso at pagsubok na may kaugnayan treatment.
Ang isang paraan upang subukan ang mga posibleng mekanismo ay sa pamamagitan ng pagkolekta ng proseso ng data tungkol sa kung paano sa paggamot epekto posibleng mekanismo. Halimbawa, isipin ang na Allcott (2011) ay nagpakita na ang Home Energy Ulat sanhi mga tao upang mas mababa ang kanilang paggamit ng koryente. Ngunit, paano ang mga ulat na mas mababang paggamit ng kuryente? Ano ang mga mekanismo? Sa isang follow-up na pag-aaral, Allcott and Rogers (2014) nakipagsosyo sa isang kapangyarihan kumpanya na, sa pamamagitan ng isang rebate program, ay nakuha impormasyon sa kung aling mga mamimili upgrade ang kanilang appliances sa mas maraming enerhiya mahusay na mga modelo. Allcott and Rogers (2014) natagpuan na bahagyang higit pa mga taong tumatanggap sa Home Energy Ulat upgrade ang kanilang appliances. Ngunit, ang pagkakaiba na ito ay kaya maliit na ito ay maaaring lamang na account para sa 2% ng pagbawas sa paggamit ng enerhiya sa itinuturing na kabahayan. Sa ibang salita, appliance mga upgrade ay hindi ang nangingibabaw mekanismo sa pamamagitan ng kung saan ang Home Energy Report nabawasan koryente consumption.
Ang ikalawang paraan upang mag-aral mekanismo ay upang magpatakbo ng mga eksperimento na may bahagyang iba't ibang mga bersyon ng paggamot. Halimbawa, sa eksperimento ng Schultz et al. (2007) at ang lahat ng mga kasunod na Home Energy Isumbong mga eksperimento, mga kalahok ay binibigyan ng isang paggamot na may dalawang pangunahing mga bahagi 1) mga tip tungkol sa pagtitipid ng enerhiya at 2) impormasyon tungkol sa kanilang paggamit ng enerhiya na may kaugnayan sa kanilang mga kapantay (Figure 4.6). Kaya, ito ay posible na ang enerhiya nagse-save tip ay kung ano ang sanhi ng pagbabago, hindi ang peer impormasyon. Upang masuri ang posibilidad na ang mga tip na nag-iisa ay maaaring may been sapat, Ferraro, Miranda, and Price (2011) nakipagsosyo sa isang kumpanya ng tubig na malapit sa Atlanta, GA, at nagpatakbo ng isang kaugnay na eksperimento sa pagtitipid ng tubig na kinasasangkutan tungkol sa 100,000 na kabahayan. Mayroong apat na kondisyon:
Ang mga mananaliksik natagpuan na ang mga tip tanging paggamot ay walang epekto sa paggamit ng tubig sa maikling (isang taon), medium (dalawang taon), at ang haba (tatlong taon) term. Ang mga tip + treatment apila dulot kalahok upang bawasan ang paggamit ng tubig, ngunit lamang sa short-term. Sa wakas, ang mga tip + apila + peer impormasyon paggamot sanhi nabawasan paggamit sa maikling, katamtaman, at long term (Figure 4.10). Ang mga uri ng mga eksperimento na may unbundled paggamot ay isang mahusay na paraan upang malaman kung aling bahagi ng paggamot-o kung aling mga bahagi ng magkasama-ay ang mga na ay nagiging sanhi ng ang epekto (Gerber and Green 2012, Sec. 10.6) . Halimbawa, ang eksperimento ng Ferraro at kasamahan nagpapakita sa amin na tubig pag-save tips mag-isa ay hindi sapat upang bawasan ang paggamit ng tubig.
Sa isip, ang isa ay ilipat sa kabila ng layering ng mga bahagi (mga tip; tips + apila; tips + apila + peer impormasyon) sa isang buong disenyong factorial-din minsan ay tinatawag na isang \ (2 ^ k \) factorial disenyo-kung saan ang bawat posibleng kumbinasyon ng tatlong elemento ay nasubok (Table 4.1). Sa pamamagitan ng pagsubok sa lahat ng posibleng mga kumbinasyon ng mga sangkap, ang mga mananaliksik ay maaaring ganap na tasahin ang epekto ng bawat bahagi sa paghihiwalay at sa kumbinasyon. Halimbawa, ang eksperimento ng Ferraro at kasamahan ay hindi nagbubunyag kung peer paghahambing alone maaaring naging sapat upang humantong sa matagal na kataga ng mga pagbabago sa pag-uugali. Sa nakaraan, ang mga full factorial na disenyo ay mahirap na tumakbo dahil sila ay nangangailangan ng isang malaking bilang ng mga kalahok at nangangailangan ang mga iyon sa mga mananaliksik upang ma-tiyak na kontrol at maghatid ng isang malaking bilang ng mga treatment. Subalit, ang mga digital na edad nagtanggal mga logistical limitasyon sa ilang mga sitwasyon.
paggamot | Mga katangian |
---|---|
1 | kontrol |
2 | tips |
3 | panawagan |
4 | peer impormasyon |
5 | tips + apila |
6 | tips + impormasyon peer |
7 | apila + peer impormasyon |
8 | tips + apila + peer impormasyon |
Sa buod, mekanismo-the pathways sa pamamagitan ng na ang isang paggamot ay may epekto-ay incredibly mahalaga. Digital edad eksperimento ay maaaring makatulong sa mga mananaliksik malaman ang tungkol sa mga mekanismo sa pamamagitan ng 1) pagkolekta ng proseso ng data at 2) pag-enable full factorial na disenyo. Ang mekanismo na iminungkahi ng mga approach na ito ay maaaring pagkatapos ay sa pamamagitan nasubok direkta sa mga eksperimento na dinisenyo upang subukan ang mekanismo (Ludwig, Kling, and Mullainathan 2011; Imai, Tingley, and Yamamoto 2013; Pirlott and MacKinnon 2016) .
Sa kabuuan, ang tatlong concepts-bisa; heterogeneity ng mga epekto paggamot; at mga mekanismo-magbigay ng isang malakas na hanay ng mga ideya para sa pagdisenyo at pagbibigay-kahulugan mga eksperimento. Ang mga konsepto tulong mananaliksik ilipat na lampas sa simpleng mga eksperimento tungkol sa kung ano "mga gawa" upang richer mga eksperimento na may tighter link sa teorya, na magbunyag ng kung saan at kung bakit paggamot sa trabaho, at maaaring kahit na makatulong sa mga mananaliksik magdisenyo mas mabisang paggamot. Given na ito haka-haka na background tungkol sa mga eksperimento, kukunin ko na ngayon turn sa kung paano maaari mong tunay na gumawa ng iyong mga eksperimento mangyari.