Błąd selekcji w trakcie eksperymentów

Załóżmy, że przeprowadzasz randomizowany eksperyment, aby ocenić efekt , powiedz, że jakiś program szkoleniowy dla bezrobotnych, na Y , powiedz o szansie znalezienia pracy w nadchodzącym roku. Załóżmy również, że X wymaga czasu: może trwa kilka miesięcy.$X$$Y$$X$

Ponieważ jesteś losowy, nie musisz początkowo martwić się uprzedzeniami z samoselekcji. Ale w trakcie niektórzy ludzie prawdopodobnie zdadzą sobie sprawę, że X jest dla nich korzystny, a inni mogą zdać sobie sprawę, że marnują swój czas.$X$$X$

W rezultacie można oczekiwać, że wśród osób, które rezygnują z programu, jest wyższy odsetek środków, dla których efekt leczenia byłby mniejszy. Może to spowodować przeszacowanie efektu leczenia.

Moje pytania to :

• Czy tego rodzaju stronniczość omawia się w literaturze na temat eksperymentów losowych?
• Czy ma kanoniczną nazwę?
• Czy badacz próbuje to kontrolować, a jeśli tak, to w jaki sposób?

Najwyraźniej nazywa się to stronniczością wycierającą . Jest to bardzo podobne do nastawienia na przetrwanie . Ten artykuł sugeruje poprawienie go za pomocą korekcji Heckmana . Skłonność wynik dopasowanie może również pomóc trochę . Moje doświadczenia z obydwoma są mieszane, ale są powszechnie używane. Powinieneś dowiedzieć się, jakie dokładne podejście jest najbardziej odpowiednie dla twojego ustawienia.

Ostatnia edycja: te dwa artykuły, które mówią o ograniczeniu średniego efektu leczenia, również mogą ci się przydać.

Myślę, że ten artykuł może ci się przydać. Jest to dokument rynku pracy autorstwa jednego z uczniów Heckmana z UChicago, o nazwisku Rodrigo Pinto . Artykuł zatytułowany jest „Błąd nastawienia w kontrolowanym eksperymencie: przypadek przejścia do możliwości”. W eksperymencie MTO mechanizm przypisywania kuponów był losowy, ale tylko około połowa, która otrzymała kupon, faktycznie się poruszyła. Stwarza to problem, ponieważ zwykła analiza (wpływ na leczenie na leczonego lub zamiar leczenia) pokaże nam jedynie przyczynowo-skutkowy efekt otrzymania kuponu. Interesuje nas jednak przyczynowy efekt nowej dzielnicy, a nie otrzymanie kuponu. Pokazuje, jak rozłożyć typowy parametr „leczenie na leczony” na składniki o jednoznacznej interpretacji. Mianowicie izoluje przyczynowo-skutkowy efekt nowej dzielnicy.

Inną rzeczą, na którą możesz spojrzeć, jest „analiza zgodna z leczeniem” . Z Wikipedii

Analiza zamiaru leczenia (ITT) wyników eksperymentu opiera się na początkowym przypisaniu leczenia, a nie na ostatecznie otrzymanym leczeniu. Analiza ITT ma na celu uniknięcie różnych wprowadzających w błąd artefaktów, które mogą powstać w badaniach interwencyjnych, takich jak nieprzypadkowe zużycie uczestników badania lub crossover.

Wygląda na to, że pasuje do tego, czego szukałeś: twoje leczenie jest początkowo randomizowane, a ludzie wypadają nieprzypadkowo.