Selbstauswahlbias im Verlauf der Experimente

Angenommen, Sie führen ein randomisiertes Experiment durch, um die Auswirkungen von zu bewerten. Sagen wir, ein Schulungsprogramm für Arbeitslose auf Y , sagen wir, die Chance, im kommenden Jahr einen Job zu finden. Angenommen, X braucht Zeit: Vielleicht dauert es mehrere Monate.$X$$Y$$X$

Da Sie randomisieren, müssen Sie sich zunächst keine Gedanken über die Selbstauswahl machen. Aber im Verlauf von werden einige Leute wahrscheinlich erkennen, dass X für sie von Vorteil ist, und andere werden möglicherweise erkennen, dass sie ihre Zeit verschwenden.$X$$X$

Infolgedessen könnte man erwarten, dass es unter Menschen, die aus dem Programm aussteigen, einen höheren Anteil an Wirkstoffen gibt, bei denen der Behandlungseffekt geringer gewesen wäre. Dies kann zu einer Überschätzung des Behandlungseffekts führen.

Meine Fragen sind :

• Wird diese Art von Verzerrung in der Literatur zu randomisierten Experimenten diskutiert?
• Hat es einen kanonischen Namen?
• Versuchen Forscher, dies zu kontrollieren, und wenn ja, wie?

Anscheinend wird dies als Abnutzungsverzerrung bezeichnet . Es ist sehr ähnlich zu Überlebensbias . In diesem Artikel wird vorgeschlagen , dies mithilfe der Heckman-Korrektur zu korrigieren . Propensity Score Matching kann auch etwas helfen . Meine Erfahrungen mit beiden sind gemischt, aber sie werden häufig verwendet. Sie sollten herausfinden, welcher genaue Ansatz für Ihre Einstellung am besten geeignet ist.

Eine letzte Änderung: Diese beiden Artikel, in denen es darum geht, den durchschnittlichen Behandlungseffekt zu begrenzen, können auch für Sie von Nutzen sein.

Ich denke, dieses Papier könnte für Sie nützlich sein. Es ist eine Arbeitsmarktzeitung von einem von Heckmans Studenten an der UChicago, Rodrigo Pinto . Das Papier trägt den Titel "Selektionsverzerrung in einem kontrollierten Experiment: Der Fall des Übergangs zur Gelegenheit". Im MTO-Experiment war der Zuweisungsmechanismus für Gutscheine zufällig, aber nur ungefähr die Hälfte derjenigen, die den Gutschein erhalten hatten, bewegten sich tatsächlich. Dies schafft ein Problem, da die übliche Analyse (Behandlungseffekt auf den Behandelten oder Behandlungsabsicht) nur den kausalen Effekt des Erhalts eines Gutscheins aufzeigt. Wir sind jedoch an der kausalen Wirkung der neuen Nachbarschaft interessiert, nicht am Erhalt des Gutscheins. Er zeigt, wie man den typischen Parameter Behandlung-auf-Behandlung in Komponenten zerlegt, die eindeutig interpretiert werden. Er isoliert nämlich die kausale Wirkung der neuen Nachbarschaft.

Eine andere Sache, die Sie sich ansehen können, ist "Intention-to-Treat-Analyse" . Aus Wikipedia,

Eine Intention-to-Treat-Analyse (ITT) der Ergebnisse eines Experiments basiert auf der anfänglichen Behandlungszuordnung und nicht auf der eventuell erhaltenen Behandlung. Die ITT-Analyse soll verschiedene irreführende Artefakte vermeiden, die in der Interventionsforschung auftreten können, wie z. B. nicht zufällige Abnutzung von Teilnehmern aus der Studie oder Crossover.

Dies scheint mit dem übereinzustimmen, wonach Sie gesucht haben: Ihre Behandlung wird anfangs randomisiert und die Patienten brechen nicht zufällig ab.