5 Alasan Berbeda Mengapa Penting untuk Memasukkan Variabel Pra-Perlakuan Saat Merancang dan Menganalisis Eksperimen Acak (atau Melakukan Studi Kausal) – Beragampengetahuan

Dalam memperkenalkan inferensi kausal dan eksperimen acak, kita mulai dengan kerangka dasar, dengan prediktor pra-perlakuan x, perlakuan z dan hasil y, serta hasil potensial y(z). Ini dari Return dan Cerita Lainnya:

Penyajian kami berbeda dari banyak buku teks lain yang dimulai dengan z dan y dan kemudian menyertakan x.

Jadi pertanyaannya adalah: mengapa memasukkan x merupakan ide yang bagus? Mengapa prediktor (atau prediktor) pra-perlakuan sangat penting dalam praktik dan pemahaman kita tentang inferensi kausal.

Berikut adalah lima alasan untuk memasukkan prediktor pra-perawatan:

1. Menyesuaikan bias dalam desain yang tidak diacak
2. Menyesuaikan ketidakseimbangan acak dalam desain acak (serta ketidakseimbangan non-acak karena pengacakan yang tidak sempurna, kehilangan, dll.)
3. Mengurangi kesalahan standar dari perkiraan efek
4. Periksa ketidakseimbangan dan kurangnya tumpang tindih antara kelompok perlakuan dan kelompok kontrol
5. Generalisasi ke populasi dengan distribusi x berbeda.

Kami menjelaskan lebih lanjut di Bab 19 dan 20 dari Return and Other Stories, tapi saya tidak mengklaim orisinalitas apa pun di sini. Ini adalah pengetahuan umum di kalangan ahli statistik yang mempelajari masalah tersebut. Namun terkadang orang mendengar tentang pengacakan atau strategi identifikasi lainnya, namun mereka tidak menyadari:
– Bahkan jika Anda memiliki kemampuan identifikasi, penyesuaian variabel sebelum perlakuan dapat meningkatkan efisiensi statistik (item 3 di atas) dan kemampuan generalisasi (item 5);
– Jika identifikasi Anda tidak sempurna, penyesuaian variabel pra-perawatan memungkinkan Anda untuk memeriksa (item 4) dan menyesuaikan masalahnya (item 2);
– Dalam kehidupan nyata, sering kali siapa diri Anda tidak seperti yang Anda pikirkan, jadi penting untuk menyesuaikan diri (item 1).

Ada banyak cara untuk melakukan penyesuaian ini: regresi linier, regresi logistik, model non-parametrik, dll. Dalam makalah klasik Jennifer pada tahun 2011, Jennifer menggunakan model non-parametrik untuk menyesuaikan perbedaan antara kelompok perlakuan dan kelompok kontrol secara bersamaan dan menggeneralisasikannya ke populasi, dan dalam beberapa tahun terakhir, banyak pekerjaan telah dilakukan di bidang ini, seperti Athey dan Makalah ini diterbitkan oleh Taruhan pada tahun 2018. Namun, dalam banyak kasus, Anda mungkin beralih dari regresi linier dan logistik sederhana, seperti yang kami lakukan pada tahun 1990 ketika memperkirakan keunggulan jabatan (walaupun kami kemudian kembali ke masalah ini dan melakukan lebih baik dengan menggunakan model pilihan probabilistik).

Demikian pula, jika Anda memiliki satu metode identifikasi, seperti diskontinuitas regresi yang sudah menyertakan prediktor pra-perlakuan, metode lain harus disertakan. Khususnya untuk diskontinuitas regresi, variabel yang menyebabkan diskontinuitas tidak selalu merupakan prediktor hasil yang baik, dan Anda dapat melakukan lebih baik dengan memasukkan skor pretest atau semacamnya.

Sekali lagi, tema umumnya adalah x, z, y. Perlakuan z mempengaruhi hasil y, dan Anda ingin memodelkan perilaku ini berdasarkan karakteristik sebelum perlakuan x.

Kadang-kadang kita menemukan penelitian tanpa variabel pretreatment. Seringkali, hal ini mencerminkan kegagalan dalam pengumpulan data, dimana peneliti terlalu percaya diri dalam mengidentifikasi hubungan sebab akibat dalam desain mereka. Inilah salah satu alasan mengapa penting untuk mempertimbangkan x dalam tahap desain sebelum mengumpulkan dan menganalisis data.

Terkadang tidak ada informasi pra-perawatan yang berguna. Betapa buruknya! Tapi bahkan di sana pun saya pikir itu akan berguna Pikirkan tentang hal ini Variabel sebelum perlakuan dan cara Anda menanganinya – Sekali lagi, meskipun Anda tidak dapat melakukan penugasan acak, sering kali merupakan eksperimen pemikiran yang berguna untuk mempertimbangkan rancangan acak hipotetis (walaupun itu tidak memungkinkan) (“Memaksa beberapa orang untuk merokok dan memaksa yang lain untuk berhenti” dll.), karena hal ini dapat memberikan lebih banyak wawasan tentang proses yang Anda coba modelkan, dampak yang ingin Anda perkirakan, dan populasi skenario yang mungkin terkena dampak tersebut.

ekonomi kreatif, ilmu ekonomi adalah, pelaku ekonomi
, kegiatan ekonomi adalah, sistem ekonomi

#Alasan #Berbeda #Mengapa #Penting #untuk #Memasukkan #Variabel #PraPerlakuan #Saat #Merancang #dan #Menganalisis #Eksperimen #Acak #atau #Melakukan #Studi #Kausal