Distorsione di auto-selezione nel corso degli esperimenti

Supponiamo che tu stia eseguendo un esperimento randomizzato per valutare l'effetto di , per esempio un programma di formazione per disoccupati, su , per esempio la possibilità di trovare un lavoro nel prossimo anno. Supponiamo anche che richieda tempo: forse dura diversi mesi.$X$$Y$$X$

Poiché si esegue la randomizzazione, inizialmente non è necessario preoccuparsi della distorsione da auto-selezione. Ma nel corso di , alcune persone probabilmente si renderanno conto che è benefico per loro, e altri potrebbero rendersi conto che stanno sprecando il loro tempo.$X$$X$

Di conseguenza, ci si potrebbe aspettare che tra le persone che abbandonano il programma, vi sia una proporzione più elevata di agenti per i quali l'effetto del trattamento sarebbe stato inferiore. Ciò potrebbe indurre una sopravvalutazione dell'effetto del trattamento.

Le mie domande sono :

• Questo tipo di pregiudizio è discusso in letteratura sugli esperimenti randomizzati?
• Ha un nome canonico?
• I ricercatori cercano di controllare questo, e se sì, come?

Apparentemente questo si chiama distorsione da logoramento . È molto simile al pregiudizio per la sopravvivenza . Questo documento suggerisce di correggerlo usando la correzione di Heckman . Anche la corrispondenza del punteggio di propensione può essere utile . La mia esperienza con entrambi è stata mista, ma sono comunemente usate. Dovresti capire quale approccio esatto è più appropriato per la tua impostazione.

Un'ultima modifica: questi due articoli, che parlano di limitare l'effetto del trattamento medio, potrebbero anche esserti utili.

Penso che questo documento possa esserti utile. È un articolo sul mercato del lavoro di uno degli studenti di Heckman alla UChicago, di nome Rodrigo Pinto . L'articolo è intitolato "La distorsione della selezione in un esperimento controllato: il caso del passaggio all'opportunità". Nell'esperimento MTO, il meccanismo di assegnazione del voucher era casuale ma solo circa la metà che ha ricevuto il voucher ha finito per muoversi. Questo crea un problema perché la consueta analisi (effetto del trattamento sul trattamento o intento del trattamento) ci dirà solo l'effetto causale della ricezione di un buono. Tuttavia, siamo interessati all'effetto causale del nuovo quartiere, non alla ricezione del voucher. Illustra come scomporre il tipico parametro trattamento-su-trattato in componenti che hanno interpretazioni inequivocabili. Vale a dire, isola l'effetto causale del nuovo quartiere.

Un'altra cosa che puoi guardare è "Analisi intenzionale da trattare" . Da Wikipedia,

Un'analisi dell'intenzione di trattamento (ITT) dei risultati di un esperimento si basa sull'assegnazione del trattamento iniziale e non sul trattamento eventualmente ricevuto. L'analisi ITT ha lo scopo di evitare vari artefatti fuorvianti che possono sorgere nella ricerca di intervento come l'attrito non casuale dei partecipanti dallo studio o il crossover.

Questo sembra corrispondere a quello che stavi cercando: il trattamento è inizialmente randomizzato e le persone abbandonano in modo non casuale.