Смещение самоотбора в ходе экспериментов

Предположим, вы проводите рандомизированный эксперимент, чтобы оценить влияние , скажем, какой-то программы обучения для безработных, на , скажем, шанс найти работу в следующем году. Предположим также, что требует времени: возможно, оно длится несколько месяцев.Y $X$$Y$$X$

Поскольку вы рандомизируете, вам не нужно беспокоиться о предвзятости самоотбора изначально. Но в течение некоторые люди, вероятно, поймут, что полезен для них, а другие могут понять, что они тратят свое время впустую.$X$$X$

В результате можно ожидать, что среди людей, отказавшихся от участия в программе, существует более высокая доля препаратов, для которых эффект лечения был бы меньше. Это может вызвать переоценку эффекта лечения.

Мои вопросы :

• Обсуждается ли этот тип смещения в литературе по рандомизированным экспериментам?
• У него есть каноническое имя?
• Пытается ли исследователь контролировать это, и если да, то как?

По-видимому, это называется смещением истощения . Это очень похоже на уклон выживания . Эта статья предлагает исправить это, используя поправку Хекмана . Сопоставление баллов склонности также может несколько помочь . Мой опыт с обоими был смешанным, но они обычно используются. Вы должны выяснить, какой именно подход наиболее подходит для вашей настройки.

Последнее редактирование: эти две статьи, в которых говорится об ограничении среднего эффекта лечения, также могут быть вам полезны.

Я думаю, что эта статья может быть полезна для вас. Это статья о рынке труда одного из учеников Хекмана из Университета Чикаго по имени Родриго Пинто . Статья называется «Предвзятость выбора в контролируемом эксперименте: случай перехода к возможности». В эксперименте MTO механизм назначения ваучеров был случайным, но только приблизительно половина получивших ваучер фактически переместилась. Это создает проблему, потому что обычный анализ («эффект от лечения» или «намерение лечить») покажет нам только причинный эффект получения ваучера. Тем не менее, мы заинтересованы в причинном эффекте нового соседства, а не в получении ваучера. Он показывает, как разложить типичный параметр лечения на лечение на компоненты, которые имеют однозначные интерпретации. А именно, он выделяет причинный эффект нового соседства.

Еще одна вещь, на которую вы можете посмотреть, это «Анализ намерения лечить» . Из Википедии,

Анализ намерений (ITT) результатов эксперимента основан на первоначальном назначении лечения, а не на конечном лечении, полученном в итоге. Анализ ITT предназначен для того, чтобы избежать различных вводящих в заблуждение артефактов, которые могут возникнуть в интервенционных исследованиях, таких как неслучайное истощение участников исследования или кроссовера.

Похоже, это соответствует тому, что вы искали: ваше лечение изначально рандомизировано, а люди выбывают неслучайно.