実験中の自己選択バイアス

の効果を評価するために無作為化実験を実行しているとします。たとえば、失業者のためのトレーニングプログラムをYに、来年に就職するチャンスを評価します。また、Xに時間がかかると仮定します。たぶん数ヶ月続くでしょう。$X$$Y$$X$

ランダム化するため、最初は自己選択バイアスを心配する必要はありません。しかし、の過程で、一部の人々は、Xが彼らにとって有益であることをおそらく認識するでしょうし、他の人々は彼らが時間を浪費していることに気づくかもしれません。$X$$X$

その結果、プログラムから脱落した人々の中で、治療効果がより小さかったであろう薬剤の割合がより高いことが予想されるかもしれません。これは、治療効果の過大評価を引き起こす可能性があります。

私の質問は：

• この種のバイアスは、ランダム化実験に関する文献で議論されていますか？
• 正式な名前はありますか？
• 研究者はこれを制御しようとしますか？

どうやらこれは消耗バイアスと呼ばれています。これは、生存バイアスと非常によく似ています。このペーパーでは、ヘックマン補正を使用してそれを補正することを提案しています。傾向スコアのマッチングも多少役立つことがあります。私の両方の経験はまちまちですが、一般的に使用されています。設定に最も正確なアプローチがどのようなものかを理解する必要があります。

最後の編集： 平均的な治療効果の限界について述べているこれらの 2つの論文は、あなたにも役立つかもしれません。

この論文はあなたの役に立つかもしれません。これはUChicagoのHeckmanの学生の一人、Rodrigo Pintoという名前の雇用市場の論文です。この論文のタイトルは、「制御された実験における選択バイアス：機会への移行の事例」です。 MTO実験では、バウチャーの割り当てメカニズムはランダムでしたが、バウチャーを受け取った約半分のみが実際に移動しました。通常の分析（治療時の治療効果または治療意図）は、バウチャーを受け取ることの因果関係のみを伝えるため、これは問題を引き起こします。ただし、私たちはクーポンを受け取ることではなく、新しい地区の因果関係に関心があります。彼は、治療中の典型的な治療パラメータを明確な解釈を持つコンポーネントに分解する方法を示します。つまり、彼は新しい近所の因果関係を分離します。

あなたが見ることができるもう一つは「治療意図分析」です。ウィキペディアから、

実験結果の治療意図（ITT）分析は、最終的に受けた治療ではなく、初期治療の割り当てに基づいています。ITT分析は、介入研究で発生する可能性のあるさまざまな誤解を招くアーティファクト（研究またはクロスオーバーからの参加者の非ランダムな減少など）を回避することを目的としています。

これはあなたが探していたものと一致しているように見えます。あなたの治療は最初に無作為化され、人々は非無作為に脱落します。