Behandelingseffecten definiëren en meten

De voorwaarde behandelingseffect wordt gedefinieerd als het gemiddelde causale effect van een variabele op een uitkomstvariabele die van wetenschappelijk of economisch belang is. De term kreeg voor het eerst grip op het gebied van medisch onderzoek waar zijn oorsprong is. Sinds het begin is de term verbreed en is deze algemener gebruikt als in economisch onderzoek.

Behandelingseffecten in economisch onderzoek

Misschien is een van de bekendste voorbeelden van onderzoek naar behandelingseffecten in de economie dat van een trainingsprogramma of een voortgezette opleiding. Op het laagste niveau zijn economen geïnteresseerd geweest in het vergelijken van de inkomsten of lonen van twee primaire groepen: één die heeft deelgenomen aan het trainingsprogramma en één die dat niet heeft gedaan. Een empirisch onderzoek naar behandelingseffecten begint meestal met dit soort eenvoudige vergelijkingen. Maar in de praktijk hebben dergelijke vergelijkingen het grote potentieel om onderzoekers tot misleidende conclusies van causale effecten te leiden, wat ons bij het primaire probleem in onderzoek naar behandeleffecten brengt.

Klassieke behandelingseffecten Problemen en selectiebias

In de taal van wetenschappelijke experimenten is een behandeling iets dat een persoon wordt aangedaan en dat een effect kan hebben. Bij afwezigheid van gerandomiseerde, gecontroleerde experimenten kan het effect van een "behandeling" zoals een universitaire opleiding of een beroepstraining op het inkomen worden vertroebeld door het feit dat de persoon de te behandelen keuze heeft gemaakt. Dit staat in de wetenschappelijke onderzoeksgemeenschap bekend als selectiebias en het is een van de belangrijkste problemen bij de schatting van behandelingseffecten.

Het probleem van selectiebias komt in wezen neer op de kans dat "behandelde" personen om andere redenen dan de behandeling zelf van "niet-behandelde" personen kunnen verschillen. Als zodanig zouden de resultaten van een dergelijke behandeling in feite een gecombineerd resultaat zijn van de neiging van de persoon om de behandeling en de effecten van de behandeling zelf te kiezen. Het ware effect van de behandeling meten terwijl de effecten van selectiebias worden onderzocht, is het klassieke probleem van de behandelingseffecten.

Hoe economen omgaan met selectiebias

Om echte behandelingseffecten te meten, hebben economen bepaalde methoden tot hun beschikking. Een standaardmethode is om de uitkomst van andere voorspellers die niet in de tijd variëren en van het feit of de persoon de behandeling heeft gebruikt, te regresseren. Met behulp van het vorige "editie-behandelingsvoorbeeld" dat hierboven is geïntroduceerd, kan een econoom een ​​regressie van lonen toepassen, niet alleen op opleidingsjaren, maar ook op testscores bedoeld om vaardigheden of motivatie te meten. De onderzoeker kan tot de ontdekking komen dat zowel het studiejaar als de testscores positief zijn gecorreleerd met de daaropvolgende lonen, dus bij het interpreteren van de bevindingen is de coëfficiënt die is gevonden in het studiejaar gedeeltelijk gereinigd van de factoren die voorspellen welke mensen zouden hebben gekozen meer onderwijs.

Voortbouwend op het gebruik van regressies in onderzoek naar behandelingseffecten, kunnen economen zich wenden tot wat bekend staat als het potentiële uitkomstenkader, dat oorspronkelijk werd geïntroduceerd door statistici. Potentiële uitkomstmodellen gebruiken in wezen dezelfde methoden als schakelende regressiemodellen, maar potentiële uitkomstmodellen zijn niet gebonden aan een lineair regressiekader zoals schakelende regressies. Een meer geavanceerde methode op basis van deze modelleringstechnieken is de tweestaps Heckman.