Bias seleksi sendiri selama percobaan

Misalkan Anda menjalankan eksperimen acak untuk menilai efek , katakanlah beberapa program pelatihan untuk orang-orang yang menganggur, pada , katakanlah kesempatan untuk menemukan pekerjaan di tahun mendatang. Misalkan juga membutuhkan waktu: mungkin berlangsung selama beberapa bulan.$X$$Y$$X$

Karena Anda mengacak, Anda tidak perlu khawatir tentang bias seleksi sendiri pada awalnya. Tetapi selama , beberapa orang mungkin akan menyadari bahwa bermanfaat bagi mereka, dan yang lain mungkin menyadari bahwa mereka membuang-buang waktu mereka.$X$$X$

Akibatnya, orang mungkin berharap bahwa di antara orang-orang yang keluar dari program, ada proporsi agen yang lebih tinggi yang efek pengobatannya akan lebih kecil. Ini mungkin menyebabkan perkiraan efek pengobatan yang berlebihan.

Pertanyaan saya adalah :

• Apakah bias semacam ini dibahas dalam literatur tentang percobaan acak?
• Apakah itu memiliki nama kanonik?
• Apakah peneliti mencoba mengendalikan ini, dan jika ya, bagaimana?

Rupanya ini disebut bias gesekan . Ini sangat mirip dengan bias survivorship . Makalah ini menyarankan untuk mengoreksi menggunakan koreksi Heckman . Pencocokan skor kecenderungan juga dapat sedikit membantu . Pengalaman saya dengan keduanya telah dicampur, tetapi mereka umumnya digunakan. Anda harus mencari tahu pendekatan apa yang paling tepat untuk pengaturan Anda.

Satu edit terakhir: ini dua kertas, yang berbicara tentang bounding efek pengobatan rata-rata, mungkin juga berguna bagi Anda.

Saya pikir makalah ini mungkin berguna bagi Anda. Ini adalah makalah pasar kerja oleh salah satu siswa Heckman di UChicago, bernama Rodrigo Pinto . Makalah ini berjudul "Seleksi Bias dalam Eksperimen Terkendali: Kasus Pindah ke Peluang." Dalam percobaan MTO, mekanisme penetapan voucher dilakukan secara acak tetapi hanya sekitar setengah dari yang menerima voucher yang benar-benar pindah. Ini menciptakan masalah karena analisis yang biasa (efek pengobatan pada perlakuan atau niat untuk diobati) hanya akan memberi tahu kita efek sebab akibat dari menerima voucher. Namun, kami tertarik pada efek kausal dari lingkungan baru, bukan menerima voucher. Dia menunjukkan bagaimana menguraikan parameter perlakuan-pada-yang-diperlakukan yang khas menjadi komponen yang memiliki interpretasi yang tidak ambigu. Yaitu, ia mengisolasi efek kausal dari lingkungan baru.

Hal lain yang dapat Anda lihat adalah "Analisis niat untuk mengobati" . Dari Wikipedia,

Analisis intention-to-treat (ITT) dari hasil percobaan didasarkan pada penugasan pengobatan awal dan bukan pada perawatan yang akhirnya diterima. Analisis ITT dimaksudkan untuk menghindari berbagai artefak menyesatkan yang dapat muncul dalam penelitian intervensi seperti gesekan non-acak peserta dari penelitian atau crossover.

Ini tampaknya sesuai dengan apa yang Anda cari: pengobatan Anda awalnya dilakukan secara acak dan orang-orang keluar secara acak.