Đối với mục đích sư phạm, thực sự tốt hơn nhiều khi nghĩ về ba số lượng:
ITT: Ý định để xử Effect - Hiệu quả của điều trị CHUYỂN NHƯỢNG trên kết quả (đối với tất cả mọi người)
MUỘN: Local trung bình điều trị Effect - Hiệu quả của điều trị không có kết quả CHO compliers
ATE: Trung bình điều trị Effect - Tác dụng điều trị trên kết quả cho tất cả mọi
ITT là đơn giản nhất. Nếu chúng ta chọn ngẫu nhiên một số cá nhân vào điều trị và một số thành đối chứng, chúng ta chắc chắn có thể phục hồi hiệu quả nguyên nhân của việc chuyển thành điều trị. Đó là ITT.
LATE phức tạp hơn một chút, nhưng biện pháp thường được lượm lặt qua các biến công cụ / bình phương tối thiểu hai giai đoạn, v.v ... Giả sử chúng ta không ở trong phòng thí nghiệm, ngay cả khi chúng ta chỉ định một số người điều trị (T = 1) và chỉ định một số để kiểm soát (T = 0), mọi người sẽ làm những gì họ sẽ làm! Một số sẽ điều trị tiếp nhận (D = 1) và một số sẽ không điều trị tiếp nhận (D = 0). Chúng tôi có thể tưởng tượng rằng một số người chỉ sẵn sàng tuân thủ các bài tập của chúng tôi. Chúng tôi có thể muốn biết mọi người trong dữ liệu của chúng tôi là ai - họ có phải là người sẽ làm theo những gì chúng tôi nói, ai sẽ nổi loạn, ai sẽ luôn chiếm lấy, ai sẽ không bao giờ chiếm đoạt? Để biết điều này mà không đưa ra bất kỳ giả định nào, chúng tôi thực sự cần phải biết, đối với mỗi người, họ sẽ làm gì nếu được chỉ định điều trị và họ sẽ làm gì nếu được giao kiểm soát. Hãy tưởng tượng Fred, ví dụ. Trong một vũ trụ, chúng tôi chỉ định điều trị Fred. Anh ấy đưa nó lên! Trong một vũ trụ thay thế, chúng ta giao quyền kiểm soát Fred. Anh ấy không điều trị! Fred đã tuân thủ! Như vậy:
- trình biên dịch là những người sẽ chỉ điều trị khi được chỉ định điều trị và sẽ không chỉ điều trị khi được chỉ định kiểm soát. Họ sẽ tuân thủ nhiệm vụ của chúng tôi.
- Luôn luôn có người điều trị sẽ tiếp nhận điều trị cho dù được chỉ định hay không.
- Không bao giờ người nhận sẽ không điều trị cho dù được chỉ định hay không. Và
- defiers sẽ làm ngược lại với những gì chúng tôi chỉ định họ làm (nghĩa là sẽ không điều trị tiếp nhận nếu được chỉ định điều trị, sẽ điều trị tiếp nhận nếu được chỉ định kiểm soát).
Thật không may, chúng tôi không thể lượm lặt được kiểu người mà mỗi người trong dữ liệu của chúng tôi, thật không may. Chúng ta sống trong một vũ trụ ... nhưng nếu chúng ta đưa ra một giả định (tính đơn điệu), chúng ta có thể sử dụng hành vi THỰC TẾ của mọi người để lượm lặt "loại" của họ. Khi chúng tôi đã thực hiện điều đó, chúng tôi có thể đưa ra một vài giả định (hạn chế loại trừ, ngẫu nhiên hợp lệ, không vi phạm SUTVA đối với D hoặc Y, mức độ phù hợp) để tính toán hiệu quả điều trị trung bình cho NGƯỜI HOÀN THÀNH. Đây là LATE. Nó được gọi là hiệu quả điều trị trung bình "cục bộ" b / c, nó không tính toán hiệu quả điều trị "toàn cầu" (nghĩa là cho tất cả) mà thay vào đó tính toán hiệu quả của điều trị "cục bộ" (ví dụ, đối với một số người, cụ thể là đối với người tuân thủ). Đôi khi, nó còn được gọi là Hiệu ứng điều trị trung bình CATE hoặc trung bình trước đó vì lý do đó.
Bây giờ chúng ta đến ATE huyền thoại! ATE là Hiệu quả điều trị trung bình - hiệu quả điều trị trung bình cho mọi người , bất kể họ là loại người nào. Than ôi! Các giả định của chúng tôi sẽ không cho phép chúng tôi phục hồi ATE! Ngay cả với họ, chúng tôi chỉ có thể phục hồi hiệu quả điều trị cho người khen, hoặc LATE! Cách đơn giản nhất để phục hồi ATE là đảm bảo không có sự không tuân thủ. Sau đó, hiệu quả điều trị trung bình của trình biên dịch của bạn là Hiệu quả điều trị trung bình vì mọi người đều là người khen!
Vì vậy, có bạn có nó!
- ITT - ảnh hưởng của sự NHẬN đối với kết quả.
- LATE - ảnh hưởng của điều trị đến kết quả CHO NGƯỜI HOÀN THÀNH.
- ATE - ảnh hưởng của điều trị đến kết quả cho MỌI THỨ.