Viés de auto-seleção durante o curso dos experimentos

Suponha que você esteja realizando um experimento aleatório para avaliar o efeito de , digamos que algum programa de treinamento para pessoas desempregadas, em Y , diga a chance de encontrar um emprego no próximo ano. Suponha também que X leve tempo: talvez dure vários meses.$X$$Y$$X$

Como você seleciona aleatoriamente, não precisa se preocupar inicialmente com o viés de auto-seleção. Mas durante o curso de , algumas pessoas provavelmente perceberão que X é benéfico para elas e outras poderão perceber que estão perdendo tempo.$X$$X$

Como resultado, pode-se esperar que entre as pessoas que abandonam o programa, haja uma proporção maior de agentes para os quais o efeito do tratamento teria sido menor. Isso pode induzir uma superestimação do efeito do tratamento.

Minhas perguntas são :

• Esse tipo de viés é discutido na literatura em experimentos randomizados?
• Tem um nome canônico?
• O pesquisador tenta controlar isso e, se sim, como?

Aparentemente, isso é chamado de viés de atrito . É muito semelhante ao viés de sobrevivência . Este artigo sugere a correção usando a correção de Heckman . A correspondência de propensão também pode ajudar um pouco . Minha experiência com os dois foi mista, mas eles são comumente usados. Você deve descobrir qual abordagem exata é a mais apropriada para sua configuração.

Uma última edição: esses dois artigos, que falam sobre limitar o efeito médio do tratamento, também podem ser úteis para você.

Acho que este artigo pode ser útil para você. É um documento do mercado de trabalho de um dos estudantes de Heckman na UChicago, chamado Rodrigo Pinto . O artigo é intitulado "Viés de seleção em uma experiência controlada: o caso de mudar para a oportunidade". No experimento MTO, o mecanismo de atribuição de comprovante foi aleatório, mas apenas metade dos que receberam o comprovante acabou se movendo. Isso cria um problema porque a análise usual (efeito do tratamento no tratamento ou intenção de tratar) apenas nos diz o efeito causal de receber um voucher. No entanto, estamos interessados ​​no efeito causal do novo bairro, e não no recebimento do voucher. Ele mostra como decompor o parâmetro típico de tratamento com tratamento em componentes que têm interpretações inequívocas. Ou seja, ele isola o efeito causal do novo bairro.

Outra coisa que você pode ver é "Análise de intenção de tratar" . Na Wikipedia,

Uma análise de intenção de tratar (ITT) dos resultados de um experimento baseia-se na atribuição inicial de tratamento e não no tratamento eventualmente recebido. A análise ITT tem como objetivo evitar vários artefatos enganosos que podem surgir na pesquisa de intervenção, como atrito não aleatório dos participantes do estudo ou cruzamento.

Isso parece coincidir com o que você estava procurando: seu tratamento é randomizado inicialmente e as pessoas abandonam não aleatoriamente.