शैक्षणिक उद्देश्यों के लिए, वास्तव में तीन मात्राओं के बारे में सोचना बेहतर है:
ITT: उपचार के प्रभाव का इरादा - परिणाम पर उपचार का प्रभाव (हर किसी के लिए)
LATE: स्थानीय औसत उपचार प्रभाव - उपचार का कोई परिणाम नहीं COMPLIERS के लिए
ATE: औसत उपचार प्रभाव - हर किसी के लिए परिणाम पर उपचार का प्रभाव
ITT सबसे सीधा है। यदि हम कुछ व्यक्तियों को उपचार में और कुछ को नियंत्रण में रखते हैं, तो हम निश्चित रूप से उपचार में असाइनमेंट के कारण को ठीक कर सकते हैं । वह आईटीटी है।
लेट थोड़ा अधिक जटिल है, लेकिन माप सबसे अधिक बार वाद्य चर / दो चरण कम से कम वर्गों के माध्यम से चमकता है, आदि मान लें कि हम एक प्रयोगशाला सेटिंग में नहीं हैं, भले ही हम कुछ लोगों को उपचार (टी = 1) और असाइन करें कुछ को नियंत्रित करने के लिए (टी = 0), लोग वही करेंगे जो वे करेंगे! कुछ उपचार ले लेंगे (D = 1) और कुछ उपचार नहीं करेंगे (D = 0)। हम सोच सकते हैं कि कुछ लोग हमारे कामों का पालन करने के लिए तैयार हैं। हम जानना चाह सकते हैं कि हमारे डेटा में हर कोई किस तरह का व्यक्ति है - क्या वे उस प्रकार के व्यक्ति हैं जो हम जो कहेंगे वह करेंगे, जो विद्रोह करेगा, जो हमेशा टेकअप करेगा, जो कभी टेकअप नहीं करेगा? बिना किसी धारणा के इसे जानने के लिए, हमें वास्तव में प्रत्येक व्यक्ति के लिए, यदि वे उपचार के लिए सौंपे गए हैं और नियंत्रण करने के लिए उन्हें क्या करना है, तो उन्हें क्या करना होगा। उदाहरण के लिए, फ्रेड की कल्पना करते हैं। एक ब्रह्मांड में, हम फ्रेड उपचार प्रदान करते हैं। वह इसे उठा लेता है! एक वैकल्पिक ब्रह्मांड में, हम फ्रेड नियंत्रण प्रदान करते हैं। वह उपचार नहीं करता है! फ्रेड ने अनुपालन किया है! इस प्रकार:
- कंप्लायर्स वो होते हैं जो ट्रीटमेंट के लिए असाइन किए जाने पर ही ट्रीटमेंट लेते हैं, और अगर कंट्रोल करने के लिए असाइन किया गया हो तो ट्रीटमेंट नहीं लेंगे। वे हमारे काम का अनुपालन करेंगे।
- हमेशा लेने वाले उपचार लेते हैं कि उसे सौंपा जाए या नहीं।
- कभी लेने वाले उपचार नहीं करेंगे कि क्या इसे सौंपा गया है या नहीं। तथा
- डिफायर हम जो करने के लिए उन्हें असाइन करते हैं उसके विपरीत करते हैं (यदि नियत उपचार नहीं किया जाता है, तो नियत नियंत्रण होने पर उपचार लेना होगा)।
हम वास्तव में हमारे डेटा में प्रत्येक व्यक्ति के प्रकार को चमका सकते हैं, दुर्भाग्य से। हम एक ब्रह्मांड में रहते हैं ... लेकिन अगर हम एक धारणा (एकरूपता) बनाते हैं तो हम लोगों को उनके "प्रकार" को चमकाने के लिए वास्तविक व्यवहार का उपयोग कर सकते हैं। एक बार जब हम ऐसा कर लेते हैं, तो हम COMPLIERS के उपचार के औसत प्रभाव की गणना करने के लिए कुछ और धारणाएँ (बहिष्करण प्रतिबंध, वैध यादृच्छिकरण, D या Y, प्रासंगिकता पर कोई SUTVA उल्लंघन) नहीं कर सकते हैं। यह LATE है। इसे "स्थानीय" औसत उपचार प्रभाव b / c कहा जाता है, यह उपचार के प्रभाव की गणना "विश्व स्तर पर" (अर्थात सभी के लिए) नहीं करता है, बल्कि उपचार के प्रभाव की गणना "स्थानीय रूप से" करता है (यानी कुछ के लिए, विशेष रूप से, संकलनकर्ताओं के लिए)। इसे कभी-कभी CATE या कंप्लियर एवरेज ट्रीटमेंट इफेक्ट भी कहा जाता है।
अब हम पौराणिक एटीई के पास जाते हैं! एटीई औसत उपचार प्रभाव है - हर किसी के लिए उपचार का औसत प्रभाव , चाहे वे किस प्रकार के व्यक्ति हों। अफसोस! हमारी धारणाएँ हमें ATE को उबरने की अनुमति नहीं देंगी! यहां तक कि उनके साथ, हम केवल संकलनकर्ताओं, या LATE के लिए उपचार प्रभाव को पुनर्प्राप्त कर सकते हैं! ATE को पुनर्प्राप्त करने का सबसे सीधा तरीका यह सुनिश्चित करना है कि कोई गैर-अनुपालन न हो। तब आपका औसत औसत उपचार प्रभाव औसत उपचार प्रभाव होता है क्योंकि हर कोई एक अच्छा इलाज है!
इसलिए यह अब आपके पास है!
- आईटीटी - परिणाम पर सहायता का प्रभाव।
- LATE - COMPLIERS के परिणाम पर उपचार का प्रभाव।
- एटीई - हर किसी के लिए परिणाम पर उपचार का प्रभाव।