[SCRÂȘIT]
[FOȘTIT]
[CLIC]
ESTHER DUFLO: Deci, unde am
lăsat ultima oară, am
găsit o
justificare teoretică a motivului
pentru care oamenii ar
putea să vă spună
cine
sunt oamenii influenți dintr-o rețea,
chiar dacă nu au idee  într-adevăr
de forma rețelei.
Pur și simplu pentru că se
întâmplă că
există o legătură naturală între de
câte ori auzim
despre cineva și capacitatea
din orice mesaj care provine
de la acea persoană de a
ajunge la o mulțime de oameni.
Deci, deși
nu este același obiect,
ele sunt legate și potenţial
destul de strâns legate
dacă sunt -- odată ce
începem să ne uităm la procesele
care continuă mult timp.
Deci, cu cât mai repede, acum, să
punem asta într-un context
de gândire la imunizare.
Deci asta a fost de fapt doar
a doua oară când am testat-o.  Am
testat această idee
de imunizare într-
un proiect la scară largă
întreprins în colaborare
cu guvernul
din Haryana din India.
Și obiectivul a fost
creșterea imunizării
într-un context în care
rata de imunizare a fost scăzută
și cererea destul de bună.
Aprovizionarea a fost destul de bună.  Au
investit într-o mulțime de
infrastructură pentru a face totul mai ușor.
Revenind la punctul pe care l-ați
spus despre Chile, pentru a le
ușura oamenilor să plece.
Și totuși, s-a blocat la
rata de imunizare completă
în anii 40,
conform raportului
părinților, care
probabil sunt oricum supraestimați.
Deci, ceea ce aveam în
mâinile noastre a fost acest lucru
pe care poate bârfele
ar funcționa, precum și
experimentul anterior
pe care
v-am arătat deja despre impactul
micilor stimulente
asupra imunizării.
Și așa am decis că putem
pune cele două lucruri împreună,
precum și o a treia intervenție,
care este foarte frecventă.
Și, probabil, chiar și
pentru propria ta sănătate,
primești mementouri de
a merge la medic.
Dacă ați fost o dată
la oftalmolog,
veți primi un
memento o dată pe an
că este timpul să
mergeți la oftalmolog.
Așa că mementourile prin SMS au devenit, de asemenea,
destul de populare.
Așa că am vrut să încercăm
cele trei lucruri.
Și pentru a face asta, mai întâi a
trebuit să înființăm un MIS.
Nu aveau o modalitate de a
colecta imunizarea
într-un mod sigur.  S-a
făcut în registre,
registre pe hârtie care
nu au fost colectate.
Așa că primul lucru pe care l-am făcut
a fost să lucrăm cu un grup
aici la MIT pentru a crea o
platformă mică de mHealth.
Spun mic în sensul că
era foarte barebones.
Era doar pentru imunizare.
De altfel, m-am gândit că
va fi foarte ușor.
Și din orice
motiv, nu este.  Le-a
luat mult timp.
Și nu a funcționat repede.
Și așa a fost nevoie de luni de zile pentru a
dezvolta acel lucru, care
este cu adevărat de bază.
Este ca un formular Android.
Există un aspect de înregistrare.
Și apoi... pentru un copil nou.
Și apoi,
urmărirea pe măsură ce apar copiii.
Indiferent de motiv, este
mai greu decât ai crede.
Inca nu inteleg de ce.
Dar merită să
ții cont de asta.
Dacă vrei să intri
în ceva de genul
ăsta care implică
software, este
întotdeauna mai greu decât crezi.
Poate, de asemenea, am vrut
să lucrăm la scară.
Așa că am lucrat în șapte raioane,
puțin peste 2.000 de sate.
În total, am avut
300.000 de copii unici
în sistemul nostru și
aproape 500.000 de vaccinuri.
Ceea ce o să vă
prezint astăzi,
totul se bazează pe
datele administrative din acel sistem pe
care l-am deținut.
Deci, o problemă este dacă acel
sistem, acele date sunt de încredere
sau dacă oamenii mint,
de exemplu,
dacă copiii care
nu au fost niciodată vaccinați
sunt înregistrați ca
fiind imunizați.
Acest lucru este deosebit de
relevant pentru stimulent.
Dar pentru că ți-ai
putea imagina o asistentă
care decide că va
imuniza o mulțime de copii,
dându-și numărul de telefon,
sau numărul de telefon al vărului lor,
sau tuturor,
numărul de telefon al prietenului său
și, în acest fel, colectează
micile stimulente,
care erau de aer.
timp la telefon.
Așa că ceea ce am făcut acolo a fost că am
trimis oameni pe teren
să colecteze...
să contactăm toate
familiile care aveau...
nu pe toate.
Câteva mostre aleatorii
ale familiilor
care au fost înregistrate
în sistem.
Găsiți-i, verificați că există
și apoi dacă există,
dacă și-au amintit că au mers în
tabără și tipul
de vaccinări pe care le-au primit.
Și vestea bună este că
am putea găsi pe toată lumea.
Spre deosebire de
exerciții similare care s-au
efectuat din
programul MNREGA sau
programul de bunăstare unde te
duci în sat
să cauți beneficiarii
programului de bunăstare
și găsești jumătate dintre aceștia.
Așa că le găsim pe toate.
Și apoi, când
îi găsim, ei măcar își
amintesc că au mers în tabără.
Deși, uneori, nu-și
amintesc ce împușcătură au primit.
Dar apoi, nu este clar
cine greșește în acest moment.
Deci, concluzia noastră este,
în general, că datele sunt...
datele administrative
sunt suficient de fiabile.
Și asta
vom folosi ca măsură.
Da?
PUBLIC: Întrebare.
Când desfășurați
un experiment
cu mai multe
operațiuni de tratament, cum vă gândiți la
câte operațiuni trebuie să aveți și...
ESTHER DUFLO: Este o
întrebare excelentă.
Și îți mulțumesc foarte
mult că mi-ai cerut-o.
Și practic despre asta
voi
vorbi în cinci minute.
De fapt, sper că vei
citi ziarul într-o zi.
Aceasta este hârtia.  Ar fi trebuit să
pun
programa pe care să o citești acum.
Se pune exact
acea întrebare.
În schimb am pus hârtia „Bârfă”
, care e bine și.
Și apoi, este... dar care
evidențiază doar o parte
din asta.
Și nu această întrebare despre...
există multe tratamente acolo.
Dar permiteți-mi să revin la
asta într-un minut, doar închideți
partea „Bârfă” că
am terminat cu asta.
Așadar, în partea „Bârfă”--
deci în primul nostru
experiment de bârfă, pe care în ziarul pe care îl
citiți ocupă locul al doilea.
Dar cronologic a
fost primul.
Tocmai ne-am pus întrebarea:
dacă vreau să văd oameni
la echitabil, pe cine ar trebui să mă duc să văd?
Deci ideea a fost să
captezi ceva,
care nu este încărcat și este totul
despre difuzarea informațiilor.
Și apoi, în acel
prim experiment,
experimentul a fost
puțin artificial.
Încercam să
transferăm informații
despre o tombolă pentru telefonul mobil.
Dar aici, când ne aflăm acum
într-un cadru real
și în special într-un
cadru de sănătate, s-ar putea să existe... există
această problemă de încredere,
care este oamenii în care ai
putea avea încredere să-ți spună
când are loc următoarea aventură
sau când următoarea.
Tombola pentru telefonul mobil s-ar putea să nu
fie cea cu care vei
vorbi despre sănătate.
Și, deși avem
o teorie care spune că
oamenii ar putea fi buni să știe
cine este bun la răspândirea
informațiilor, nu
avem o teorie similară
care să ne spună dacă oamenii sunt
buni să răspândească informații
în care oamenii vor crede,
în care oamenii au încredere.
Deci, ceea ce am decis să
facem este să-l testăm.
Așa că am întrebat.
Oamenii fie au fost la
întâmplare la semințe aleatorii.
Cineva a întrebat,
apropo, în ziar ar fi
trebuit să fi
avut semințe aleatorii?
Deci am avut semințe aleatorii.
Sau semințe în care am
provocat
bârfe, unde am enumerat
oamenii de încredere sau bârfele de încredere
.
Așadar, cum atragem
vreunul dintre acești oameni?
Mergem și aflăm.
Vorbește cu 15 persoane
și îi întrebăm.
Deci, pentru bârfă,
asta e întrebarea.
Dacă împărtășesc informații despre
festivalul de muzică,
jocul de stradă, târgul, mulți oameni
ar afla despre asta.
Asta pentru că... și apoi
avem teoria despre cum, de ce.
Ai putea numi acești oameni?
Atunci, pentru oamenii de încredere,
cine sunt oamenii
din acest sat în care
tu și mulți săteni ai
încredere în acest cartier și în afara
acestuia?
Asta înseamnă că atunci când dau
sfaturi despre ceva,
mulți oameni cred
că este corect.
Și tind să-l urmeze.
Deci, desigur, alegerea
îngrășământului potrivit pentru cultură
și menținerea copilului sănătos.
Așa că am
adăugat în mod specific exemplul de sănătate
pentru că urma
să transmitem informații
despre sănătate.
Și apoi, în sfârșit,
bârfe de încredere.
Este o gură.
Dar mulți oameni ajung să cunoască
despre o informație.
Și dintre acești oameni, în
cine este de încredere?
Așa că trebuie să
fii mai întâi un bârf,
apoi să ai și încredere.
Și apoi, intervenția a fost
odată ce acești oameni au fost numiți,
așa că am găsit acest rezultat că
foarte puțini oameni sunt numiți.
Și există o mulțime de
consens cu privire la cine ar putea fi.
Alegem cei cinci --
topul comun al celor 15 din
toată dominația de la cei 15
oameni la întâmplare pe care i-am intervievat.
Și mergem pentru asta.
Așa că cineva a întrebat și
dacă este destul de scump
să vizitezi 15 persoane.
Dar nu este chiar scump
să mergem să vizitezi 15 persoane,
mai ales dacă nu ne
pasă cine sunt ei.
Pentru că nu suntem...
conform acestei teorii,
oricine ar fi bine.
Nu trebuie să
fie aleatoriu, aleatoriu.  Ar
putea fi oricine.
Deci merge destul de repede
să vizitezi 15 persoane.
Acestea fiind spuse, acum suntem
interesați de
extinderea acestui program, pe
care îl scurtez,
dar care s-a dovedit a fi
eficient și rentabil.
Și acum, de
fapt, am dat
peste această problemă,
care pentru noi
este destul de ușor să mergem să vedem 15
oameni și să înregistrăm răspunsul
și să ne terminăm în bârfele noastre.
Dar pentru
guvern, dacă vrei
să faci asta pentru fiecare
sat, devine un lucru.
Deci cine o va face?
Și cum o vor face?
Și vor...
dacă îi cerem lucrătorului sanitar din prima linie
să facă cenușa, vor inventa
doar
numele?
Și, practic, este
o piatră de poticnire uriașă.
Deci, de fapt, când ți-am citit
întrebarea, mi-am spus că
nu este atât de scump.
Dar apoi spun, ei bine, de fapt,
este un coșmar din punct de vedere logistic.
Și așa că ceea ce încercăm să facem
în extinderea acestui lucru este că
nu mai facem asta.  Îi
întrebăm pe părinți
când ei-- deoarece acum
au o intervenție mHealth puțin mai bună
, le
cerem
părinților să ne spună.
Deci asta
speram să facem este să folosim...
să adăugăm un modul la
tabăra lor de înregistrare
când oamenii vin să
spună, hei, apropo,
cunoști pe cineva
care este bârfa?
Și așa ne-am gândit că
ar fi foarte inteligent.
Dar asta nu... deci
asta a fost ideea.
Că va
fi foarte ieftin.
De fapt, ar fi
foarte ieftin, dar
presupune modificarea
software-ului, ceea ce se dovedește
a fi un coșmar imens.
Și a face asistenta
să folosească software-ul
și să folosească acea
versiune modificată.
Așa că și noi suntem blocați
de o lună.
Deci, versiunea actuală--
deci aceasta a fost versiunea 2.
Deci
versiunea actuală este că
avem o bază de date mare
de numere de telefon,
deoarece există programe
uriașe de asigurări de sănătate
în care mulți
oameni au nevoie
și au numere de telefon.
Și acești oameni de asigurări de sănătate
au un call center.
Ei îi cheamă pentru părtinire.
Oamenii îi sună pentru a cere
chestii de asigurări
și îi cheamă pe rând pe oameni.
Și acești oameni din
call center pot face un sondaj,
pot face un scurt sondaj
la câțiva oameni
din fiecare sat la telefon.
Deci acolo ne aflăm acum.
Asta pare fezabil.
Stați pe fază, vă spun
pentru că încă nu am
încercat și, prin urmare, nu am reușit.
Dar asta ar putea fi o problemă.
Oricum pare simplu.
Dar nu este atât de simplu.
Dar odată ce îi găsim, atunci
intrăm și îi vizităm,
încercăm să-i înscriem
în program
și le spunem că
le vom trimite aceste mesaje.
Deci avem sate stimulative și
non-stimulative.
Am văzut că
satele de stimulente
erau bine-- ar
fi bine plasate să menționeze
că există un
program de stimulare.
Aceasta este o
informație concretă pe care probabil că oamenii
nu o știu, deoarece publicitatea

programului de stimulare nu este uriașă.
Și apoi, în
satele fără stimulente,
doar o
imunizare generală este bună pentru tine,
continuă și fă-o.
Deci iată rezultatele de bază.
Vă voi spune despre mai multe rezultate
când voi ajunge la întrebările Kaylei
în mai multe detalii.
Dar rezultatul de bază
este că, dacă ne
uităm la rujeolă,
acestea vor fi
principalele mele rezultate, deoarece
aceasta este ultima vaccinare
din secvență.
Acesta este
numărul jurnal de oameni care
primesc vaccinul împotriva rujeolei în
orice tabără lunară dintr-un sat.
Deci aici, este în jurnale.
Mai târziu, vă voi arăta
rezultatele în niveluri.
Dar din anumite motive, la acești
oameni, le arătăm în jurnale.
Și este cu 18% mai mare în locurile dintr-
un sat care au bârfe.
Acestea două, bârfele de încredere și cele de
încredere nu sunt...
niciuna dintre ele nu este
de fapt semnificativă.  De
asemenea, nu sunt
semnificativ diferite.
Deci nu pot spune că merită.
Dar ceea ce este relevant
este că nu este mai bine.
Și în special, ați
putea crede că
bârfa de încredere ar fi evident mai bună
pentru că este atât o bârfă,
cât și este de încredere,
dar, desigur, când
încerci să găsești
o bârfă de încredere,
pierzi ceva din
dimensiunea bârfei.
Deci, dacă, de fapt, se
dovedește că
nu primești cele mai
bârfe potențial,
deoarece nu sunt
neapărat cele mai de încredere.
Deci, dacă, de fapt,
dimensiunea încrederii nu este atât de importantă
în comparație cu repetarea,
atunci s-ar putea să pierzi ceva.
Deci putem spune că arată...
toate arată destul de asemănătoare.
Și apoi, acestea sunt
rezultatele stimulentelor.
Dar voi ajunge la
asta într-o secundă.
Deci, punând totul împreună.
Și asta e cealaltă lucrare
scrisă pe același experiment.
Deci primul a fost într-adevăr
mai mult pentru utilizarea acestui experiment
doar pentru aspectul bârfei.
Dar atunci, exact avem...
Kyla a pus această întrebare... dacă
există o mulțime de tratament
aici.
Și de ce sunt
multe tratamente?
Sunt multe tratamente
pentru că nu suntem,
în acest caz, nu am
mers la acest proiect
pentru a testa o anumită teorie.
Uneori, mergi mai departe și
ai ceva foarte simplu
în minte, foarte clar în minte.
Doriți să testați o
anumită teorie
sau doriți să testați dacă
intervenția A funcționează.
Dar mandatul nostru
aici cu pistolul
a fost puțin diferit, și anume
că poți
veni cu cea mai bună
intervenție posibilă pentru noi
în ceea ce privește creșterea
ratelor de imunizare bazată doar
pe intervenția bărbaților?
Măcar ei se
ocupă de aprovizionare.
Așa că am rezolvat proviziile.
Dar, pe baza a ceea ce știți din
literatură, care este cel mai bun lucru pe care îl
putem face atât pentru creșterea
imunizării în general, cât și
în ceea ce privește eficiența costurilor
și costul pe dolar?
Și când am început să facem
brainstorming cu ei,
lucrul nepăsător de pe rețelele sociale...
brățara nu era încă acolo.
Deci nu aveam
acea parte a ei.
Dar ceea ce am avut a fost ideea
unui stimulent în numerar, pe care am
descoperit-o a fi eficientă
în [INAUDIBLE] Memento-urile, pe
care toată lumea le folosește,
care a fost aprobată
de Academia Indiană
de Pediatrie
și această nouă idee de bârfă.
Și apoi, există dovezi
din restul literaturii
că fiecare dintre aceste strategii
poate îmbunătăți absorbția.
Dar nu știm care dintre
ele este cel mai eficient,
care este cel mai
rentabil, cum ar
trebui să fie utilizate.
De exemplu, în
[INAUDIBLE] am încercat
un tip de stimulent,
linte, și apoi o creștere,
care a fost neîncetată și
echivalentul a aproximativ 1 USD
per shot în acest
termen, în termen PPP.
Poate am putea primi mai puțin.
Poate ai putea
folosi mai puțini bani.
Poate că nu
trebuie să fie neglijent.
Cu SMS-uri,
trebuie să trimiteți SMS tuturor?
Sau le trimiți SMS unor oameni
cu bârfele.
După cum știți,
nu știam dacă ar
trebui să folosim bârfe, sau oameni de încredere
, sau bârfe de încredere.
Deci sunt diferite
tipuri de variante.
Și apoi începi să
te întrebi
dacă combinația
acestor variante ar funcționa bine.
Deci, de exemplu,
bârfa ar putea funcționa
mai bine atunci când există stimulente,
deoarece
există un mesaj clar
de transmis decât nu.
Deci cel puțin aceasta a fost
potențial o ipoteză clară.
Dar este o mizerie.
Există un amestec de lucruri.
Și aici, vine
la întrebarea lui Kyla
, cum procedați?
Deci, în literatura de specialitate, modul în care
ajungeți de obicei la asta,
și acesta este cel mai bun mod pe care îl
avem de cele mai multe ori,
este că colectați estimări
din o mulțime de lucrări diferite
și le puneți
la o scară comună.
Deci, acesta este într-adevăr
Campbell Collaborative
și Cochrane
Review este ceea ce
fac ei pentru
intervenția în sănătate și acum, de
asemenea, pentru o
intervenție în științe sociale.
Practic, ei spun că despre
vitamina A avem 20 de studii.
Și le putem pune pe o scară.
De fapt, odată ce
ai asta, poți
încerca să faci meta-
analize precum cele pe care le-am
găsit pentru... am
discutat pentru lucrarea [INAUDIBLE]
.
J-PAL face asta,
încercând să acumuleze
impactul diferitelor
intervenții asupra ceva,
apoi să le pună
pe o scară comună
pentru a afla ce pare a fi
cel mai eficient din punct de vedere al costurilor pentru a crește
scorurile la test, sau prezența sau
orice vă interesează.
Problema, desigur, este că
intervenția populației
variază considerabil
între studii.
Deci este comparabil sau nu.
Când testați
intervenții diferite
în contexte diferite,
nu puteți ajunge la interacțiune,
ceea ce face ca învățarea--
dacă doriți să răspundeți la o
întrebare în special,
în acest caz cu o
eroare mare, care
este punctul de vedere a fost că
orice ne-ați spune  ,
vom încerca
să o extindem.
Ideea în experiment
nu există un singur experiment
cu un singur tratament.
Este pentru a rula un singur
RCT mare, care are
tot ce vă puteți gândi.
Problema este că,
deși experimentul,
acest experiment
a fost destul de mare,
deci sunt 2.000 de sate.
Dar de fapt, 900 de sate unde
am făcut recensământul, unde
puteam face bârfele.
Dar nu este infinit.
Și numărul de
combinații posibile este mare.
Deci ce faci?
Deci primul lucru pe care l-ai
putea face este
să spui, ei bine, este prea mare.  Vor fi
prea
multe lucruri de privit.
Nu vei fi niciodată putere
să te uiți la fiecare celulă
de interacțiune.
Așa că faceți foarte puține tratamente.
Există o lucrare a lui Karthik
Muralidharan și alții
care subliniază că odată ce
ai interacțiune, dacă ai, să
zicem, două tratamente
și interacțiunea lor,
devine dezordonat să ignori
interacțiunea, ceea
ce fac mulți oameni.
Și atunci, prin urmare,
este confuz.
Deci soluția McKenzie
este să nu o faci.
Rulați un singur tratament.
Este frumos.
Dar asta înseamnă, care?
Cum o vei alege pe care?
Sau ați putea include toate
combo-urile, dar puteți
pierde putere deoarece aveți
o mulțime de celule diferite.
Și celulele pot
deveni destul de mici.
Îți voi spune exact cât de
mic în cazul nostru, de exemplu,
când voi ajunge la asta.
Deci, în practică, ceea ce
fac oamenii este, uneori, să
desfășoare multe experimente
și apoi să tragă
expus dacă se pare că
interacțiunile nu sunt
semnificative.
Dar atunci asta ridică o
problemă de statistică,
adică dacă mai întâi rulezi toate
interacțiunile, apoi le eliminați
atunci când nu sunt
semnificative, atunci
nu este clar cum să citiți
statisticile testului, deoarece
ar fi fost doar
o întâmplare că a
fost sau a fost.  t semnificativ.
Deci nu putem interpreta
aceste statistici
decât dacă mergem cu un
cadru clar în minte.
Deci, în literatura de specialitate,
există o mulțime
de eforturi către un
plan simplu și de pre-analiza.
Și, prin urmare, mergând
către unul sau spunând în
avans exact ce vei
alerga.
Problema este că își
asumă concluzia.
Deci aceasta este o imagine
din The Matrix.
Ei bine, Oracolul, deci aceasta
este problema Oracolului,
punctul Oracle.  Este că,
dacă știi ce
vrei să testezi, atunci în
primul rând se pune
întrebarea dacă ar
trebui să-l testezi oricum.
Dar faci experimentul
pentru a-ți justifica antecedentele.
Deci nu ai venit aici
să faci alegerea.
Ai reușit deja.
Trebuie să înțelegi
de ce ai făcut-o.
Deci asta este problema cu Oracle.
Și în multe cazuri,
de exemplu, în acest caz,
nu am avut un Oracle.
Deci asta e problema.
Deci asta e tensiunea pe care o punea
întrebarea lui Kyla.
Și apoi există o
altă problemă,
care este atunci când...
chiar dacă ați avea
un set mare, mare, mare, mare,
mare, mare de
dimensiuni ale eșantionului, astfel încât să puteți rula multe,
multe lucruri individual, le
puteți gândi ca  toate
combinațiile și variantele
și combinațiile variante sau variantele
ca tratament individual.
Și apoi, îi spui
guvernului că
aceasta este cea mai bună politică.
Du-te pentru asta.
Acesta este efectul pe care îl vei
obține.
BINE.
Acum, asta e frumos,
cu excepția faptului că va
face ca politica să
fie aleasă cea mai bună din acel eșantion.
Deci, prin definiție, a funcționat
destul de bine în acel eșantion.
Și ar putea fi o întâmplare.
Este ca cel mai
bun baschetbalist.
Dacă clasați oamenii
după jucătorul de baschet, cel
mai bun
jucător de baschet este cineva
care în ziua în care
vă clasați a
marcat multe, multe, multe goluri.
Dar s-ar putea să nu fie atât de
bine în general.
Doar în acea zi a
evoluat atât de bine încât
arată absolut fabulos.
Nu este al lui... s-
ar putea să fii foarte dezamăgit
odată ce îl aduci la
echipa ta, ceea ce în majoritatea zilelor
nu este la fel de fabulos.  În
mod similar, pentru
politica noastră, dacă ați ales-o
dintr-o gamă mai mare de
polițe pentru a fi cea mai bună,
va arăta foarte bine.
Prin definiție,
funcționează foarte bine
în eșantionul tău mic.
Întrebarea este că îi dai
credit pentru epsilon.
Și deci nu este o
problemă dificilă din punct de vedere conceptual.
Există o lucrare foarte frumoasă
a lui Isaiah
și a co-autorilor
care se uită la asta.
Și practic, acest lucru
poate fi corectat.
Și asta este...
au o lucrare numită
"Inference on Winners".
Acum, problema este cu cât încerci să testați
mai multe politici

și cu cât
sunt mai asemănătoare între
ele, cu atât mai mult
veți fi penalizat de
deducerea câștigătorilor.
Deci firesc, pentru că pentru a
fi cel mai bun
ar trebui să fii
deosebit de norocos.  Deci asta
înseamnă că acesta este
încă un motiv pentru a nu
avea multe și multe și multe
tratamente, în principiu,
dar apoi, totuși,
uneori ne-am
dori să avem
multe, multe tratamente
pentru că chiar nu știm.
Și am dori să
facem un experiment
și să avem un
răspuns coerent care nu
presupune soluția în avans.
PUBLIC: Esther?
ESTHER DUFLO: Da?
PUBLIC: Deci sunt curios.
Asta e aleatoriu, nu?
Dacă se întâmplă să fug?
ESTHER DUFLO: Da.
Așa că se întâmplă să...
în acea probă, se
întâmplă să te descurci destul de bine.
Deci, imaginați-vă, de
exemplu, un cadru în
care, de fapt, toate
politicile au același efect.
Încă o să-i clasați în
funcție de epsilon.
Deci de asta
trebuie să scăpăm.
PUBLIC: Deci nu este
ca problema extinderii?
ESTHER DUFLO: Nu asta este
problema extinderii.
Doar că am
testat o mulțime de politici.  Aleg pe cel mai bun
.
Și, prin urmare, și
este un lucru standard.
Exact asta vom
face aici.
Exact asta
vrem să facem aici.
Și acesta este un mod obișnuit de a
gândi problemele de politică.
Care este cel mai bun?
Și apoi, cel mai bun
este și cel
care a avut cele
mai bune rezultate în acea probă.
Și, prin urmare, a
beneficiat de cele mai multe întâmplări
din construcție.
Deci acest lucru este corectabil.
Acest lucru este destul de ușor
de corectat, de fapt.
Nu există nimic...
sunt doar
statistici foarte clasice acolo.
Problema este că corecția
vă va penaliza
pentru că aveți o mulțime
de opțiuni pe care le
încercați unul împotriva celuilalt,
precum și pentru că aveți opțiuni
care sunt de fapt similare.
Da?
PUBLIC: Da, mă
gândeam doar că... ei bine,
nu ar fi la fel pentru că,
conform performanței
împotriva controlului oamenilor, asta
între ele pentru că
nu știu dacă pot vedea că
două intervenții sunt una este...  -
ESTHER DUFLO: Da, deci
controlul aici nu--
controlul aici este
același pentru toată lumea.
Așa că atunci când te oprești...
dacă faci
efectul tratamentului, vei
face
efectul tratamentului împotriva controlului.
Și spui că
intervenția A este cel
mai mare efect de tratament, B
ca al doilea
efect de tratament, etc.
Toți sunt clasați
împotriva aceluiași control.
PUBLIC: Da, dar apoi,
de exemplu, prima, cea
mai bună rundă a celei de-a doua runde
între ele, nu să fie...
nu statistic.
Dacă îi compar pe cei
doi, ar putea fi...
Nu aș putea exclude că unul
este mai bun decât celălalt.
ESTHER DUFLO: Deci
este posibil.
Dar în acest caz,
nu știi care este cel mai bun.
Dar chiar dacă
sunt, s-ar putea să fie din cauză
că
primul tău s-a întâmplat
să se descurce bine în eșantion
în comparație cu al doilea.
PUBLIC: Dacă sunt?
ESTHER DUFLO: Să presupunem că
sunt diferiți statistic.  S-
ar putea fi totuși în parte
pentru că primul s-a întâmplat
să aibă o remiză foarte bună a
epsilonilor în tratament,
iar cei doi nu.
Deci asta e problema.
Nu este problema că ați
putea crede că sunt diferiți,
dar de fapt nu sunt
diferiți statistic,
ceea ce este un punct bun.
Dar chiar dacă
sunt, ar putea fi doar
pentru o performanță întâmplătoare
în acea probă.
Deci nu este
dificil din punct de vedere conceptual.
Dar nu este deloc greu de tratat
, chiar și în datele sale.
Dar doar atât cât de
mult te penalizezi.
Depinde de
câte politici
conduceți unul împotriva celuilalt,
ceea ce are sens pentru că
aveți mai multă ignoranță.
Deci asta e tensiunea.  De
aceea, întrebarea ta a avut nevoie de
mai mult de un minut de răspuns.  E ce
faci?
Deci ceea ce am făcut a fost că am încercat.
Practic, am încercat să navigăm pentru a
obține ce este mai bun din ambele lumi,
spunând: uite, majoritatea
politicilor oricum nu funcționează.
Și majoritatea variațiilor de politică
ar putea să nu conteze.
Deci, de exemplu, dozajul.
Dozajul ar putea să nu fie atât de
relevant în lumea bârfelor.
Faptul că bârfa este
de încredere, sau bârfa de încredere
ar putea fi similar.
Nu știm
dacă este asemănător.
Spui că poate este.
Deci, poate că multe dintre
posibilele mele tratamente
pot fi eliminate din
setul meu de considerare.
Și prin urmare, pot să fac
multe, multe tratamente
și să scap de orice
nu funcționează deloc.
Și apoi, reunește
ceea ce este asemănător.
Și apoi, rămâneți
doar cu o intervenție
care pare promițătoare
la sfârșitul zilei
și estimați regresul meu în
acel set de politici promițătoare.
Deci, ce vreau să spun prin punere în comun?
Vom face doar un pool--
și de aceea nu putem pune laolaltă
într-un anumit cadru și nu putem
înțelege pe deplin problema pe
care Karthik Muralidharan
a identificat-o, și anume, dacă fac un pool
ex-post când interacțiunea este
negativă, este puțin...
asta e de pește.
Vom pune în comun doar --
sau vom
întreba doar datele dacă
doresc să combine lucruri care sunt
doze de același tratament sau variație
ale aceluiași tratament.
Așa că pun ceva teorie.
Nu este chiar o teorie,
o anumită structură
acolo pentru a spune, ei bine,
orice stimulente...
Vreau să încerc un
stimulent diferit pentru că cine?
Știe că ar putea fi diferite.
Dar voi permite
datelor să le grupeze
dacă se dovedește că toate
efectele sunt aceleași.
Deci, de exemplu,
stimulentele mari și scăzute
vor fi permise să se găsească în comun.
Pantă și plată, precum și stimulente
vor fi permise să se găsească.
Pantă și plată, și înaltă și
joasă vor fi permise să se găsească.
Și astfel se creează un
profil de tratament al oricăror stimulente.
Și la fel, orice bârfe.
Și apoi, orice memento.
Multe memento-uri
versus mai puține memento-uri.
Așa că le spun datelor pe care le
pot extrage.
O să permit
datele pe care le pot pune în comun în acest fel.
Și apoi, rulezi
un LASSO pe asta.
Te confrunți cu o
mică problemă, și
anume că atunci când rulezi un LASSO
pe asta, prin definiție,
ai multă
corelație între.
Te vei structura.
Așa că gândiți-vă să scrieți
regresia pentru a-- să
permiteți gruparea în
loc de a
rula acum toate
tratamentele
și interacțiunile posibile.
În loc să rulați
o regresie
pentru fiecare tratament posibil,
rulați o regresie
a formei, orice
stimulent și apoi
efectul marginal
al stimulentei mari.
Deci ar putea fi... asta ar
putea deveni
zero, spre deosebire
de stimulent mare,
stimulent scăzut,
și apoi testați
diferența.
De ce este relevant să
o scrieți în acest fel?
Este pentru că veți
rula un LASSO pe această regresie.
Și LASSO
te va penaliza pentru că ai o mulțime de termeni.
Și vă va cere doar
să eliminați o grămadă de termeni
spunând că sunt
complet irelevanți.
Nici nu ar trebui să fie acolo.
Deci, dacă ai avea două politici, un
stimulent mare și cel mic, care
de fapt au avut
același efect, LASSO le-
ar dori pe amândouă dacă
ar fi ambele eficiente.
Dacă îl scrieți ca un
stimulent și un stimulent -
efectul suplimentar de mare
versus scăzut, atunci LASSO
va scăpa de asta.
Deci, vă va permite să scăpați de el.
Dar există o
problemă în a face
asta, și anume, de îndată ce
faci asta,
creezi o mare corelație
între variabilă, deoarece -
și, prin definiție, orice
stimulent și stimulent ridicat
sunt foarte corelate,
deoarece stimulentul ridicat
va avea unul la fiecare  timp.
Stimulentul va avea
unul de fiecare dată.
Stimulentul unul are
mare ca unul.
Și în plus,
va avea niște zerouri
atunci când stimulentul
este, de fapt, scăzut.
Deci, prin construcție, veți
avea o mulțime de coliziuni,
care este exact atunci când
nu puteți rula LASSO.
Intuitiv,
intuiția este
că
LASSO nu va
ști ce să aleagă dacă cele
două lucruri sunt corelate.
Statistic, eșuează.
Nereprezentabilitatea de la TVA,
care spune că nu poți -
ireprezentabilitatea este
că poți rula Lasso doar
dacă nicio variabilă nu poate fi
aproximată foarte bine
printr-o combinație a altora.
Deci, dar există o soluție
pentru această problemă, care
este o precondiționare a
variabilei care
le organizează practic.
Te penalizează pentru că
faci asta, dar funcționează.
Și apoi, odată ce ai făcut
asta, rulezi LASSO.
LASSO va
selecta o variabilă.  Va da
afară
tot ce este ineficient.
Și va
elimina, de asemenea, lucrurile
care sunt diferențe marginale
care nu sunt pertinente.
Și odată ce ai asta, mai
ai foarte puține variabile.
Și vă puteți face
post-procesarea.
Aceasta înseamnă rulare,
ceea ce înseamnă, practic, să
rulezi mai puțină
regresie fericită
pe un set foarte mic
de variabile.
Și acum, puteți rula
corecția Andrews
fără a fi
penalizat de faptul
că au existat o mulțime de
variabile în primul rând.
Și tu mergi înainte.
Deci acea strategie funcționează.
Și este frumos compatibil.
Te adaptezi... nu ai
un caz de gripă prea mare
pentru că ai...
cu Andrews, dacă ai
vrea să spui cu adevărat,
asta se întoarce
la punctul lui Salu,
care presupune că ai un
stimulent mare și un stimulent scăzut.  .
Și, de fapt,
au același efect.
Ele nu sunt
diferite statistic.
Așa că unul dintre ei
va ieși înainte
și va fi penalizat
foarte mult de faptul
că este foarte aproape
de celălalt.
Dar, de fapt, dacă știi
că ar trebui să fie puse în comun,
atunci nu vei
avea această problemă.
Vei avea doar stimulente.
Deci, de aceea
îl rulăm în acești pași.
Așa că dacă ne întoarcem cu
câte tratamente avem,
deci stimulentele sunt străbătute
două câte două, de sus și jos,
și plat și în pantă.
Mementourile trebuie.
Mai mic, câteva versus mult.
Ambasadorii aleatoriu,
plus semințe de informații,
plus semințe de încredere, plus cred că există
unul de la consiliul de
informare ori încredere.
Asta face patru.
Deci, în total, sunt 75 de
combinații unice de politici.
Totul este interacționat
cu totul.
Deci sunt 75 de
combinații unice de politici.
Deci, cu 914, care sunt
foarte utilizate, acest lucru este util.
Acesta este un eșantion în care
facem un stimulent minor,
dar bârfa se
face doar în 900.
Mărimea eșantionului rezultat
ar fi de fapt destul de mică.
Așa se
încrucișează totul cu totul.  Chiar
nu contează.
Deci am putea începe.
Începem prin a face... dacă
începem prin a face
lucrul naiv de a nu interacționa
cu totul,
rulați această regresie.
Deci acesta este un manechin
pentru fiecare lucru.
Îți dă deja
niște rezultate interesante.  Am
văzut deja
rezultatele bârfei.
Și apoi, în ceea ce privește
stimulentele,
se pare că
stimulentul cu panta mare funcționează.
Deși, poate, poți spune
că este atât de
diferit din punct de vedere statistic de panta mică.
Panta mare care oferă un
stimulent plat nu pare să funcționeze.
SMS, nu are un
impact semnificativ.
Acest lucru nu este în întregul eșantion.
Și asta este în
eșantionul mai mic.
Deci, dacă te-ai uita doar
la asta, ai spune, ei
bine, bârfa părea eficientă,
poate la fel de eficientă
ca și oferirea de stimulente cu panta mare.
Și în rest,
nu suntem foarte siguri ce se
va pune în comun, ce nu se va pune în comun.
Și, desigur, nu avem nimic
de spus despre interacțiunea
din a privi în asta.
Deci asta e procedura.
Dvs. definiți ceea ce poate fi
pus în comun.
Deci, în cazul nostru,
este destul de simplu
pentru că este pe categorii
de intervenție.
Odată ce faci asta, definiți...
specificați regresia
în acest mod marginal.
Așa că mie mi se pare
foarte intuitiv.
Dar, de fapt, este
puțin complicat când
ai o mulțime de posibilități.
Dacă doi câte doi,
e destul de clar.
Există un singur mod de a o face.
Dacă începeți să aveți multe,
potențial un număr mare
de tratamente diferite și
profiluri de tratament diferite,
este nevoie de puțină
combinatorie pentru a spune
cum să vă asigurați că
nu uitați unele
și cum ar trebui să fie combinate
și de ce încă funcționează.
Și asta este descris
în hârtie.
Apoi, utilizați
transformarea Puffer
pentru a o face compatibilă cu LASSO.
Deci, acesta este doar un mod de a
schimba
expresia
variabilei pentru a le face
ortogonale între ele.

Apropo, nu vine gratis.
Adaugă zgomot
datelor, așa cum ar trebui.
Apoi rulezi...
așa că faci LASSO-ul tău, apoi
LASSO-ul tău post și, în sfârșit,
corectarea blestemului câștigătorului.
Așadar, aceasta este
specificația de pooling, arată cam
așa unde aveți, de
exemplu, SMS, orice SMS și apoi
efectul marginal
al SMS-ului, orice pantă
și apoi dacă este
mare, orice stimulent fix
și dacă este
un stimulent fix.
Aleatoriu este separat.
Info Hub este separat.
Încrederea este separată.
Și apoi informațiile de încredere
sunt pe deasupra încrederii.
Și apoi, toate
interacțiunile care
sunt în axele
tuturor acestor lucruri.
Deci acesta este efectul principal, ca și
în profilul principal de tratament.  Așa că
vezi că am luat deja
niște decizii într-un anumit sens
pentru că, de exemplu,
nu permitem--
nu facem nicio--
Aleatoriu este al său.
Nu permitem
gruparea aleatorie cu restul,
deoarece credem că acea
sămânță este diferită de...
o sămânță aleasă este diferită
de o sămânță aleatoare.
Deci există deja un
pic de teorie acolo.
Teoria acolo, structurată
acolo, chiar și făcând tocmai asta.
Deci, ce găsim
când facem toate acestea?
Deci foarte puține lucruri
supraviețuiesc LASSO.
Doar patru combinații
supraviețuiesc Lasso,
în ceea ce privește creșterea
imunizării.
Deci asta, o
facem foarte simplu.
Este un număr.
Este numărul de injecții date...
numărul de vaccinuri împotriva rujeolei date
în sat în fiecare lună.
Deci, media, este 7,32
în grupul de control.
Ceea ce pare a fi cel mai
eficient este să faci totul.
Deci, chiar și
după toată munca asta,
poate că ai fi putut să o știi.
Dar asta nu era evident.
Și toate fondurile de stimulente.
Acum, toate
stimulentele neîncetate.
Atât de mare și scăzută atracție de stimulente.
Bazinul Info Hub.
Așa că bârfa de încredere și
bârfa de încredere se unesc.
Și pool-ul de SMS-uri.
Deci este destul de frumos
că variația
pare să nu facă nicio diferență.
Așa că ați putea merge cu...
dacă doriți să
alegeți cel mai ieftin,
puteți alege
SMS-uri de stimulare scăzute, neîncetate,
nivel scăzut de SMS-uri și
bârfe, deoarece acestea se unesc
cu versiunea mai ambițioasă
a acestuia.
Și asta crește
nivelul de imunizare cu patru,
față de control,
care a fost de 7,32.
Deci este o
creștere proporțională destul de mare.
Celelalte lucruri - deci și
celălalt lucru care funcționează
este ceva foarte asemănător,
dar folosind semințele de încredere
în loc de hub-urile de informații.
Și asta este semnificativ.
Celelalte două, deși au
fost selectate de LASSO
și postul Lasso pare a
fi nesemnificativ pe cont propriu,
deși le poți
face -- poți să
setezi o diferență, care
nu este deloc semință,
și o pantă mare și SMS.
Și apoi, acesta este...
de fapt, are
un impact negativ.
Este selectat de LASSO, dar
are un impact negativ
aici.
Odată ce te uiți la... da?
PUBLIC: [INAUDIBIL]
Cred că două întrebări.
Această linie, înseamnă asta
că o mulțime de tratamente
sunt combinate cu control?
ESTHER DUFLO: Da,
toate tratamentele
sunt combinate cu controlul.
Adică, LASSO nu le vrea.
Deci, practic, sunt.
Ei devin...
PUBLIC: OK.
Și apoi pe
ultima [INAUDIBILĂ]
ESTHER DUFLO: Deci LASSO
selectează o variabilă
și apoi postezi...
rulezi regresia MOL.
Și apoi, nu se
dovedește a fi semnificativ.
LASSO te penalizează, practic.
Ce face LASSO este
că te penalizează
pentru fiecare variabilă pe care o
introduci.
Și apoi, vă permite să păstrați--
așa că la un moment dat,
în funcție de cum-- în
funcție de
nivelul de penalizare pe care îl alegeți,
spune câte variabile ar trebui să
introduceți.
Și apoi,
le introduci prin faptul
că contribuie
mai mult la variație.
În acest caz, este
după acea zi,
ceea ce nu înseamnă că
sunt așa -
înseamnă aceste alte lucruri care
au coeficienți și mai mici.
De asemenea, odată ce reluați
regresia doar cu cele patru,
obțineți un coeficient diferit.
Nu obțineți
același coeficient
ca atunci când rulați dacă
ați încercat
să rulați regresia completă cu
OLS, deoarece tot restul
este trimis la control.
PUBLIC: [INAUDIBIL]
chiar și atunci doar
schimbarea ta [INAUDIBIL]
a fost de încredere [INAUDIBIL]
și asta înseamnă că [INAUDIBIL]
ESTHER DUFLO: Acesta
cu acesta.
Da.
Nu cred că cei de încredere...
da, nu știu.
Nu cred că încrederea--
este
cea de încredere sau nu este de încredere.
Deci lasă-mă să mă gândesc.
Da, e doar de încredere...
informații de încredere pe cont propriu.
Da, nu am o
interpretare grozavă a motivului pentru care
par să
tragă cu celălalt.
Dar ele nu produc niciun
efect de la sine.
Acesta este, apropo, acesta este
rezultatul pe care l-am avut mai devreme.
Că bârfele de încredere
singure par să nu aibă niciun efect.
Dar nu au niciun efect
într-un mod în care să nu fie
semnificativ diferit de a
le pune
cu celelalte hub-uri de informații.
PUBLIC: [INAUDIBIL]
ESTHER DUFLO: Da, exact.
O, de altfel, atunci când
rulați această regresie,
o rulați din nou acum, deoarece în fiecare dintre
ele este un pachet individual.
Deci, este efectul...
combinația
fiecăruia dintre acestea este efectul
politicii combinate, nu
efectul marginal.
Când te uiți la
imunizări pe dolari,
LASSO mai selectează câteva lucruri.
Dar majoritatea sunt negative.
De ce?
Pentru că cheltuiți
bani pe aceste programe.
Și acum comparăm
cu grupul de control.
Așa că ați putea spune că
sunteți perfect dispus să cheltuiți
bani pentru
vaccinarea mai multor copii,
chiar dacă costul pe
imunizare crește.
Dar s-ar putea, de asemenea, ca și
în cadrul piscinei, să
existe un tratament
în care costul pe imunizare
scade, deoarece
există
costuri fixe pentru derularea programului dumneavoastră.
Deci, în costul pe imunizare,
includem atât costul fix,
cât și costul variabil.
Orice intervenție,
cum ar fi stimulente,
etc., crește
costul variabil.
Dar înseamnă că acest
cost fix este răspândit
pe un grup mai mare de oameni.
Deci, în... de aceea în
rezultatele [INAUDIBILE]
am avut acel
rezultat aparent paradoxal.  Că e mai
ieftin să dai
stimulent, nu să le dai.
Dar nu trebuia
să fie cazul.
Și, de fapt, în
întregul eșantion,
toate rezultatele stimulentelor,
toate efectele stimulentelor
sunt selectate pentru că au
acest efect de tratament foarte negativ
.
Sunt scumpe,
costul pe dolar.
Dar ce apare?
Și, de fapt, în acest
caz este singura politică
care este eficientă din punct de vedere al costurilor în
comparație cu a nu face nimic,
în sensul că a crescut
costul imunizării
pe dolar este de a face SMS
combinat în cadrul huburilor de informații.
Deci e bârfă plus SMS.
Are sens.
Este ieftin de făcut.
Și, prin urmare,
costul marginal nu este
foarte mare în
măsura în care sunt impacturi.
Impactul înseamnă că toată
infrastructura dumneavoastră fixă
este utilizată mai eficient.
Deci, acum, putem face cea
mai bună corecție a politicii.
Deci, dacă vă amintiți, am avut un
efect inițial de aproximativ patru
pentru combinația
pentru cea mai bună politică,
în cazul numărului
de lovituri, care
era combo-ul tuturor.
Așa că îl penalizăm pentru că este
aproape de următorul.
Și am ajuns,
așadar, la efectul
unei creșteri a
imunizării față
de controlul de aproximativ trei.
Patru milioane de lovituri pe dolar.
Deoarece există o singură politică
care are un impact pozitiv,
aceasta nu este penalizată.
Este pe cont propriu.
Deci
impactul pedepsei este impactul.
Deci acesta este un rezumat
al rezultatelor.
Dar cred că am trecut
deja prin asta.
Deci, care este
prescripția politicii?
Așa că, la un moment dat, toți acești
oameni de la vârf, de fapt, au
venit aici.
Și delegația
le va prezenta rezultatele.
Și așa, evident,
ar fi... ar
putea trimite SMS-uri de bârfă peste tot.
Este ieftin, eficient
și rentabil.
Atât de bine.
Dar dacă sunt, de asemenea,
interesați să crească --
în unele locuri să facă --
într-adevăr să aibă un
impuls mare asupra imunizării.
Sunt dispuși să plătească pentru asta.
Cea mai eficientă politică
este combinarea.
Deci, există locuri în care
pot identifica unde
ar fi eficientă această politică?
Și aceasta este cea de-a doua
lucrare pe care ați citit-o,
care încearcă să facă
acest medicament predictiv, și
anume pot să-mi dau seama
un grup de oameni pentru care
această intervenție va funcționa?
Și problema este că
medicina predictivă
este chiar mai mult decât cu
tratament multiplu,
este această posibilitate de
căutare a specificațiilor, care
este expusă.
Veți găsi întotdeauna un
grup pentru care se pare
că tratamentul a funcționat.  De
aceea,
FDA nu
vă permite să raportați niciun subgrup
care nu a fost prespecificat.  Pur și
simplu nu poți.
Altfel, spui, ei bine,
medicamentul meu nu funcționează în medie.
Dar a funcționat pe oameni
care au citit diagrame
în ziua procesului
și atunci poți oricând să găsești
un motiv.
Deci, în economie, suntem
puțin mai puțin stresați în privința asta,
probabil pentru că există mai puține
motive financiare de stimulare
pentru a împinge un anumit rezultat.
Și întotdeauna există...
avem mai multă toleranță,
cred, pentru a teoretiza ex-post
despre rezultate, parțial pentru că
ne place teoria și ar trebui.
Și am învățat
ceva despre lume
și, chiar dacă
subgrupurile sunt experți, este posibil să fi
învățat
ceva despre ele.
Așa că ar fi puțin
trist să nu le folosești.
Deci este exact
același -- nu este exact
același schimb
ca înainte, dar
există un schimb de această natură.
Așadar, mergând până la
standardul de medicină și spunem,
vom permite doar
un plan de pre-analiza foarte puține
și vom penaliza compararea multiplă
cu valori q sau alte forme
de ajustare pentru
comparații multiple.
Apoi, ai fi
cam plictisitor.
Nu ai putea
obține atât de multe informații.
Și adesea, avem
o mulțime de date.
Și ne-am dori să-
l folosim, dar am dori
să-l folosim într-un mod disciplinat.
Prin urmare, învățarea automată
are avantajul
de a vă oferi unele
reguli, un algoritm pe care îl
puteți specifica în
avans, pe care le puteți
introduce în planul de pre-analiza.  Voi
folosi
tehnica de învățare automată a lui așa și așa pentru a
căuta posibile --
dacă
au efecte eterogene și cine
părea a fi cel mai afectat.
Deci, în principiu, speranța este că
obțineți tot ce este mai bun din ambele lumi,
deoarece aveți
capacitatea de a căuta
diferențele într-un
mod disciplinat statistic.
Și nu vei face prea
mult data mining.
Problema este o
problemă minoră, învățarea automată
nu este într-adevăr un instrument pentru a spune.
Este un instrument de predicție.
Este un instrument pentru prezicerea a
ceea ce se va întâmpla,
dar nu este un instrument pentru a
interpreta orice diferențe de
efect al tratamentului pe care le găsim.
Și mai ales, în
absența unor
condiții foarte stricte de îndeplinit.
Nu știm cum să estimăm efectul
cauzal mediu al tratamentului
într-un mod care să
fie interpretabil.
Deci, ideea că,
OK, voi... medicamentul
predictiv complet
ideal pentru oricine
cu orice set de caracteristici x

și le pot prezice
efectul tratamentului.  Pur și
simplu nu știm
cum să facem asta,
decât dacă suntem dispuși
să fim super restrictivi.
Și apoi, Susan
[INAUDIBLE] are o lucrare
cu Steven Wagner cu destule
în condiții suficient de dure
, poți
face lucruri precum copaci
pentru a da un răspuns
la această întrebare.
Dar aceste condiții
sunt destul de grele
și nu sunt cu
adevărat testabile.
Deci ce poți face?
Ei bine, puteți spune, să renunțăm la
estimarea întregii funcții.
Putem spune
măcar câteva lucruri?
Așa că renunțăm la a estima
starea completă a unui
efect de tratament, spre deosebire de nerestricționat, în
funcție de toate acele x
pe care oamenii sau
satele le-ar putea avea.
Dar vreau să răspund la
câteva întrebări simple.
Numărul unu, există
vreo eterogenitate?
Deci acesta este un parametru.
Numărul doi, dacă există vreo--
sau este doar orice eterogenitate
care cred că există
de fapt, nu există,
numărul doi dacă există vreo
eterogenitate, pot să spun--
pot spune, cinci grupuri
în care estimez
efectul tratamentului pentru aceste cinci grupuri.
Deci acum sunt cinci
parametri, încă
un număr mic de parametri.
Și apoi, poate încă un
pas este să spun, ei bine,
acum că am
aceste cinci grupuri,
poate pot descrie
caracteristicile acestor cinci
grupuri.
Nu va fi cauzal.
Va fi predictiv.
Dar poate că e
interesant, oricum.
Deci asta era în
ziar era Victor.
Folosim mecanismul de învățare
automată Bell pe
care Victor Whitney
a dezvoltat-o ​​în comun și despre care am
discutat deja în [?  Gana?]
hârtie de aplicat la această problemă.
Nu este important să
răspunzi pentru a înțelege
detaliile despre cum funcționează.
Cel mai important
lucru este ceea ce v-am
spus deja, care este foarte clar.
Reduceți-vă ambițiile.
Al doilea lucru cel mai important
este ca în primul lucru,
ca și în prima lucrare,
folosiți împărțirea probei.
Și, în principiu,
gândiți-vă, de exemplu, că există
vreo eterogenitate?
Cum va funcționa?  Ei
bine, mi-am împărțit proba în două.
În jumătate din eșantion,
folosesc orice
instrument de învățare automată pe care îmi place
să fac cea mai bună
presupunere a
efectului cauzal mediu al tratamentului.
Adică, gândește-te dacă te
gândești la asta într-o versiune
LASSO, de exemplu.
Interacționează toate x-urile mele
și toată interacțiunea
posibilă cu tratamentul.
Și apoi, asta
oferă, în principiu,
o predicție pentru
fiecare persoană despre
efectul tratamentului.
Știu că este puțin probabil
să fie grozav pentru că este plin
de flux, zgomot și chestii de
genul care vor fi
atribuite greșit
efectului x-urilor.
Dar tot o fac.
Puteți folosi LASSO,
pădure aleatoare, rețea neuronală,
orice doriți pentru a face această
predicție pentru fiecare combinație
de covariate.
Și apoi, în eșantionul
pe care l-ați lăsat în urmă,
rețineți că este
diferit de
împărțirea eșantionului, deoarece este folosit în
mod obișnuit în ML, deoarece, de exemplu,
pentru a face chiar și
exercițiul pe care îl fac,
de obicei, veți avea nevoie de
împărțirea eșantionului pentru a  reglați
parametrul și toate astea.
Deci nu este... este
împărțirea probei.
Împărțirea eșantionului meu este că
în jumătatea mea din eșantion,
am pus cel mai bun picior înainte
pentru a estima lucrul.
Și apoi, în jumătatea
eșantionului pe care l-am păstrat, voi
regresa

efectul tratamentului asupra acestei
caracteristici și voi vedea
dacă obțin doar liniar.
Și spuneți, dacă există vreun
efect, ar trebui să găsesc unul.
Dacă efectul a două
a fost estimat în...
dacă
eterogenitatea celor două în efect
a fost estimată în
eșantionul meu de învățare automată,
în eșantionul de testare ar trebui să
găsesc un coeficient de unu
atunci când încerc să-
l prezic pentru fiecare persoană.
Ar trebui să se alinieze
în același mod.
Și dacă de fapt,
totul a fost zgomot,
nu se va
alinia în același mod.
Așa că voi
găsi un zero mare de grăsime.  Din
punct de vedere empiric, din experiența mea
de a încerca asta, de cele mai multe ori
te oprești acolo
pentru că găsești zero.
Acela în care crezi
că ești eterogen
este poate chiar ți-ai spus
niște povești frumoase despre de ce
ar fi eterogen.
Și de fapt, odată ce o faci
în celălalt eșantion
și regresezi
efectul previzionat al tratamentului
asupra efectului real al tratamentului
pentru persoana
cu acele caracteristici,
nu găsești nicio diferență.
Dacă o faci, atunci
poți spune, oh, grozav.
Apoi, acum, îmi pot
separa grupurile
în cine este cel mai probabil să
fie afectat de tratament,
sau pe chintilă, și pot alerga
și calcula
efectul tratamentului pentru persoanele despre
care se preconizează că vor
fi cele mai puțin afectate și
al doilea cel mai puțin afectat,
iar al treilea cel mai puţin afectat.
Și așa fac
separarea pe baza
eșantionului meu de învățare automată.
Și apoi, estimăm
efectul tratamentului în acel grup.
Deci, acesta este un efect de tratament
în acel grup din
eșantionul rămas.
Și apoi, odată ce ai făcut
asta o dată, poți să o faci de multe, de
multe, de multe ori, multe
dintre despărțiri de multe ori.
Și apoi, obțineți chiar și
un standard, prin urmare,
pentru acest efect.
Acest lucru reflectă atât
zgomotul real pe care îl aveți în setul dvs. de date,
cât și faptul că
eșantionul dvs. s-a împărțit.
Așadar, fiecare eșantion încă
introduce propriul zgomot care
trebuie luat în considerare.
Da?
PUBLIC: Care
este exact diferența
dintre ceea ce faci în
setul de antrenament și setul de testare?
Deci, în setul de antrenament,
este prima dată.
ESTHER DUFLO: Vei stimula
tratamentul -- vei
stimula efectul tratamentului.
PUBLIC:
regresie interactivă.
ESTHER DUFLO:
Regresia interactivă.
De exemplu, gândiți-vă la asta
.
În al doilea set,
preziceți pentru fiecare persoană
ce există în
funcție de estimarea dvs.
în z, care
ar fi fost efectul tratamentului.
Și apoi regresezi.
De exemplu, executați o
regresie liniară a motivului rezultatului dvs.
Deci, gândiți-vă să rulați
următoarea regresie.
În ceea ce privește rezultatul, tratamentul,
interacțiunea tratamentului
a interacționat cu acest
efect prezis
și cu efectul prezis.
Deci, acesta este acum un
coeficient liniar.
Și doar întrebând,
oamenii pe care îi
prezic că vor avea
cel mai mare efect de tratament,
au de fapt un
efect de tratament mai mare?
Acest parametru liniar
nu prezintă interes în sine.
Spune doar, ar
trebui să fie... în mod ideal,
dacă acea estimare ar fi
foarte, foarte precisă,
acel coeficient ar fi unul.
Dacă estimarea este nedorită,
acea estimare ar fi zero.
Aceasta este principala utilizare a
acelui lucru liniar.
Apoi, ceea ce faci aici
este o versiune similară, dar dummificată,
dummificată.
În principiu, pe baza
estimării din
eșantionul de învățare automată,
ați format cinci grupuri
de persoane despre care se preconizează că
sunt cele mai afectate,
pe baza caracteristicilor X
și a
caracteristicilor de bază.
Și apoi, în
eșantionul tău de testare,
esti de fapt
efectul tratamentului
pentru persoanele care au
aceste caracteristici,
această combinație
de caracteristici.
În acea chintilă
dintre persoanele despre care se
prevede că vor avea cel
mai scăzut efect de tratament.
Așa că, din nou, dacă ar fi
totul nedorit, ar
fi doar o linie, deoarece oamenii
care au cel mai scăzut
efect de tratament în
eșantionul tău de învățare automată, de fapt,
nu o fac în viața reală.
Are sens?
Și apoi, așa că poți face asta.
Deci, iată, acestea sunt rezultatele
pentru proba de imunizare.
Deci sunt excepțional de
drăguți prin faptul că de fapt...
ceva iese din asta.
Nu este întotdeauna
cazul, așa cum am spus.
Și ceea ce găsiți este o eterogenitate foarte, foarte
puternică,
până la punctul în care locurile
care sunt cele mai afectate
sunt cu adevărat afectate.
Ai un efect uriaș de tratament.
Iar locurile care nu sunt,
care sunt mai puțin eficiente,
au efect negativ de tratament.
Deci, ceea ce
poți face sunt două lucruri.  În
primul rând, voi discuta despre
asta pentru un minut
de ce este chiar posibil să
aveți un efect negativ al tratamentului.
Și, în al doilea rând, ați putea spune
că ultimul lucru pe care îl facem
este să spunem, ei bine, putem face
o analiză de clasificare, adică
care
sunt personajele -
este ca și cum o grămadă dintre acestea
au interacționat între ele
într-un  mod complicat.
Dar dacă rulez doar o
statistică rezumată,
doar un tabel statistic rezumat al
caracteristicilor sumei
acestor grupuri diferite,
arată ele diferite,
grupurile?
Așa că trebuie să aveți
grijă să nu
suprainterpretați această diferență
pentru că, din nou,
nu sunt cauzale.
Dar măcar
vă oferă o descriere.
Și ceea ce considerăm că este
destul de interesant
este că locurile care
sunt cele mai afectate
sunt cele în care
ratele de imunizare au fost foarte, foarte
scăzute pentru început.
Iar locurile care
au fost cel mai puțin afectate
sunt locurile care
au
pentru început rate mari de imunizare.
Așa că îmi amintesc că am
prezentat asta prima dată în bancă,
în Banca Mondială și
prietenului meu [?  Jishnu Des, ?] despre a
cărui lucrare vom
vorbi mult în restul zilei
de astăzi și săptămâna viitoare.
Am fost ca, haide.
Nu poți scrie o lucrare în care să
faci toată chestia asta și să-
mi spui doar oamenii
care sunt cei mai afectați de...
și ai uitat imediat de
oamenii al căror
nivel de imunizare a fost scăzut de la început.
Și mai întâi am spus,
da, da, ai dreptate.
Sună puțin prostesc.
Dar apoi m-am gândit la
asta și am spus, de ce?
Chiar și oamenii cu o
rată mare de imunizare,
nu este vorba că au o
rată de imunizare foarte mare.
Au o mulțime de
posibilități de îmbunătățire.
Deci nu este mecanic.
Ele nu sunt mărginite.
Nu sunt deloc în intervalul
în care ar fi mărginiți.
Deci nimic nu spune că
impactul intervenției
este concav, în general.
De fapt, în multe cazuri,
este, de exemplu,
în programul ultra săraci
, cei
care beneficiază cel mai mult sunt cei
mai bogați dintre cei ultra săraci.
Deci nu cred că este
mecanic, dar poate că este.
E adevărat că un
pic ca prima lucrare,
sună puțin trist
după tot acest exercițiu
să vină cu
ceva evident.
Și apoi, celălalt lucru care
clar nu este mecanic,
este că obții un
impact negativ.
Care ar putea fi cel
mai interesant -
sau este probabil cel mai
interesant și înfricoșător rezultat
de aici.
Deci, de ce crezi că
rezultatul ar putea fi...
de ce crezi că unii oameni
ar putea fi afectați negativ?
Unele sate și,
prin urmare, unii oameni
ar putea fi afectați negativ
de un astfel de program.
PUBLIC: [INAUDIBIL]
ESTHER DUFLO: Vrei să spui că
deja făceau ceva
și...
PUBLIC: Dacă alți
oameni se poziționează
[INAUDIBIL]
ESTHER DUFLO: Rezultatul este
numărul de fotografii
care sunt date în
lună.
Așa că s-ar putea să fie epuizare
din alte lucruri.
Dar aici, de exemplu, dacă
vin oameni din alte sate,
ar fi numărați.
Aceasta include orice
aglomerare de alți oameni
din alte sate.
Da.
PUBLIC: O
ipoteză, cred,
care a fost menționată
pe scurt în lucrare și anume
că unii oameni
sunt foarte
motivați intrinsec să se vaccineze.
Și odată ce introduci această
încurajare externă,
atunci poate că există o
explicație comportamentală
că de fapt nu
vreau să o mai fac.
ESTHER DUFLO: Da,
poate acesta este unul
dintre aceste exemple de slăbiciuni
ca o serie de lucrări.
Unul se numește
„Găsirea prețului”
care arată că, atunci când o
școală penalizează părinții,
acordă amenda
oamenilor pentru părinți
atunci când își iau
copiii târziu la grădiniță,
numărul de părinți care își
trimit copiii -- care își iau
copiii târziu
de fapt.  crește
pentru că înainte, oamenii se gândeau,
oh, acesta este termenul limită.
Trebuie să-mi iau copiii.
Și acum, de fapt,
trimiteți un semnal că
puteți face acest lucru contra unui anumit preț.
Alt exemplu --
PUBLIC: Un alt motiv
pentru care s-au întâmplat toate aceste lucruri
a fost dacă toți cei din
sat ar fi
fost deja tratați cu oamenii [
INAUDIBILI]
pentru vaccinare
și toți ceilalți au nevoie de multe
informații [INAUDIBILI].
Dar cu stimulente financiare, s-
ar putea întreba de
ce guvernul sau oricine
încearcă să obțină bani
[INAUDIBILI] oameni...
ESTHER DUFLO: Da, exact.
Deci oamenii... deci o versiune
a ei, care comportament sau nu ar
putea fi că oamenii
o făceau deja.
Și apoi, dintr-o dată,
apare un stimulent.
De ce au nevoie de mine?
De ce trebuie să
mă plătească pentru a face asta?
Trebuie să fie foarte rău dacă
trebuie să mă plătească pentru a face asta.
Nu ar trebui să vreau
să o fac singură.
În contextul
vaccinului COVID 19, de exemplu,
în discuția din Franța
de a-l face obligatoriu
sau cvasi-obligatoriu,
ceea ce este acum, cu
siguranță nu a fost.
Acolo, dacă faci
ceva obligatoriu, atunci
spune--
trimite un semnal că nu este
ceva ce ar trebui să-ți dorești.
Și în schimb, de fapt, oamenii
erau extrem de suspicioși
față de vaccin în Franța.  A
fost una dintre cele mai înalte...
înainte de
începerea campaniei de vaccinare, a
fost una dintre țările cu cea mai mare
suspiciune.
Și apoi, începutul
campaniei a fost total năruit.
A fost cu adevărat lent.
În primele două săptămâni, au
imunizat 12 persoane.
De când au imunizat o femeie
numită Morrisette într-un
cămin de bătrâni.  Au
imunizat 12
oameni în două săptămâni.
A fost un dezastru.
Totul a fost că
nu va
fi suficient
vaccin și nu vom
putea face acest lucru.
Și apoi, opinia cu privire la dacă
oamenii doreau să se vaccineze
s-a schimbat.
Și o
interpretare posibilă este
că asta a devenit să fie
văzut ca ceva rar.
Pe care ar trebui să-l dorești pentru că
nu este suficient.
Și nu există... și acești
idioți ai guvernului
nu sunt capabili să ofere
acest bine de care avem cu adevărat nevoie.
Și, prin urmare, neîncrederea dumneavoastră în
guvern, în mod paradoxal,
cred, a jucat
acolo în favoarea
generării unui consens
mai mult decât orice altceva.
Și apoi, nu spun că au
făcut asta intenționat.
Știu că nu au făcut-o.
Și nu știu dacă
explicația mea este corectă,
dar ar putea fi.
Ceea ce știu că
au făcut intenționat
este să nu aibă un mandat,
sau ceva care să arate
așa, sau stimulente
până destul de târziu, pentru că
erau îngrijorați de
acel efect de reacție.
Că, dacă puneți un
stimulent, oamenii
nu o vor face
doar ca să deranjeze guvernul.
Și aici, s-ar putea
să fie un pic așa.  De
ce trebuie să
mă plătească să fac asta?
Aveam de gând să o fac
oricum, dar trebuie să fie bine
dacă mă plătesc să o fac.
Și asta este în concordanță
cu faptul
că efectele sunt cele
mai mici în locurile
care au deja multă imunizare,
deoarece lasă
o grămadă de oameni care
altfel ar fi făcut-o,
care nu pot fi convinși.
O mulțime de oameni,
în timp ce, a avut
efect în locurile în care
nimeni nu este vaccinat.
Nu există nimeni care să
fi fost
motivat intrinsec pentru a începe, așa că
motivația ta extrinsecă
o ajută.
PUBLIC: În acest
cadru special,
aveți vreo dovadă sau
înainte de această intervenție, când
oamenii erau imunizați, a
fost asociat anterior
cu guvernul?  S-ar
putea ca acum
guvernul să-
mi dea... înainte,
trebuia să merg la doctor.
Nu a existat o legătură atât de mare
între imunizări
și guvernul care
vrea să o faci.
Așa că poate că este vorba în mod
specific despre,
eu sunt neîncrezător
în guvern.
Dar nu neapărat de medicină.
Dar acum că guvernul se
impune,
nu știu dacă...
ESTHER DUFLO: Nu știu
pentru că oricum stimularea a fost
făcută ca parte a
structurilor guvernamentale.
Deci ar putea fi un exemplu
de a menține guvernul în afara
Medicare-ului meu.
Adică, dintr-o dată
oamenii și-au dat seama de
importanța guvernului
în a-și câștiga grija,
dar nu sunt sigur.  Ar
putea fi.
PUBLIC: Obțineți
un rezultat ca acesta
și
îl comunicați înapoi la centrul de apeluri.  Îl
traduci
înapoi în [INAUDIBIL]
ESTHER DUFLO: Da, deci felul în care...
acesta se traduce
frumos.
Practic, aveți
un astfel de tabel,
cu excepția faptului că îl puteți exprima
în grafice pentru a spune, ei bine,
obțineți cel mai mare efect
în locurile în care există
deja multă vaccinare.
Acestea sunt cinci dimensiuni
ale vaccinării,
dar puteți alege doar una.
Și niciunul din celelalte...
și apoi, acesta este singurul
lucru care iese.
Și de exemplu, pentru
guvern, foarte important
să le spunem că
nu este vorba despre religie.
Aceasta este Haryana.
Este ca hindus.
Guvernul este
ca dominat hindus.
Așa că sunt foarte prompti să
spună că sunt musulmani
care nu vor să fie imunizați.
Deci, puteți arăta că acest efect
nu variază în funcție de musulman, hindus.
Genul ăsta de lucruri.
Dar ai dreptate.  De
aceea vrem să
ajungem la [INAUDIBIL]
pentru a oferi ceva
concret, acționabil,
de înțeles.
Dar încă nu o
fac, doar una plină.
Nu este acolo.
Suntem foarte dornici să
extindem bârfa plus SMS-urile.
Dar acesta este
mai complicat.
Faptul că a
costat bani, deci,
deși un alt
mesaj important pentru politică
este că, dacă te concentrezi pe
locurile care sunt cel mai mult--
care au cel mai mare
efect, devine
rentabil în acele locuri.
Nu extraordinar.
Nu este îngrozitor de--
nu este îngrozitor de mult mai ieftin
decât controlul,
ceea ce
facem în care găsim în Udaipur.
Dar în grupurile de top,
nu poți proiecta că
nu pierzi niciun ban pe
lovitură în comparație cu faptul că nu faci
stimulente.
Deci, de aceea, este
important să avem această analiză,
deoarece
mesajul politicii devine
puțin mai subtil.
Este A, nu vrei să o faci
acolo unde se va întoarce înapoi.
Dar B, în locurile în care
funcționează de fapt,
ai putea la fel de bine să o faci.  Nici măcar
nu
te va costa mai mult per imunizare.
Dar înțeleg pe deplin
ideea că.
Observația mea empirică
este că acesta este
un mesaj care este mai greu de
transmis decât mesajul simplu.
Aceasta este ceea ce
poți face peste tot.
Acest lucru este ieftin de
făcut și mergeți pentru asta.
Deci, toate acestea înseamnă că... deci, în
primul rând,
există multe lucruri pe care nu le
înțelegem pe deplin pentru sănătate.
Dar este într-adevăr un
set grozav de subiecte.
Multe dintre ele încă deschise.
Și apoi, face un
răspuns de aprovizionare destul de complicat.
Într-un mediu în care
cererea este complicată, se întâmplă
toate aceste
lucruri,
încrederea,
reducerea hiperbolică,
dezinformarea etc.  Vă
puteți aștepta că
acolo aprovizionarea
va fi greu de disciplinat.
Deci nu avem timp să
acoperim toată aprovizionarea astăzi.
Dar pot să încep
puțin și apoi să continui.
Vreau să predau despre
furnizarea de îngrijiri medicale,
așa că voi continua mai târziu.  De
unde începem?
Deci motivația este de la Arrow.
Îngrijirea sănătății este o
credință bună cu o mulțime
de informații asimetrice.
Furnizorul știe
mai multe decât pacientul.
Din toate motivele pe care le-am
descris, este clar adevărat.
Învățarea este foarte
dificilă.  Și
există o mulțime de externalități.
Deci, chiar dacă ai ști
totul,
vei avea o cerere destul de scăzută pentru
unele bunuri, cum ar fi prevenirea.
Și apoi, cererea prea mare
pentru alte bunuri,
cum ar fi antibioticul.
Chiar dacă înțelegi
totul, doar
pentru că antibioticul
te va ajuta acum,
în timp ce imunizarea îi
va ajuta pe toți ceilalți oameni.
Deci nu te poți baza pe
indivizi pentru a alege
rezultatul potrivit.
Din toate aceste motive,
asistența medicală privată nereglementată
va tinde să se trateze prost și să
ofere în exces unele medicamente
și să ofere sub
unele medicamente.
Prin urmare, concluzia noastră
nu este vorba despre India.
Vorbește despre SUA,
dar asta se aplică și Indiei.
Este consensul social general
, în mod clar,
că soluția laissez-faire
pentru medicină este intolerabilă.
Suntem de acord.
Doar că... O să
omit peste asta.  Ei
bine, poate nu.
Deci, într-adevăr, a afla despre
calitatea asistenței medicale pe care o
primiți este foarte
dificilă, atât din cauza a ceea ce
am discutat despre
bolile autolimitate,
cât și din cauza externalităților.
Drept urmare, oamenii au
o înțelegere foarte slabă
a sănătății lor.
Și au o
înțelegere slabă
dacă
beneficiază de îngrijiri medicale bune.
Așa că am discutat
deja despre bolile autolimitate.
Și asta duce potențial
la utilizarea excesivă a antibioticelor
sau [INAUDIBLE] pentru
COVID, deoarece
crezi că
au fost eficiente,
când, de fapt, este doar că
boala a devenit mai târziu.
Cealaltă problemă
sunt externalitățile.
Atunci mulți oameni se
imunizează sau se deparazitează,
nimeni nu se îmbolnăvește.
Și nu te
îmbolnăvești mai puțin pentru că ai
primit imunizarea
sau deparazitarea.
Rezultatul este că
există o mulțime de...
este foarte ușor pentru un furnizor să
profite de situație pentru a
acorda îngrijiri foarte, foarte proaste.
Și în special, să dai
medicamente foarte, foarte, foarte proaste.
Într-un mediu în care mulți
oameni iau tratament împotriva malariei
chiar și atunci când
nu au malarie
și oamenii sunt foarte
naivi în ceea ce privește modelul,
există un stimulent foarte puternic
de a vinde tratament fals
pentru că, de obicei,
poți scăpa cu asta.
Așa că, pentru a investiga acest lucru,
Bjorkman, Svensson
și Yanakizawa-Drott
au trimis un cumpărător misterios
să cumpere un medicament anti-malarie
, cel nou, ACT,
terapie combinată cu artemisinină,
în 99 de piețe din Uganda,
și apoi să le testeze în laborator.
Și ceea ce au descoperit este
că 37% din magazin
vinde unele contrafăcute,
că prețul
nu are legătură cu faptul că este vorba despre
contrafăcute
sau nu și că ponderea--
proporția de falsuri
este în creștere în ponderea
consumatorilor naivi sau a persoanelor care
înțeleg greșit malaria.  .
Așa că pun întrebări oamenilor
despre ceea ce crezi că
provoacă malaria.
Deci unii oameni cred
că ploaia provoacă malarie.
Și unii oameni știu
că sunt țânțari.
Și sunt țânțari
când plouă.
Și cu cât aveți mai multe dintre aceste
gospodării naive, cu atât
există mai multe contrafăcute.
Oamenii sunt mai predispuși să aibă... îmi
pare rău.
Acesta este aici.  Cu
cât ai mai mulți oameni naivi
, cu atât este mai probabil
ca un loc să vândă
malarie contrafăcută.
Și asta ține de faptul
că, cu cât oamenii sunt mai naivi, cu
atât oamenii sunt mai convinși
că drogul pe care îl primesc
este bun, poate
pentru că l-au încercat
și a funcționat în ceea ce
îi privește.
Deci, ceea ce fac ei în această lucrare
este că se întreabă
dacă o calitate bună le
poate conduce pe cele proaste.
Așa că lucrează cu BRAC,
aceeași cu faimă ultra proastă
și, altfel, organizație extrem de
reputată și competentă
, care
acum nu lucrează
doar în Bangladesh, ci și
în Uganda și alte
țări din Africa de Est.
Și BRAC înființează farmacii,
care vinde
medicamente antimalarie de bună calitate.
Și întrebarea lor
este, îi va
duce pe ceilalți
oameni să dispară?
Și întrebarea...
răspunsul este în doi pași.
În medie,
calitatea în magazin
crește, iar prețul
medicamentului împotriva malariei scade.
Deci, în medie,
efectul concurenței, de fapt, funcționează.
Dacă introduceți
acest produs legat,
oamenii se vor aduna la el.
Și apoi, pune presiune
pe ceilalți tipi.
Și vor avea tendința
fie de a alege medicamente bune
și de a reduce prețurile.
Cu toate acestea, acest lucru funcționează
mai puțin în satele unde
sunt clienți mai naivi.
Deci, atunci când interacționați,
utilizați acest tabel,
când interacționați cu
fracția în care ONG-ul
vinde droguri în medie,
este mai puțin probabil să existe
droguri false în sat.
Dacă există mai mulți
nativi așa cum am
văzut înainte, acesta este acesta,
sunt mai multe droguri false.
Și atunci, dacă
în sat sunt mai mulți băștinași,
efectul tratamentului
este mai puțin puternic.
Deci numărul unu, când
ai mai mulți băștinași
în sat care nu
înțeleg modelul,
ai mai multe droguri false.
Numărul doi,
face dificil să...
mai dificil să rezolvi problema punând
medicamente bune.
Deci doar pentru a spune că...
pentru a mângâia punctul pe care
Arrow l-a spus.
Este greu să înveți despre
sănătate și furnizorul să
profite de ea.
Și, prin urmare,
sectorul privat de îngrijire a sănătății
este în țări sărace
este cu adevărat îngrozitor.
Și vă voi spune puțin
mai multe despre cât de îngrozitor
este data viitoare.
Deci ne oprim aici.
Cred că vom avea
timp să terminăm
asta într-o jumătate de prelegere,
care încă ne va oferi
o prelegere și jumătate
despre gen.  Deci va
fi bine.
Dar luni, Ben predă.
Așa că vei lăsa asta
în frigider pentru un minut,
pentru o prelegere, și ne
vom întoarce împreună.