Biais d'autosélection au cours des expériences

Supposons que vous meniez une expérience randomisée pour évaluer l'effet de , disons un programme de formation pour les chômeurs, sur , disons la chance de trouver un emploi dans l'année à venir. Supposons également que prenne du temps: peut-être que cela dure plusieurs mois.$X$$Y$$X$

Parce que vous randomisez, vous n'avez pas à vous soucier du biais d'auto-sélection au départ. Mais au cours de , certaines personnes se rendront probablement compte que est bénéfique, et d'autres peuvent se rendre compte qu'elles perdent leur temps.$X$$X$

Par conséquent, on pourrait s'attendre à ce que parmi les personnes qui abandonnent le programme, il y ait une proportion plus élevée d'agents pour lesquels l'effet du traitement aurait été plus faible. Cela pourrait induire une surestimation de l'effet du traitement.

Mes questions sont :

• Ce type de biais est-il discuté dans la littérature sur les expériences randomisées?
• At-il un nom canonique?
• Le chercheur essaie-t-il de contrôler cela, et si oui, comment?

Apparemment, cela s'appelle un biais d'attrition . C'est très similaire au biais de survie . Cet article suggère de le corriger en utilisant la correction Heckman . L'appariement des scores de propension peut également aider quelque peu . Mon expérience avec les deux a été mitigée, mais elles sont couramment utilisées. Vous devez déterminer quelle approche exacte est la plus appropriée pour votre environnement.

Une dernière modification: ces deux articles, qui parlent de limiter l'effet moyen du traitement, peuvent également vous être utiles.

Je pense que ce document pourrait vous être utile. Il s'agit d'un document sur le marché du travail rédigé par l'un des étudiants de Heckman à UChicago, nommé Rodrigo Pinto . Le document est intitulé «Biais de sélection dans une expérience contrôlée: le cas de la transition vers l'opportunité». Dans l'expérience MTO, le mécanisme d'attribution des bons était aléatoire, mais seulement environ la moitié des personnes ayant reçu le bon ont finalement déménagé. Cela crée un problème parce que l'analyse habituelle (effet-sur-le-traité ou intention-de-traitement) ne nous dira que l'effet causal de la réception d'un bon. Cependant, nous nous intéressons à l'effet causal du nouveau quartier, et non à la réception du bon. Il montre comment décomposer le paramètre typique de traitement sur le traitement en composants qui ont des interprétations sans ambiguïté. À savoir, il isole l'effet causal du nouveau quartier.

Une autre chose que vous pouvez regarder est "l'analyse en intention de traiter" . De Wikipédia,

Une analyse en intention de traiter (ITT) des résultats d'une expérience est basée sur l'attribution initiale du traitement et non sur le traitement finalement reçu. L'analyse ITT vise à éviter divers artefacts trompeurs qui peuvent survenir dans la recherche interventionnelle tels que l'attrition non aléatoire des participants à l'étude ou le croisement.

Cela semble correspondre à ce que vous cherchiez: votre traitement est randomisé au départ et les gens abandonnent de manière non aléatoire.