Sesgo de autoselección durante el curso de los experimentos.

Supongamos que está ejecutando un experimento aleatorio para evaluar el efecto de , digamos algún programa de capacitación para personas desempleadas, en , digamos la posibilidad de encontrar un trabajo en el próximo año. Supongamos también que lleva tiempo: tal vez dura varios meses.$X$$Y$$X$

Debido a que aleatoriza, no necesita preocuparse por el sesgo de autoselección inicialmente. Pero durante el curso de , algunas personas probablemente se darán cuenta de que es beneficioso para ellos, y otras pueden darse cuenta de que están perdiendo el tiempo.$X$$X$

Como resultado, uno podría esperar que entre las personas que abandonan el programa, haya una mayor proporción de agentes para los cuales el efecto del tratamiento hubiera sido menor. Esto podría inducir una sobreestimación del efecto del tratamiento.

Mis preguntas son :

• ¿Se discute este tipo de sesgo en la literatura sobre experimentos aleatorios?
• ¿Tiene un nombre canónico?
• ¿El investigador intenta controlar esto y, en caso afirmativo, cómo?

Aparentemente esto se llama sesgo de deserción . Es muy similar al sesgo de supervivencia . Este artículo sugiere corregirlo utilizando la corrección de Heckman . La coincidencia de puntaje de propensión también puede ayudar un poco . Mi experiencia con ambos ha sido mixta, pero se usan comúnmente. Debe averiguar qué enfoque exacto es el más apropiado para su entorno.

Una última edición: estos dos documentos, que hablan sobre limitar el efecto promedio del tratamiento, también pueden serle útiles.

Creo que este documento puede ser útil para usted. Es un documento de mercado laboral de uno de los estudiantes de Heckman en UChicago, llamado Rodrigo Pinto . El artículo se titula "Sesgo de selección en un experimento controlado: el caso de pasar a la oportunidad". En el experimento MTO, el mecanismo de asignación de comprobantes fue aleatorio, pero solo aproximadamente la mitad de los que recibieron el comprobante terminaron moviéndose. Esto crea un problema porque el análisis habitual (tratamiento-efecto-en-el-tratado o intención de tratar) solo nos dirá el efecto causal de recibir un cupón. Sin embargo, estamos interesados ​​en el efecto causal del nuevo vecindario, no en recibir el cupón. Muestra cómo descomponer el parámetro típico de tratamiento en el tratado en componentes que tienen interpretaciones inequívocas. A saber, aísla el efecto causal del nuevo vecindario.

Otra cosa que puede ver es el "análisis por intención de tratar" . De Wikipedia

Un análisis por intención de tratar (ITT) de los resultados de un experimento se basa en la asignación de tratamiento inicial y no en el tratamiento finalmente recibido. El análisis de ITT tiene la intención de evitar varios artefactos engañosos que pueden surgir en la investigación de intervención, como la deserción no aleatoria de los participantes del estudio o el cruce.

Esto parece coincidir con lo que estaba buscando: su tratamiento es aleatorio inicialmente y las personas abandonan de manera no aleatoria.