フィールド実験

フィールド実験は、実験室の外で行われる実験です。

フィールド実験では、被験者（または他のサンプリング単位）を治療群または対照群にランダムに割り当て、因果関係の主張を検証します。ランダム割り当ては、治療群と対照群の比較可能性を確立するのに役立ちます。これにより、治療を実施した後に両者の間に生じる違いは、グループ間の既存の違いではなく、治療の影響をもっともらしく反映します。フィールド実験の特徴は、実際の環境で行われ、多くの場合目立たず、被験者プールだけでなく、ジョン A. リストなどのリーダーによって定義された選択と明白さも制御することです。これは、実験室という人工的で高度に制御された環境で仮説をテストすることにより、科学的制御を強化する実験室実験とは対照的です。フィールド実験には、自然発生的な実験や準実験とは状況的にも違いがあります。^{[1]自然発生的な実験は、}ランダム化治療の割り当てと実装を制御する外部勢力（政府、非営利団体など）に依存していますが、フィールド実験では、研究者がランダム化と実装を管理する必要があります。準実験は、実験があたかもランダムに行われたかのように行われる場合に発生します（例：候補者がわずかな差で勝利する米国議会選挙区、^[2]気象パターン、自然災害など）。

フィールド実験には、それぞれ一般性の度合いが異なるさまざまな実験設計が含まれます。一般性の基準の一部 (例: 処置、参加者、状況、結果の測定の信頼性) は、実験サンプルの被験者と残りの人口の間の状況の類似性を指します。フィールド実験は、健康、教育、犯罪、社会福祉、政治などの分野における政策関連の介入の効果を研究するために、社会科学でますます使用されています。

無作為割り当てでは、被験者は非決定論的な確率に基づいてグループに割り当てられるため、フィールド実験の結果は現実世界を反映する。^[3]研究者が偏りのない潜在的結果を収集できる能力の根底にある他の 2 つの中核的な仮定は、排除可能性と非干渉である。^{[4] [5]}排除可能性の仮定は、唯一の関連する原因は治療の受領であるとする。治療グループと対照グループの割り当て、管理、または測定の非対称性は、この仮定に違反する。非干渉仮定、または安定単位治療価値仮定(SUTVA) は、結果の価値は被験者に治療が割り当てられているかどうかのみによって決まり、他の被験者に治療が割り当てられているかどうかには左右されないことを示す。これらの 3 つの中核的な仮定が満たされると、研究者はフィールド実験を通じて偏りのない推定値を提供できる可能性が高くなります。

フィールド実験を設計し、データを収集した後、研究者は統計的推論テストを使用して、被験者に対する介入の影響の大きさと強さを判断できます。フィールド実験では、研究者はさまざまな量と種類のデータを収集できます。たとえば、研究者は、適切な統計的推論方法で試験前と試験後の情報を使用する実験を設計し、介入が被験者レベルの結果の変化に影響を与えるかどうかを確認できます。

フィールド実験は現実世界の出来事をシミュレートするため、研究者に理論をテストし、外部妥当性が高い疑問に答える手段を提供します。 ^{[6]一部の研究者は、フィールド実験は潜在的な}バイアスやバイアスのかかった推定値に対するより良い防御策であると主張しています。また、フィールド実験は、観察データと実験結果を比較するためのベンチマークとして機能することができます。フィールド実験をベンチマークとして使用すると、観察研究におけるバイアスのレベルを判断するのに役立ちます。また、研究者は先験的判断から仮説を立てることが多いため、ベンチマークは研究の信頼性を高めるのに役立ちます。^[7]共変量調整やマッチング設計がバイアスの排除に同様に機能する可能性があると主張する人もいますが、フィールド実験は、観察された要因と観察されなかった要因をより適切に割り当てるため、省略された変数のバイアスを置き換えることで確実性を高めることができます。 [ ^{8 ]}

研究者は機械学習の手法を利用して、実験データをシミュレートし、重み付けし、一般化することができます。^[10]これにより、実験結果を収集する速度と効率が向上し、実験の実施コストが削減されます。フィールド実験におけるもう1つの最先端技術は、マルチアームバンディットデザインの使用です。^[11]これには、時間の経過とともに変化する結果と変化する治療法を伴う実験に対する同様の適応型デザインが含まれます。^[12]

フィールド実験を他の研究デザイン（実験室実験、調査実験、観察研究など）の代わりに使用することに対する制限や反対意見がある。フィールド実験は必然的に特定の地理的および政治的環境で行われるため、結果を外挿して対象集団に関する一般理論を策定することには懸念がある。しかし、研究者は、処置を受けた集団と外部集団の環境を比較し、より大きなサンプルサイズからの情報にアクセスし、サンプル内の処置効果の異質性を考慮してモデル化することで、サンプル外で因果効果を効果的に一般化する戦略を見つけ始めている。 ^[13]フィールド実験集団から外部集団に一般化するために共変量ブロッキング手法を使用する研究者もいる。^[14]

フィールド実験に影響を与える非遵守の問題（片側非遵守と両側非遵守の両方）^{[15] [16]}は、特定のグループに割り当てられた被験者が割り当てられた介入をまったく受けなかった場合に発生する可能性があります。データ収集に関するその他の問題には、脱落（治療を受けた被験者が結果データを提供しない場合）があり、特定の条件下では収集されたデータに偏りが生じます。これらの問題は不正確なデータ分析につながる可能性がありますが、フィールド実験を使用する研究者は、これらの困難が生じても統計的手法を使用して有用な情報を計算できます。^[16]

^{フィールド実験を使用すると、被験者間の干渉[17]}に関する懸念も生じる可能性があります。治療を受けた被験者またはグループが、治療を受けていないグループの結果に影響を与える場合（移動、コミュニケーション、伝染などの条件を介して）、治療を受けていないグループは、真の治療を受けていない結果と同じ結果にならない可能性があります。干渉のサブセットはスピルオーバー効果であり、治療を受けたグループの治療が隣接する治療を受けていないグループに影響を与える場合に発生します。

フィールド実験は、費用がかかり、実施に時間がかかり、再現が難しく、倫理的な落とし穴に悩まされる可能性があります。治療の選択に不公平さが感じられると、被験者または集団が実施プロセスを台無しにする可能性があります (たとえば、「負の所得税」実験では、割り当てが純粋にランダムにならないように、コミュニティが現金給付を受けるようロビー活動を行う可能性があります)。すべての被験者から同意書を収集することには限界があります。介入を実施したり、データを収集したりする仲間が、ランダム化スキームを汚染する可能性があります。したがって、結果として得られるデータは、より多様になる可能性があります。標準偏差が大きく、精度と正確性が低くなるなどです。これにより、フィールドテストではより大きなサンプルサイズが使用されます。ただし、再現性が難しい場合でも、実験の結果が重要であれば、実験が再現される可能性が高くなると主張する人もいます。同様に、フィールド実験では「ステップウェッジ」設計を採用して、最終的にサンプル全体に異なるタイミングスケジュールで介入へのアクセスを与えることができます。^{[18]研究者は、操作の可能性を排除するために}盲検フィールド実験を設計することもできます。

研究室やフィールドでの実験の歴史は、物理学、自然科学、生命科学に長年影響を及ぼしてきました。フィールド実験の現代的な利用は、ジェームズ・リンドが壊血病の治療法を見つけるために制御されたフィールド実験を利用した1700年代にまで遡ります。^[19]

フィールド実験を使用する科学の他のカテゴリの例は次のとおりです。

• 経済学者はフィールド実験を利用して、差別（例えば、労働市場、^{[20] [21]}住宅、^[22]シェアリングエコノミー、^[23]信用市場、^[24]統合^[25]）、医療プログラム、^[26] 慈善募金、^[27] 教育、^[28]市場における情報集約、マイクロファイナンスプログラムを分析してきました。^[29]
• エンジニアは、以前の実験室テストを検証し、より広範なフィードバックを得るために、プロトタイプ製品のフィールドテストを頻繁に実施します。
• 社会心理学には、クルト・ルーヴィンやスタンレー・ミルグラムなど、フィールド実験を活用した先駆者がいます。
• 農業科学研究者RAフィッシャーは、作物に関するランダム化された実際の「フィールド」実験データ^[30]を分析しました。
• 政治学研究者ハロルド・ゴスネルは1924年と1925年に有権者の参加に関する初期のフィールド実験を実施した。^[31]
• 生態学 ジョセフ・H・コネルのフィールド実験。^[32]

• フィールド調査