Experimento de campo

Los experimentos de campo son experimentos realizados fuera de entornos de laboratorio . Se diferencian de otros en que se llevan a cabo en entornos del mundo real, a menudo de forma discreta, y controlan no solo el grupo de sujetos, sino también la selección y la transparencia, como lo definen líderes como John A. List . Esto contrasta con los experimentos de laboratorio, que imponen el control científico al probar una hipótesis en el entorno artificial y altamente controlado de un laboratorio. Los experimentos de campo también presentan algunas diferencias contextuales con respecto a los experimentos naturales y los cuasiexperimentos. ^{[ 1 ]} Mientras que los experimentos naturales dependen de una fuerza externa (por ejemplo, un gobierno, una organización sin fines de lucro, etc.) que controla la asignación aleatoria del tratamiento y su implementación, los experimentos de campo requieren que los investigadores mantengan el control sobre la aleatorización y la implementación. Los cuasiexperimentos ocurren cuando los tratamientos se administran como si fueran aleatorios (por ejemplo, distritos del Congreso de los EE. UU. donde los candidatos ganan por márgenes estrechos, ^{[ 2 ]} patrones climáticos, desastres naturales, etc.).

En un experimento de campo, los investigadores asignan aleatoriamente a los sujetos (u otras unidades de muestreo) a grupos de tratamiento o de control para comprobar posibles relaciones causales . La asignación aleatoria ayuda a establecer la comparabilidad entre ambos grupos, de modo que cualquier diferencia que surja tras la administración del tratamiento refleje de forma plausible la influencia del mismo, en lugar de diferencias preexistentes entre los grupos.

Los experimentos de campo abarcan una amplia gama de diseños experimentales, cada uno con distintos grados de generalidad. Algunos criterios de generalidad (por ejemplo, la autenticidad de los tratamientos, los participantes, los contextos y las medidas de resultado) se refieren a las similitudes contextuales entre los sujetos de la muestra experimental y el resto de la población. Su uso se está extendiendo en las ciencias sociales para estudiar los efectos de las intervenciones políticas en ámbitos como la salud, la educación, la delincuencia, el bienestar social y la política.

Bajo asignación aleatoria, los resultados de los experimentos de campo reflejan el mundo real porque los sujetos se asignan a grupos en función de probabilidades no deterministas. ^{[ 3 ]} Otros dos supuestos fundamentales sustentan la capacidad del investigador para recopilar resultados potenciales imparciales: la excluibilidad y la no interferencia. ^{[ 4 ] [ 5 ]} El supuesto de excluibilidad establece que el único agente causal relevante es la recepción del tratamiento. Las asimetrías en la asignación, administración o medición de los grupos de tratamiento y control violan este supuesto. El supuesto de no interferencia, o Supuesto de Valor de Tratamiento Unitario Estable (SUTVA), indica que el valor del resultado depende solo de si el sujeto recibe o no el tratamiento y no de si otros sujetos reciben o no el tratamiento. Cuando se cumplen estos tres supuestos fundamentales, es más probable que los investigadores proporcionen estimaciones imparciales a través de experimentos de campo.

Tras diseñar el experimento de campo y recopilar los datos, los investigadores pueden utilizar pruebas de inferencia estadística para determinar la magnitud y la intensidad del efecto de la intervención en los sujetos. Los experimentos de campo permiten a los investigadores recopilar datos de diversa índole y en diferentes cantidades. Por ejemplo, un investigador podría diseñar un experimento que utilice información previa y posterior a la intervención, aplicando un método de inferencia estadística adecuado para determinar si una intervención tiene algún efecto en los resultados individuales.

Los experimentos de campo ofrecen a los investigadores una forma de probar teorías y responder preguntas con mayor validez externa, ya que simulan sucesos del mundo real. ^{[ 6 ]} En comparación con las encuestas y los experimentos de laboratorio, una ventaja de los experimentos de campo es que permiten evaluar a las personas sin que sepan que participan en un estudio, lo que podría influir en sus respuestas (conocido como el " Efecto Hawthorne "). Por ejemplo, los investigadores utilizaron un experimento de campo publicando diferentes tipos de anuncios de empleo para evaluar las preferencias de las personas por trabajos estables frente a trabajos estimulantes, como una forma de comprobar la validez de las respuestas de las personas a las medidas de la encuesta. ^{[ 7 ]}

Some researchers argue that field experiments are a better guard against potential bias and biased estimators. Field experiments can act as benchmarks for comparing observational data to experimental results. Using field experiments as benchmarks can help determine levels of bias in observational studies, and, since researchers often develop a hypothesis from an a priori judgment, benchmarks can help to add credibility to a study.^[8] While some argue that covariate adjustment or matching designs might work just as well in eliminating bias, field experiments can increase certainty^[9] by displacing omitted variable bias because they better allocate observed and unobserved factors.^[10]

Researchers can utilize machine learning methods to simulate, reweight, and generalize experimental data.^[11] This increases the speed and efficiency of gathering experimental results and reduces the costs of implementing the experiment. Another cutting-edge technique in field experiments is the use of the multi armed bandit design,^[12] including similar adaptive designs on experiments with variable outcomes and variable treatments over time.^[13]

There are limitations of and arguments against using field experiments in place of other research designs (e.g. lab experiments, survey experiments, observational studies, etc.). Given that field experiments necessarily take place in a specific geographic and political setting, there is a concern about extrapolating outcomes to formulate a general theory regarding the population of interest. However, researchers have begun to find strategies to effectively generalize causal effects outside of the sample by comparing the environments of the treated population and external population, accessing information from larger sample size, and accounting and modeling for treatment effects heterogeneity within the sample.^[14] Others have used covariate blocking techniques to generalize from field experiment populations to external populations.^[15]

Los problemas de incumplimiento que afectan a los experimentos de campo (tanto el incumplimiento unilateral como el bilateral) ^{[ 16 ] [ 17 ]} pueden ocurrir cuando los sujetos asignados a un grupo determinado nunca reciben la intervención que se les asignó. Otros problemas en la recopilación de datos incluyen la deserción (cuando los sujetos tratados no proporcionan datos de resultados), lo que, bajo ciertas condiciones, sesgará los datos recopilados. Estos problemas pueden llevar a un análisis de datos impreciso; sin embargo, los investigadores que utilizan experimentos de campo pueden emplear métodos estadísticos para calcular información útil incluso cuando se presentan estas dificultades. ^{[ 17 ]}

El uso de experimentos de campo también puede generar inquietudes sobre la interferencia ^{[ 18 ]} entre sujetos. Cuando un sujeto o grupo tratado afecta los resultados del grupo no tratado (a través de condiciones como desplazamiento, comunicación, contagio, etc.), es posible que los grupos no tratados no tengan un resultado que sea el verdadero resultado no tratado. Un subconjunto de la interferencia es el efecto de contagio, que ocurre cuando el tratamiento de los grupos tratados afecta a los grupos no tratados vecinos.

Los experimentos de campo pueden ser costosos, requerir mucho tiempo para su realización, ser difíciles de replicar y estar plagados de problemas éticos. Los sujetos o poblaciones podrían socavar el proceso de implementación si existe una percepción de injusticia en la selección del tratamiento (por ejemplo, en los experimentos de " impuesto negativo sobre la renta ", las comunidades podrían presionar para que su comunidad reciba una transferencia de efectivo, de modo que la asignación no sea puramente aleatoria). Existen limitaciones para obtener formularios de consentimiento de todos los sujetos. Los compañeros que administran las intervenciones o recopilan datos podrían contaminar el esquema de aleatorización. Por lo tanto, los datos resultantes podrían ser más variados: mayor desviación estándar , menor precisión y exactitud , etc. Esto lleva al uso de tamaños de muestra más grandes para las pruebas de campo. Sin embargo, otros argumentan que, aunque la replicabilidad es difícil, si los resultados del experimento son importantes, entonces hay una mayor probabilidad de que el experimento se replique. Además, los experimentos de campo pueden adoptar un diseño de " cuña escalonada " que eventualmente dará a toda la muestra acceso a la intervención en diferentes cronogramas. ^{[ 19 ]} Los investigadores también pueden diseñar un experimento de campo ciego para eliminar las posibilidades de manipulación.

The history of experiments in the lab and the field has left longstanding impacts in the physical, natural, and life sciences. Modern use field experiments has roots in the 1700s, when James Lind utilized a controlled field experiment to identify a treatment for scurvy.^[20]

Other categorical examples of sciences that use field experiments include:

• Economists have used field experiments to analyze discrimination (e.g., in the labor market,^[21][22] in housing,^[23] in the sharing economy,^[24] in the credit market,^[25] or in integration^[26]), health care programs,^[27]charitable fundraising,^[28]education,^[29] information aggregation in markets, and microfinance programs.^[30]
• Engineers often conduct field tests of prototype products to validate earlier laboratory tests and to obtain broader feedback.
• Researchers in social psychology often use field experiments, such as Stanley Milgram's Stanford Prison Experiment and Robert Cialdini's door-in-the-face study.^[31]
• Agricultural science researcher R.A. Fisher analyzed randomized actual "field" experimental data^[32] for crops.
• Political Science researcher Harold Gosnell conducted an early field experiment on voter participation in 1924 and 1925.^[33]
• EcologyJoseph H. Connell’s field experiment.^[34]

• Field research