Módulo 4 Aleatorização

O módulo sobre inferência causal discutiu o papel crucial da aleatorização para extrair inferências válidas de uma comparação entre grupos tratados e não-tratados. Neste módulo, passamos da teoria para a primeira de muitas escolhas concretas que você terá de fazer em seu projeto de pesquisa.

Apresentamos quatro maneiras comuns de aleatorizar o tratamento – simples, completo, em bloco e agrupado (cluster) – e quando esses diferentes tipos de aleatorização são disponíveis e apropriados. Também cobrimos vários desenhos experimentais comuns, incluindo desenhos fatoriais e desenhos de encorajamento. Este módulo fornece orientações sobre a implementação, incluindo as melhores práticas para verificar o balanceamento dos grupos e para garantir replicabilidade.

4.1 Conteúdo Principal

  • O que é aleatorização? Atribuição aleatória é diferente de amostragem aleatória.

  • Quatro maneiras comuns de aleatorizar o tratamento:

    • Simples: Atribuir tratamento às unidades aleatoriamente (como ao jogar uma moeda).

    • Completa: Dentro de uma lista de unidades elegíveis, atribuir um número fixo de unidades para receber um tratamento (como ao retirar de uma urna).

    • Em bloco (ou estratificada): Atribuir tratamento com base em estratos ou blocos específicos, como se você estivesse conduzindo um experimento dentro de cada bloco.

    • Agrupada (cluster): Atribuir grupos (clusters) de observações à mesma condição de tratamento.

  • Alguns dos desenhos experimentais mais utilizados:

    • Aleatorização do Acesso: Aleatorização da disponibilidade de tratamento.

    • Aleatorização de Acesso Atrasado: Aleatorização do período de acesso.

    • Desenho Fatorial: Aleatorização das unidades para diferentes braços de tratamento.

    • Desenho de Encorajamento: Aleatorização do estímulo ou incentivo para receber um tratamento.

  • Como verificar se a aleatorização produziu balanceamento nas características observáveis? Normalmente, testamos a aleatorização (testes de balanceamento), usando o teste omnibus \(d^2\) da função xBalance presente no RItools (pois é uma inferência aleatorizada) ou aproximando o resultado com um teste\(-F\)

  • Claro que existem limites para a aleatorização. Discutiremos alguns aqui e sugerimos que você leia o módulo sobre ameaças à validade interna dos experimentos para saber mais sobre os limites da aleatorização.

4.3 Recursos

4.3.2 Livros, Capítulos e Artigos

4.3.4 Ferramentas

  • RItools, um conjunto de ferramentas para inferência aleatorizada, incluindo testes de balanceamento.

References

Gerber, Alan S., and Donald P. Green. Field Experiments: Design, Analysis, and Interpretation. New York, NY: W. W. Norton & Company, 2012.
Glennerster, Rachel, and Kudzai Takavarasha. Running Randomized Evaluations: A Practical Guide. Princeton: Princeton University Press, 2013.