如何检测对行为的影响

Question

从一项行为研究中提取数据。这项研究是关于人们如何改变他们的饮食行为，遵循视觉暗示。对一组人来说:一组是视觉暗示，然后是记录他们选择吃的东西，另一组是随机的东西，或者什么也没有，然后记录下来，他们选择吃。这个实验在同一人身上重复了很多次，在一天中的不同时间。我有一个数据集，准确地记录了每个人的个人信息，以及他们在每次实验中的饮食行为。

其目的是预测视觉提示是否会让人吃下提示中所呈现的内容。问题是，我不清楚如何将治疗的影响与他们可能表现出来的行为区分开来。也就是说，假设一个人看到一个蛋糕的图像，然后，当他收到各种不同的食物时，吃蛋糕。我们怎么能知道，影响他的其实是他的形象，他根本不想吃蛋糕，所以这个形象实际上什么也不改变？

因此，我不能直接把它作为一个二元分类来定义一个分类特征，如果有人吃了图片中的东西，我会指定"1“，如果他不吃的话，我会指定"0”，因为那样的话，我还可以识别出那些想吃线索中的东西的人，然后才能给他们看。我该如何解决这个问题？

Answer 1

我认为您可以将其作为一个逻辑回归问题来处理，其中您将有一个称为"exposure_to_image“的on/off (1/0)特性。你的目标是检测这个系数在统计上是否与0显著不同。如果是的话，那么食用该物品的可能性就会受到暴露的影响。

至于他们无论如何都会吃掉它的假设:这就是控制组的全部意义。因此，您的数据集将有exposure_to_image=1所在的人员，以及exposure_to_image=0的用户。所有这些人都有一些想要吃蛋糕的基本概率。但是这个系数告诉你基线受到了多大的影响。

Answer 2

你试图估计的是平均治疗效果(ATE)，也就是向随机抽样的人展示蛋糕图片的平均效果，即他们以后选择吃蛋糕的可能性。如果你的小组任务足够随机的话，治疗组和对照组都会有吃蛋糕的人和从不吃蛋糕的人。但是，对于ATE来说，这是可以接受的，这是当你对更多的普通人群进行治疗时，你应该看到的效果(或没有效果)。

你担心的是从根本上改变你的研究问题。如果你想知道给不吃蛋糕的人看一张蛋糕图片的治疗效果，关于他们以后选择吃蛋糕的可能性，你需要更多的控制。我能想到的一种方法是研究一项关于参与者饮食习惯的分离调查，看看每个参与者在任意一天吃蛋糕的可能性。将此作为回归模型的RHS中的控制变量可能会有潜在的帮助。然而，对任何事情都没有完美的控制。你需要做出假设并围绕它建立论点。

我想你会看到线性回归和logistic回归的估计结果非常相似(在系数的相对大小和方向上)。我在我的领域(社会科学)看到的是，线性回归(或线性概率模型，LPM)往往是首选的，因为它易于解释。对于logistic回归模型来说，用比特率来解释总是很痛苦的。

线性模型是大多数研究领域的规则，其中解释比其他任何东西都更重要。你可以用复杂的非线性模型对你的数据进行任意程度的拟合。但是当你需要解释，或者更重要的是因果解释时，线性模型是你最好的机会。