Anreize & Motivation zur Verhaltensänderung:

Anreize für Schlaf und Bewegung:

Dieses Experiment wird die Einschreibungsverzerrung für randomisierte klinische Studien abschätzen, die Anreize für Verhaltensänderungen bieten. In diesem Experiment werden wir testen, ob diejenigen, die am stärksten motiviert sind, das Verhalten zu ändern, sich auch am ehesten für eine (hypothetische) RCT anmelden, wenn sie finanzielle oder soziale Anreize für eine Verhaltensänderung bieten.

Wir gehen davon aus, dass diejenigen, die sich am ehesten einschreiben, bereits motiviert sind, ihr Verhalten vor der Einschreibung zu ändern, was zu einer Voreingenommenheit von Studien in Richtung Null führen könnte. Wir werden diese Hypothese testen, indem wir abschätzen, ob die Motivation, ein Verhalten zu ändern, das Interesse vorhersagt, an einer RCT teilzunehmen, die auf dieses Verhalten abzielt. Wir werden auch testen, ob das Ausgangsverhalten Interesse an der Teilnahme an diesen RCT vorhersagt.

Wir werden dieses Experiment mit Scheineinladungen durchführen, um etwas über RCT zu erfahren und möglicherweise daran teilzunehmen. Das Studienergebnis sind Antworten auf diese Einladung. Wir bieten keine Einladungen zu einem tatsächlichen Prozess an, aber die Stimuli (Scheineinladungen zu einem „Geister“-Prozess) und die Aufgabe (Antwort auf die Einladung) ähneln im Wesentlichen den Gegenstücken eines Prozesses. Die Einladungen werden eine Möglichkeit angeben, finanzielle oder soziale Anreize für die Verbesserung eines gesunden Verhaltens zu erhalten.

Wir werden die Teilnehmer einladen, sich finanzielle oder nicht finanzielle Anreize zu verdienen, um ihren Schlaf oder ihre Bewegung zu verbessern. In dieser Studie wird das primäre Ergebnis messen, ob sie „nicht interessiert“, „wenig interessiert“ oder „sehr interessiert“ an einer Teilnahme waren.

Bevor sie ihre Einladung erhalten, füllen sie einen Online-Fragebogen aus, der ihre Motivation misst, jedes Verhalten zu steigern, sowie ihr aktuelles Verhalten und ihre Soziodemographie.

Für finanzielle und soziale Anreize sowie für Einladungen zu Schlaf- und Bewegungsversuchen werden separate Analysen durchgeführt. Wir werden Punktschätzungen und 95 %-Konfidenzintervalle (KI) für Verhalten und Motivation angeben.

Die Analysen werden untersuchen, ob ihr Interesse an der Teilnahme an der RCT vorhergesagt wird durch 1) ihr Ausgangsverhalten (d. h. die Menge an Schlaf oder Bewegung) oder 2) ihre Motivation, das spezifische Verhalten zu ändern. Wie oben erwähnt, nehmen wir an, dass ihr Motivationsgrad, ein bestimmtes Verhalten zu ändern, das Interesse an einer Studie, die auf dieses Verhalten abzielt, vorhersagt.

Testen relativ großer und kleiner Impfanreize:

Anhand einer separaten Stichprobe wird dieses Experiment testen, ob Maßnahmen, die große oder kleine finanzielle Anreize bieten, wahrscheinlich die Impfabsicht gegen COVID-19 stärken. Dieses Experiment wird Personen zufällig einem von vier Studienarmen zuordnen, die 1) eine Kontrollbedingung, 2) eine Aufklärungsbotschaft, 3) eine Botschaft über den relativ großen finanziellen Anreiz oder 4) eine Botschaft über den relativ geringen finanziellen Anreiz umfassen. Das Ziel dieser Studie ist es, abzuschätzen, ob eine der beiden Arten der Anreizpolitik wahrscheinlich negative Auswirkungen auf die Impfabsicht haben wird, wie einige Experten gewarnt haben.

Bei der Analyse der Auswirkungen relativ großer und kleiner finanzieller Anreize auf Impfabsichten werden wir Punktschätzungen und 95-%-KIs für die Gesamtstichprobe und demografische Untergruppen angeben. Wir werden auch zusammenfassende Statistiken für die gesamte Stichprobe und Teilpopulationen melden. Wir werden testen, ob im Vergleich zu einer Kontrollbedingung einer der finanziellen Anreize zunimmt, abnimmt oder sich nicht auf den Prozentsatz der Impfwilligen auswirkt. In einem vierten Studienarm erhalten die Probanden eine Aufklärungsbotschaft, die ebenfalls mit der Kontrollbedingung verglichen wird.

Testen von Impfanreizen plus verschiedene Maßnahmen zur Impfabsicht:

In einem verwandten Experiment werden wir die Auswirkungen von 10 experimentellen Bedingungen separat testen, mit einer ausbalancierten experimentellen Manipulation unter Verwendung einer FDA-Zulassungsnachricht plus einer Kontrollbedingung. Ziel dieser Studie ist es, die Auswirkungen einer größeren Vielfalt von Impfmaßnahmen zu vergleichen, die Experten vorgeschlagen haben, einschließlich Anreize und Mandate.

Darüber hinaus werden wir auch Personen randomisiert Fragebögen zuordnen, die verschiedene Methoden zur Messung der Impfabsicht, des Studienergebnisses, verwenden.

Vergleich verschiedener Methoden zur Schätzung der Impfabsicht: Eingebettet in das Experiment, das verschiedene vorgeschlagene Impfrichtlinien testet, werden wir testen, ob methodische Unterschiede in der Antwortoption für das primäre Ergebnis den Prozentsatz beeinflussen, der „Ja“ meldet. Dazu testen wir 2 (Ja und Nein) vs. 3 (Ja, Nein und Unsicher) Antwortoptionen und ordnen beide Sätze nach dem Zufallsprinzip an.

In diesem methodischen Experiment wird untersucht, ob der Anteil, der auf die gleiche Frage (ob sie bald impfen wollen) mit „Ja“ geantwortet hat, in Abhängigkeit von der Reihenfolge der Antwortoptionen variiert und ob sie eine Vielleicht/Unsicher-Option enthalten. Wir führen Kreuztabellen und Chi-Quadrat-Tests für die 2-gegen-3-Antwortniveaus und die Reihenfolge durch. Die Instrumententests werden für COVID-19-Impfauffrischungsimpfungen, die ersten Impfungen sowie die Impfung gegen Influenza durchgeführt.

Beim Testen der Auswirkungen potenzieller Impfrichtlinien wird die Kontrollgruppe ohne vorgelegte Impfrichtlinie verglichen mit: Bargeldanreizen für 1000 $, 200 $ oder 100 $; eine Steuergutschrift von 1.000 $; Lotterien für 100.000 $, 200.000 $ oder 1 Million $; 1.000 $ Steuer auf die Ungeimpften; und Mandate von Arbeitgebern oder Fluggesellschaften, Bars und Restaurants. Das Hauptergebnis ist, ob sie sich angesichts der hypothetischen Impfpolitik bald impfen lassen möchten.

(Personen, die der Bedingung Arbeitgebermandat zugeordnet sind, werden von Analysen ausgeschlossen, wenn sie angeben, dass sie wahrscheinlich keinen Arbeitgeber haben.)

Die OLS-Spezifikation wird unser Hauptergebnis sein, und die anderen Maßnahmen werden als Robustheitsprüfungen bereitgestellt.

Das OLS-Modell kann alle demografischen Kontrollen ausschließen und die binäre abhängige Variable auf die Behandlungsvariablen anwenden. (Beachten Sie, dass dieser Ansatz legitim ist, da die Behandlungen unter den Befragten randomisiert werden.) Die Behandlungen umfassen die Finanzpolitik (Anreize und Strafen unterschiedlicher Höhe und Art) und Mandate (unterschiedlicher Art), die in einer Nachricht vermerkt sind.

Art des Modells: Wir werden paarweise t-Tests für den Prozentsatz der Befragten durchführen, die mit „Ja“ geantwortet haben, und die mit einem Anreiz behandelten Personen mit der Kontrollgruppe vergleichen. Wir werden diese paarweisen Tests an Teilmengen nach Rasse, Geschlecht, Einkommen, Bildung und anderen soziodemografischen Merkmalen durchführen.

Zusätzlich führen wir diese paarweisen Tests nach Art der Behandlung durch. Vergleich der Lotterie mit Bargeldanreiz, Vergleich des positiven Anreizes mit der Strafe, Vergleich der Höhe des Anreizes und Vergleich der Mandate des Arbeitgebers mit der Kontrolle.

Wir werden auch Regressionsanalysen für den gepoolten Datensatz durchführen, bei dem die Beobachtungen auf der linken Seite individuelle Antworten sind, bei denen diejenigen, die mit „Ja“ antworten, mit 1 codiert werden und diejenigen, die mit „Nein“ oder „Unsicher“ antworten, mit Null codiert werden. Wir werden eine Reihe von Kontrollen (Rasse, Geschlecht, Einkommen, Bildung usw.) sowie eine Indikatorvariable aufnehmen, die widerspiegelt, ob der Befragte eine Behandlung erhalten hat. Regressionsmodelle umfassen gewöhnliche kleinste Quadrate, Probit, Nächste-Nachbar-Matching und Propensity-Score-Matching. Wir werden auch diese Regressionen durchführen, bei denen die Behandlungsvariable in mehrere Indikatorvariablen aufgeteilt wird, die die Art der bereitgestellten Behandlung sowie einen Indikator für die FDA-Zulassung widerspiegeln.

Wir schätzen ein Modell – alternativ unter Verwendung gewöhnlicher kleinster Quadrate und logistischer Regression – mit einer binären ergebnisabhängigen Variablen (gleich eins, wenn der Befragte geimpft werden wollte, andernfalls gleich null). Als erklärende Variablen nehmen wir Dummy-Variablen für jeden der zehn Behandlungsarme auf.

Kriterien für statistische Signifikanz: Wir verwenden .05 als unsere Schwelle für statistische Signifikanz.

Berechnung der Stichprobengröße für das Umfrageexperiment zum Vergleich von 10 verschiedenen Impfrichtlinien: Wir schätzen, dass wir etwa 5 % oder mehr Unterschied feststellen können, wenn die endgültige Stichprobengröße für jede Bedingung mindestens 300 Probanden umfasst. Wir planen, die Zuteilung für die Kontroll- und $1000-Bedingungen zu verdoppeln, um geplante Vergleiche zu ermöglichen.

Alle Experimente: Jedem Probanden wird eine Bedingung zugeteilt. Die Teilnehmer werden randomisiert, um die Wahrscheinlichkeit zu verringern, dass beobachtete Effekte auf nicht gemessene Faktoren zurückzuführen sind. Darüber hinaus wurden alle Studienabläufe automatisiert, was die Kontrolle über die Versuchsdurchführung verbessert und eine konsequente Standardisierung aller Abläufe ermöglicht.

In die Studien werden nationale, theoriebasierte Stichproben aufgenommen, die über MTurk- und/oder Prolific-Plattformen rekrutiert werden. Um Verzerrungen bei der Registrierung zu verringern, beschreiben die Rekrutierungs- und Registrierungsmaterialien die Forschung in vagen Begriffen (z. B. „Wir sind daran interessiert, Ihre Meinungen und Vorlieben in Bezug auf Gesundheit zu erfahren). Bei jedem Experiment werden auch soziodemografische Variablen zu beschreibenden Zwecken gemessen.

Empfohlene Datenbereinigungsverfahren für jedes Experiment: Aufmerksamkeitsprüfungen können diejenigen identifizieren, die von den Hauptanalysen ausgeschlossen werden sollten. (Unabhängig von der Leistung beim Aufmerksamkeitscheck werden alle Teilnehmer für ihre Zeit entschädigt.) Die Analysen schließen diejenigen mit doppelten IDs oder einem hohen Betrugswert aus. Wir führen Analysen durch, die diejenigen einschließen und ausschließen, die am schnellsten fertig sind (schnellste 5 %).

Replikationsstudien umfassen das gleiche Studiendesign und die gleichen Verfahren.