行動変容のインセンティブと動機:

睡眠と運動のインセンティブ:

この実験では、行動の変化を奨励するランダム化臨床試験の登録バイアスを推定します。 この実験では、行動を変えることに最も動機付けられている人が、行動を変えるための金銭的または社会的インセンティブを提供するときに、(仮説の) RCT に登録する可能性が最も高いかどうかをテストします。

登録する可能性が最も高い人は、登録前に行動を変える動機をすでに持っていると仮定します。これは、null に対するバイアス試験である可能性があります。 行動を変える動機が、その行動を対象とするRCTへの参加への関心を予測するかどうかを推定することにより、この仮説をテストします。 また、ベースラインの行動がこれらの RCT への参加への関心を予測するかどうかもテストします。

この実験は、RCT について学び、RCT に参加する可能性があるための模擬招待状を使用して実施します。 調査結果は、この招待への応答になります。 実際のトライアルへの招待は提供しませんが、刺激 (「ゴースト」トライアルへの模擬招待) とタスク (招待への応答) は、基本的にトライアルの対応物に似ています。 招待状には、健康的な行動を改善するための金銭的または社会的インセンティブを獲得する機会が明記されています。

参加者には、睡眠や運動を増やすための金銭的または非金銭的なインセンティブを獲得するよう招待します。 この研究では、参加者が参加に「興味がない」、「少し興味がある」、または「非常に興味がある」かどうかを主要な結果として測定します。

招待状を受け取る前に、オンライン アンケートに記入して、各行動を増やす動機と、最近の行動および社会人口統計を測定します。

経済的および社会的インセンティブと、睡眠と運動の試行への招待については、個別の分析が行われます。 行動と動機の点推定値と 95% 信頼区間 (CI) を報告します。

分析では、RCT への参加への関心が、1) ベースラインの行動 (つまり、睡眠や運動の量)、または 2) 特定の行動を変える動機によって予測されるかどうかを調べます。 上記のように、特定の行動を変えたいという彼らのモチベーションのレベルが、その行動を対象とした試験への関心を予測するという仮説を立てています。

相対的な大小のワクチン接種インセンティブのテスト:

別のサンプルを使用して、この実験では、大小の金銭的インセンティブを提供する政策が COVID-19 ワクチンの意図を強化する可能性があるかどうかをテストします。 この実験では、1) 対照条件、2) 教育的メッセージ、3) 比較的大きな金銭的インセンティブに関するメッセージ、または 4) 比較的小さな金銭的インセンティブに関するメッセージを含む 4 つの研究アームのいずれかに個人を無作為に割り付けます。 この研究の目的は、一部の専門家が警告しているように、いずれかのタイプのインセンティブ ポリシーがワクチンの意図に悪影響を与える可能性があるかどうかを推定することです。

ワクチン接種の意向に対する比較的大小の金銭的インセンティブの影響を分析する際に、サンプル全体と人口統計学的サブグループの点推定値と 95% CI を報告します。 また、すべてのサンプルとサブ母集団の要約統計も報告します。 対照条件と比較して、金銭的インセンティブのいずれかが、ワクチン接種を希望するパーセンテージに増加、減少、または影響を与えないかどうかをテストします。 4 番目の研究アームでは、被験者は、対照条件とも比較される教育メッセージを受け取ります。

ワクチンのインセンティブに加えて、ワクチンの意図のさまざまな尺度のテスト:

関連する実験では、10 の実験条件の効果を個別にテストし、FDA 承認メッセージと対照条件を使用したカウンターバランス実験操作を行います。 この研究の目的は、インセンティブや義務付けなど、専門家が提案したさまざまなワクチン介入の効果を比較することです。

さらに、ワクチンの意図、研究結果を測定するさまざまな方法を使用して、個人をアンケートに無作為に割り付けます。

ワクチンの意図を推定するさまざまな方法の比較: さまざまな提案されたワクチン ポリシーをテストする実験に組み込まれているため、主要な結果に対する応答オプションの方法論的な違いが、「はい」と報告する割合に影響するかどうかをテストします。 これを行うには、2 (はいおよびいいえ) 対 3 (はい、いいえ、不明) レベルの回答オプションをテストし、両方のセットをランダムに並べ替えます。

この方法論的実験では、同じ質問 (すぐにワクチン接種を希望するかどうか) に対して「はい」と答える割合が、回答の選択肢の順序と、おそらく/わからないという選択肢が含まれているかどうかによって異なるかどうかを調べます。 2 対 3 の応答水準と順序について、クロス集計とカイ 2 乗検定を実行します。 計装テストは、COVID-19 ワクチン接種ブースター、最初のショット、およびインフルエンザに対するワクチン接種に対して実施されます。

潜在的なワクチン政策の効果をテストする場合、ワクチン政策が提示されていない対照群は、次のものと比較されます。 1,000ドルの税額控除。 $100,000、$200,000、または $100 万の宝くじ。ワクチン接種を受けていない人には1,000ドルの税金。雇用主または航空会社、バー、レストランによる命令。 主な結果は、仮想的なワクチン政策を考慮して、彼らがすぐにワクチン接種を受けたいかどうかです。

(雇用主委任条件に割り当てられたものは、雇用主がいる可能性が低いと報告された場合、分析から除外されます。)

OLS 仕様が主な結果となり、その他の対策は堅牢性チェックとして提供されます。

OLS モデルは、すべての人口統計学的コントロールを除外し、治療変数で二項従属変数を実行できます。 (処理は回答者間でランダム化されているため、このアプローチは正当であることに注意してください。) 処理には、メッセージに記載されている財務ポリシー (さまざまな金額と種類のインセンティブと罰則) と (さまざまな種類の) 命令が含まれます。

モデルのタイプ: インセンティブで処理された回答者と対照群を比較して、「はい」と回答した回答者の割合のペアワイズ t 検定を実行します。 人種、性別、収入、教育、およびその他の社会人口統計学によるサブセットに対して、これらのペアワイズ テストを実行します。

さらに、治療の種類ごとにこれらのペアワイズテストを実施します。 宝くじと現金インセンティブの比較、正のインセンティブとペナルティの比較、インセンティブの規模の比較、雇用主の命令と対照との比較。

また、プールされたデータセットに対して回帰分析を行います。左側の観察結果は個々の回答であり、「はい」と答えたものは 1 としてコード化され、「いいえ」または「わからない」と答えたものは 0 としてコード化されます。 一連のコントロール (人種、性別、収入、教育など) と、回答者が治療を受けたかどうかを反映する指標変数を含めます。 回帰モデルには、通常の最小二乗、プロビット、最近傍マッチング、および傾向スコア マッチングが含まれます。 また、治療変数が、提供される治療の種類と FDA 承認の指標を反映するいくつかの指標変数に分割される場合に、これらの回帰を実行します。

通常の最小二乗法とロジスティック回帰を使用して、バイナリ結果従属変数 (回答者がワクチン接種を希望する場合は 1、それ以外の場合は 0) を使用して、モデルを推定します。 説明変数には、10 の治療群それぞれにダミー変数を含めます。

統計的有意性の基準: .05 を使用します 統計的有意性のしきい値として。

10 の異なるワクチン ポリシーを比較する調査実験のサンプル サイズの計算: 各条件の最終的なサンプル サイズに少なくとも 300 人の被験者が含まれている場合、約 5% 以上の差を検出できると推定されます。 計画的な比較を可能にするために、コントロールと $1000 条件の割り当てを 2 倍にする予定です。

すべての実験: 各被験者は条件にランダム化されます。 観察された効果が測定されていない要因によるものである可能性を減らすために、参加者は無作為化されます。 さらに、すべての研究手順が自動化されたため、実験の実施方法の制御が改善され、すべての手順を一貫して標準化することができました。

この研究では、MTurk および/または Prolific プラットフォームを通じて募集された、理論に基づく全国的なサンプルを登録します。 登録の偏りを減らすために、募集と登録の資料では、研究について漠然とした言葉で説明します (たとえば、「健康に関するあなたの意見や好みを知りたい」など)。 各実験では、説明のために社会人口学的変数も測定します。

実験ごとに推奨されるデータ クリーニング手順: 注意チェックにより、主な分析から除外する必要がある人を特定できます。 （アテンションチェックの成績に関係なく、参加者全員に時間の補償があります。） 分析では、ID が重複していたり​​、不正スコアが高い人を除外したり、最も早く終了した人 (最速 5%) を含めて除外したりして分析を行います。

複製研究には、同じ研究デザインと手順が含まれます。