Bayesçi Kaba Taneli Tam Eşleştirme
Bayesian Coarsened Exact Matching Estimator · Ayrıca şöyle bilinir: Bayesian CEM, BCEM, Bayesian monotonic imbalance bounding matching
Bayesçi Kaba Taneli Tam Eşleştirme (Bayesian CEM), Iacus, King ve Porro'nun kaba taneli ve tam eşleştirme çerçevesini Bayesçi sonsal çıkarımla birleştirir. Kovaryatlar, işlenmiş ve kontrol birimlerinin bu kutular içinde tam olarak eşleştirilebilmesi için daha kaba kutulara ayrıştırılır ve ardından nedensel tahmin edici üzerinde tek bir nokta tahmini yerine tam sonsal dağılımlar üretmek için tedavi etkisi parametrelerine Bayesçi öncüller yerleştirilir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bayesçi CEM'i, ikili bir tedaviye, birkaç sürekli veya kategorik tedavi öncesi kovaryata ve sürekli veya ikili bir sonuca sahip gözlemsel verileriniz olduğunda ve hem güçlü karıştırıcı kontrolü (CEM adımından) hem de açık bir belirsizlik nicelemesi (Bayesçi adımdan) istediğinizde kullanın. Özellikle örneklem büyüklüklerinin mütevazı olduğu ve sıklıkçı güven aralıklarının güvenilmez olacağı durumlarda veya önsel bilgiyi dahil etmek istediğinizde uygundur. Tedavinin açıkça ikili olmadığı, kovaryatların yüksek boyutlu olduğu ve birçok katmanın boş kalacağı veya eşleştirme ile birimlerin büyük bir kısmının atılacağı ve sonsal dağılımı anlamlı bir şekilde güncellemek için çok küçük bir örneklem bırakacağı durumlarda uygun değildir.
Güçlü yönler & sınırlılıklar
- Ortalama olarak dengeleyen eğilim puanı yöntemlerinin aksine, gözlemlenen kovaryatlar üzerindeki dengesizliği yapı gereği sınırlar.
- Tedavi etkisi üzerinde tam bir sonsal dağılım üretir, belirsizliği bir nokta tahmini ve güven aralığından daha eksiksiz bir şekilde niceler.
- Etki büyüklüğü veya sonuç modeli hakkında önsel anlamsal bilginin dahil edilmesine izin verir.
- Eşleştirme, eğilim puanı tabanlı olmaktan ziyade kovaryat tabanlı olduğu için eğilim modelindeki model yanlış belirtimine karşı sağlamdır.
- Eşleştirme adımı şeffaf ve raporlaması kolaydır: eşleşen katmanlar açıkça tanımlanmış kutulardır.
- Eşleşmeyen birimleri atar, potansiyel olarak örneklem büyüklüğünü önemli ölçüde azaltır ve dış geçerliliği daraltır.
- Kaba taneli hale getirme seçimleri (kutu sınırları), hangi birimlerin eşleştiğini ve dolayısıyla sonsal dağılımı önemli ölçüde etkileyebilir; duyarlılık analizleri gereklidir.
- Bayesçi hesaplama (MCMC veya varyasyonel çıkarım), standart CEM'e göre yazılım karmaşıklığı ekler.
- Tüm eşleştirme yöntemlerinde olduğu gibi, gözlemlenmeyen karıştırıcıları kontrol edemez.
- Yüksek boyutlu kovaryat ayarlarında, birçok katman boş olabilir ve eşleştirme oranları çok düşük olabilir.
SSS
Bayesçi CEM, standart CEM'den nasıl farklıdır?
Standart CEM, sıklıkçı çıkarım kullanarak eşleşen örneklem üzerinde ağırlıklı ortalama farkı veya bir regresyon tahmini rapor eder. Bayesçi CEM, bu son adımı Bayesçi bir sonuç modeliyle değiştirerek, güven aralığı olan bir nokta tahmini yerine ATT üzerinde bir sonsal dağılım üretir. Eşleştirme adımı her ikisinde de aynıdır.
Kaba taneli hale getirme kutularını nasıl seçerim?
Kutular, kovaryat değerlerinin anlamlı bir şekilde farklılaştığı yerler hakkındaki anlamsal bilgiyi yansıtmalıdır (örn. yaş on yılları, gelir beşlikleri). Kantillere dayalı otomatik kesme noktaları yaygın bir varsayılandır, ancak eşleşen örneklemin ve sonsal dağılımın kutu seçimlerine duyarlılığı her zaman rapor edilmelidir.
Tedavi etkisi için hangi öncülü kullanmalıyım?
Sıfırda merkezlenmiş ve makul etki büyüklüklerini yansıtan bir ölçeğe sahip normal dağılım gibi zayıf bilgilendirici bir öncül makul bir varsayılandır. Alan bilgisi bir yön veya büyüklük öneriyorsa, daha bilgilendirici bir öncül uygundur. Öncelin sonsal dağılımı ne kadar etkilediğini kontrol etmek için her zaman öncülü değiştirerek bir duyarlılık analizi yapın.
Eşleştirme adımıyla birçok birim atılırsa ne olur?
Yüksek atılma oranı, işlenmiş ve kontrol grupları arasında zayıf kovaryat örtüşmesine işaret eder. Seçenekler arasında kaba taneli hale getirmeyi gevşetmek (daha geniş kutular), analizi ortak destek bölgesine sınırlamak veya Bayesçi çıkarım ile eğilim puanı ağırlıklandırması gibi tam katman üyeliği gerektirmeyen bir yönteme geçmek yer alır.
Bayesçi CEM sürekli tedavileri ele alabilir mi?
Standart CEM çerçevesi ikili tedaviler için tasarlanmıştır. Bunu sürekli tedavilere genişletmek, nedensel tahmin ediciyi ve yorumu değiştiren tedavi değişkenini ayrıştırmayı gerektirir. Sürekli tedaviler için, Bayesçi doz-yanıt veya Bayesçi marjinal yapısal modeller daha doğal seçimlerdir.
Kaynaklar
- Iacus, S. M., King, G., & Porro, G. (2012). Causal Inference without Balance Checking: Coarsened Exact Matching. Political Analysis, 20(1), 1-24. DOI: 10.1093/pan/mpr013 ↗
- Hill, J. L. (2011). Bayesian Nonparametric Modeling for Causal Inference. Journal of Computational and Graphical Statistics, 20(1), 217-240. DOI: 10.1198/jcgs.2010.08162 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Coarsened Exact Matching Estimator. ScholarGate. https://scholargate.app/tr/causal-inference/bayesian-coarsened-exact-matching
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi Eşleştirme TahmincisiNedensel çıkarım↔ karşılaştır
- Bayesian Eğilim Skoru EşleştirmesiNedensel çıkarım↔ karşılaştır
- Coarsened Exact Matching (CEM)Nedensel çıkarım↔ karşılaştır
- Entropi DengelemeNedensel çıkarım↔ karşılaştır
- Eşleştirme TahmincisiNedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır