Bayes Karşı-Olgusal Etki Değerlendirmesi
Bayesian Counterfactual Impact Evaluation · Ayrıca şöyle bilinir: Bayesian CIE, Bayesian causal impact, Bayesian structural time-series causal inference, BSTS counterfactual evaluation
Bayes Karşı-Olgusal Etki Değerlendirmesi, müdahale olmasaydı ne olacağını — yani karşı-olgusal sonucu — tahmin eden bir Bayes sonrası dağılımı oluşturarak bir müdahalenin nedensel etkisini tahmin eder. Brodersen ve ark. (2015) tarafından CausalImpact çerçevesi aracılığıyla popülerleştirilen yöntem, karşı-olgusal yörüngeyi tahmin etmek için müdahale öncesi dönemde uydurulan Bayes yapısal zaman serisi modellerini kullanır, ardından gözlemlenen müdahale sonrası sonuçları bu tahminle karşılaştırır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tek bir müdahale edilen biriminiz (veya az sayıda müdahale edilen biriminiz) olduğunda, müdahale öncesi uzun bir zaman serisine ve müdahale öncesinde müdahale edilen birimi izleyen kontrol zaman serilerine erişiminiz olduğunda Bayes karşı-olgusal etki değerlendirmesini kullanın. Tek seferlik bir politikanın, pazarlama kampanyasının, ürün lansmanının veya düzenleyici değişikliğin zaman içinde ölçülen bir sonuç üzerindeki etkisini değerlendirmek için idealdir. Müdahale öncesi dönem karşı-olgusal modeli güvenilir bir şekilde tahmin etmek için çok kısa olduğunda (yaklaşık 20 zaman noktası), güvenilir kontrol serileri mevcut olmadığında, tedavi keskin bir olay yerine sürekli olduğunda veya BSTS Gauss varsayımlarının bozulduğu çok küçük oranlarla ayrık sayımlar olan sonuçlar olduğunda kullanmayın.
Güçlü yönler & sınırlılıklar
- Sadece bir nokta tahmini ve sıklıkçı p-değeri değil, nedensel etki üzerinde tam sonlu belirsizlik ölçümü sağlar.
- BSTS çerçevesi aracılığıyla karmaşık zaman serisi yapısını (trend, mevsimsellik, yapısal kırılmalar) ele alır.
- Spike-and-slab önsel dağılımları aracılığıyla otomatik değişken seçimi, çok sayıda kontrol serisi mevcut olduğunda aşırı uydurmaya karşı koruma sağlar.
- Tek bir ortalama etki değil, her müdahale sonrası zaman noktasında dinamik nedensel etkileri değerlendirebilir.
- Standart DiD gibi çok sayıda müdahale edilen birim gerektiren yöntemlerin uygulanamadığı tek bir müdahale edilen birime uygulanabilir.
- Zaman serisi dinamiklerini güvenilir bir şekilde tanımlamak için yeterince uzun bir müdahale öncesi serisi (en az 20 zaman noktası, ideal olarak 50+) gerektirir.
- Karşı-olgusal, yalnızca kontrol serileri kadar geçerlidir — eğer kontroller de müdahaleden etkilenirse (yayılma etkileri), tahmin yanlıdır.
- Sıklıkçı alternatiflerden hesaplama açısından daha maliyetlidir; MCMC tabanlı çıkarım çok uzun seriler için yavaş olabilir.
- Sonuç ve kontrol kovaryetleri arasındaki ilişkinin müdahale öncesi ve sonrası dönemlerde kararlı olduğunu varsayar.
- Önsel belirlemeye duyarlılık küçük örneklemlerde önemli olabilir; kötü seçilmiş önsel dağılımlar sonlu dağılımı domine edebilir.
SSS
Standart kesintili zaman serisi ile Bayes karşı-olgusal etki değerlendirmesi arasındaki temel fark nedir?
Standart kesintili zaman serisi, müdahale noktasında bir seviye/eğim değişikliği ile sıklıkçı regresyon kullanır. Bayes yaklaşımı ek olarak gizli durum dinamiklerini modeller, karşı-olgusal için kontrol kovaryetlerini içerir ve standart hatalarla nokta tahmini yerine etki üzerinde tam bir sonlu dağılım üretir.
Kaç adet müdahale öncesi zaman noktasına ihtiyacım var?
Pratik bir minimum müdahale öncesi yaklaşık 20 zaman noktasıdır, ancak trend ve mevsimselliğin güvenilir bir şekilde tahmin edilmesi genellikle 50 veya daha fazlasını gerektirir. Müdahale öncesi pencere ne kadar uzun olursa, karşı-olgusal tahmini o kadar güvenilir olur.
Hiç kontrol zaman serim yoksa ne olur?
Yöntem, kovaryetler olmadan yalnızca trend artı mevsimsellik BSTS modeli kullanılarak hala uygulanabilir, ancak karşı-olgusal daha gürültülü olacaktır ve müdahale öncesi dinamiklerin dışa doğru ekstrapolasyonuna büyük ölçüde dayanacaktır. Güvenilir kontroller hassasiyeti önemli ölçüde artırır.
Nedensel bir etkinin sonlu olasılığını nasıl yorumlarım?
Etkinin pozitif olma (veya belirli bir eşiğin üzerinde olma) sonlu olasılığı, model altında doğrudan bir olasılık ifadesidir — örneğin, 'kümülatif etkinin pozitif olma olasılığı %97'dir.' Bu, sıklıkçı bir p-değerinden daha yorumlanabilirdir ancak yine de modele bağlıdır.
Bu yöntemi birden fazla müdahale edilen birim için kullanabilir miyim?
Evet, ancak her birim tipik olarak kendi BSTS modelini ve kendi karşı-olgusalını alır. Birimler arasındaki etkilerin toplanması ek havuzlama varsayımları gerektirir. Panel verileri olan çok sayıda müdahale edilen birim için, farklar-içinde-farklar veya sentetik kontrol yöntemleri daha uygun olabilir.
Kaynaklar
- Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N., & Scott, S. L. (2015). Inferring causal impact using Bayesian structural time-series models. Annals of Applied Statistics, 9(1), 247-274. DOI: 10.1214/14-AOAS788 ↗
- Rubin, D. B. (2005). Causal inference using potential outcomes: Design, modeling, decisions. Journal of the American Statistical Association, 100(469), 322-331. DOI: 10.1198/016214504000001880 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/tr/causal-inference/bayesian-counterfactual-impact-evaluation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesian Farkların Farkı (Bayesian Difference-in-Differences)Nedensel çıkarım↔ karşılaştır
- Nedensel Etki AnaliziNedensel çıkarım↔ karşılaştır
- Karşı-olgusal Etki Değerlendirmesi (CIE)Nedensel çıkarım↔ karşılaştır
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Sentetik Kontrol Yöntemi (SCM)Nedensel çıkarım↔ karşılaştır