Baysian Bulanık Regresyon Kesme Tasarımı (Bayesian Fuzzy Regression Discontinuity)
Bayesian Fuzzy Regression Discontinuity Design · Ayrıca şöyle bilinir: Bayesian Fuzzy RD, Bayesian Fuzzy RDD, Fuzzy RD with Bayesian Inference
Baysian Bulanık Regresyon Kesme Tasarımı (Bayesian Fuzzy RD), bulanık regresyon kesme tasarımının yarı-deneysel mantığını tam Baysian çıkarımıyla birleştirir. Tedavi atamasının deterministik değil olasılıksal olduğu bir politika eşiğinde yerel ortalama tedavi etkisini tahmin eder; bilinmeyen tüm bilinmeyenler üzerine önsel dağılımlar yerleştirir ve tekil bir nokta tahmininden ziyade nedensel etkinin tam bir sonsal dağılımını kurtarır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bir politika veya program sayısal bir eşiği aşarak uygunluğu atadığında ancak uyum kusurlu olduğunda — yani kesme noktasının üzerindekilerin hepsinin tedaviyi almadığı ve altındakilerin bazılarının yine de aldığında — Baysian Bulanık RD kullanın. Özellikle eşik yakınındaki örneklem küçük olduğunda (kesme noktasına yakın birkaç yüz gözlemden az), asimptotik çıkarımı güvenilmez hale getirdiğinde ve LATE'deki tam belirsizliği ölçmek bilimsel olarak önemli olduğunda uygundur. Uyum mükemmel olduğunda (keskin Baysian RD yerine kullanın), eşikte alımda güvenilir bir süreksizlik olmadığında, çalışan değişken çok az kütle noktasına sahip ayrık olduğunda veya sonuç yüzeyi için herhangi bir önsel dağılımı haklı çıkaramadığınızda uygun değildir.
Güçlü yönler & sınırlılıklar
- LATE'nin tam bir sonsal dağılımını kurtarır, bu da tedavi etkisi hakkında olasılık ifadelerine izin verir, reddetme veya reddetmeme kararına karşı.
- Klasik yerel polinom RD tahmin edicilerine kıyasla küçük örneklemlerde, klasik asimptotik güven aralıklarının kötü kalibre edildiği yerlerde iyi performans gösterir.
- Kusurlu uyumu, iki aşamalı en küçük kareler yaklaşımı gerektirmek yerine, ortak bir yapısal model aracılığıyla doğal olarak ele alır.
- Önsel bilgileri alan uzmanlarından veya pilot çalışmalardan dahil eder, bu da kesme noktası yakınındaki veriler seyrek olduğunda tahminleri stabilize edebilir.
- Hem örnekleme varyasyonunu hem de model belirsizliğini doğrudan yansıtan güvenilir aralıklar üretir.
- Sonuçlar, sonuç yüzeyi ve uyum modeli için önsel seçimine duyarlı olabilir, bu da kapsamlı önsel duyarlılık analizi gerektirir.
- MCMC tahmini, klasik yerel polinom RD tahmin edicilerine kıyasla hesaplama açısından yoğundur.
- LATE yereldir — yalnızca eşikteki uyum sağlayanlara uygulanır ve kesme noktasından uzak birimlere dışarıdan uygulanamaz.
- Baysian çerçevede bile dikkatli bant genişliği ve çekirdek belirtimi gerektirir ve klasik literatürdeki otomatik seçim prosedürleri konusunda daha az fikir birliği vardır.
- Önsel seçimlerin, model belirtiminin ve yakınsama tanılamalarının şeffaf raporlanması esastır ancak analitik karmaşıklığı artırır.
SSS
Bulanık RD'yi keskin RD'den ayıran nedir?
Keskin bir tasarımda, tedavi, çalışan değişkenin eşiği aşıp aşmadığı tarafından mükemmel bir şekilde belirlenir; uyum %100'dür. Bulanık bir tasarımda, eşik tedavi olasılığında bir sıçramaya neden olur ancak 0'dan 1'e bir sıçramaya neden olmaz. Bu nedenle, bulanık tahmin edici bir birinci aşama modeli gerektirir ve tüm birimler için ATE yerine uyum sağlayanlar için LATE'yi tanımlar.
Neden klasik yerel polinom RD yerine Baysian çıkarım kullanılır?
Baysian Bulanık RD, özellikle eşik yakınındaki örneklem küçük olduğunda avantajlıdır. Klasik asimptotik güven aralıkları küçük örneklemlerde kötü kalibre edilebilirken, Baysian sonsal geçerli kalır ve belirsizliği tam olarak karakterize eder. Ayrıca sonuç yüzeyi veya uyum oranları hakkındaki önsel bilgilerin dahil edilmesine izin verir.
Bu bağlamda LATE nedir?
Yerel Ortalama Tedavi Etkisi, tedaviye uyum sağlayan birimler üzerindeki tedavi etkisinin ortalamasıdır — yani kesme noktasını geçtikleri için tedavi alanlar. İki anlamda yereldir: uyum sağlayanlarla sınırlıdır ve tam popülasyon üzerinden ortalama almak yerine eşikte değerlendirilir.
Sonuçlar önsel seçimine ne kadar duyarlıdır?
Eşik yakınındaki gözlemler seyrek olduğunda potansiyel olarak oldukça duyarlıdır, çünkü olasılık fonksiyonu az bilgi sağlar ve sonsal büyük ölçüde önsel tarafından şekillenir. Standart uygulama, iki veya üç alternatif önsel belirtim altında tahminleri raporlamak ve önemli ölçüde değişen herhangi bir sonucu işaretlemektir.
Baysian çerçevede hala bir manipülasyon kontrolü gerekli midir?
Evet. Tanımlama varsayımı — birimlerin eşiğin hemen üstüne veya altına inmek için çalışan değişkeni hassas bir şekilde manipüle edemeyeceği — istatistiksel değil, bir tasarım varsayımıdır. McCrary'nin yoğunluk testi veya çalışan değişken histogramının görsel incelemesi, herhangi bir RD tahminini, Baysian veya klasik yorumlamadan önce her zaman raporlanmalıdır.
Kaynaklar
- Hahn, J., Todd, P., & Van der Klaauw, W. (2001). Identification and Estimation of Treatment Effects with a Regression-Discontinuity Design. Review of Economic Studies, 68(1), 201-209. DOI: 10.1111/1468-0262.00183 ↗
- Chib, S., & Jacobi, L. (2016). Bayesian fuzzy regression discontinuity analysis and returns to compulsory schooling. Journal of Applied Econometrics, 31(6), 1026-1047. DOI: 10.1002/jae.2481 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Fuzzy Regression Discontinuity Design. ScholarGate. https://scholargate.app/tr/causal-inference/bayesian-fuzzy-regression-discontinuity
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes Enstrümantal Değişkenler (Bayes IV)Nedensel çıkarım↔ karşılaştır
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Bulanık Regresyon Süreksizlik TasarımıNedensel çıkarım↔ karşılaştır
- Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
- Yerel Ortalama Tedavi Etkisi (LATE / CACE)Nedensel çıkarım↔ karşılaştır