Bayesian Eğilim Skoru Eşleştirmesi
Bayesian Propensity Score Matching Estimator · Ayrıca şöyle bilinir: Bayesian PSM, BPSM, Bayesian matching estimator, Bayesian propensity weighting
Bayesian Eğilim Skoru Eşleştirmesi (Bayesian PSM), eğilim modeli parametreleri üzerine bir önsel dağılım yerleştirerek ve eşleştirme ve sonuç aşamaları boyunca sonsal belirsizliği yayarak klasik eğilim skoru eşleştirmesini genişletir. Kaplan ve Chen (2012) tarafından resmen tanıtılan bu yöntem, sıklıkçı eşleştirmenin yaygın olarak göz ardı ettiği tahmin belirsizliğine ilkeli bir açıklama sunar ve tedavi seçimi hakkında esaslı ön bilgilerin dahil edilmesine olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+1 tane daha
Ne zaman kullanılır
Gözlemsel verilerinizde ikili tedavi, zengin bir ön-tedavi kovaryet seti varsa ve eğilim modelinin belirsiz olduğuna inanmak için nedeniniz varsa — örneğin, örneklem mütevazıysa (n < 500) veya seçim hakkında ön konu alanı bilgisi kodlanması gerekiyorsa — Bayesian PSM kullanın. Özellikle aşağı akış kararları, nokta tahmininden ziyade tedavi etkisi üzerinde tam bir sonsal dağılım gerektirdiğinde uygundur. Seçim mekanizmasının iyi anlaşıldığı ve büyük bir örneklemin eğilim skoru tahminini son derece kesin hale getirdiği durumlarda (klasik eşleştirme yeterli olacaktır) veya veri kümesinin çok büyük olduğu ve MCMC'nin yaklaşım olmadan hesaplama açısından imkansız olduğu durumlarda kullanmayın. Tamamen rastgeleleştirmenin kovaryetleri dengelediği tamamen deneysel veriler için uygun değildir.
Güçlü yönler & sınırlılıklar
- Eğilim skoru tahmininden nihai tedavi-etki tahminine kadar belirsizliği yayarak dürüst güven aralıkları üretir.
- Tedavi seçimi hakkında ön bilgilerin dahil edilmesine izin verir, bu da küçük örneklemlerde tahminleri iyileştirebilir.
- ATT'nin tam bir sonsal dağılımını üretir, etki yönü ve büyüklüğü hakkında olasılıksal ifadeler sağlar.
- Eğilim özellikleri üzerindeki model belirsizliğini Bayesian model ortalaması yoluyla doğal olarak ele alır.
- Yorumlanabilir çıktı: tedavi etkisinin klinik veya politika açısından ilgili bir eşiği aştığına dair sonsal olasılık.
- Klasik PSM'ye kıyasla hesaplama açısından yoğundur; MCMC örneklemesi büyük veri kümeleri veya karmaşık modeller için yavaş olabilir.
- Sonuçlar, küçük örneklem boyutlarında öncelin seçimine duyarlıdır — öncelik belirleme dikkat gerektirir.
- Yaklaşım, gözlemlenmeyen karıştırıcıların sorununu otomatik olarak çözmez; tüm eşleştirme yöntemleri gibi güçlü göz ardı edilebilirlik varsayımına dayanır.
- Yazılım uygulamaları sıklıkçı PSM kadar standartlaşmamıştır, özel MCMC kodu veya uzman paketleri gerektirir.
SSS
Bayesian PSM, klasik (sıklıkçı) PSM'den nasıl farklıdır?
Klasik PSM, birim başına tek bir eğilim skoru tahmin eder ve ardından skorları sabit kabul ederek eşleştirme yapar. Bayesian PSM, seçim modelinin sonsal dağılımından birçok olası skor vektörü çeker, her birini eşleştirir ve sonuçta elde edilen ATT tahminlerini havuzlar. Bu, skor tahmininden tedavi-etki tahminine belirsizliği yayar.
Eğilim modeli için hangi önseli kullanmalıyım?
Zayıf bilgilendirici bir önsel — örneğin, kovaryetleri standartlaştırdıktan sonra lojistik regresyon katsayıları üzerinde Normal(0, 2.5) — güvenli bir varsayılan değerdir. Tahminleri güçlü bir şekilde sıfıra çekmeden modeli düzenler. Hangi kovaryetlerin tedaviyi güçlü bir şekilde tahmin ettiğine dair esaslı bilginiz varsa, bu katsayılar üzerinde bilgilendirici bir önsel kullanabilirsiniz.
Bayesian PSM, gözlemlenmeyen karıştırıcılar sorununu çözer mi?
Hayır. Tüm eğilim skoru yöntemleri gibi, güçlü göz ardı edilebilirlik varsayımına dayanır: tüm karıştırıcılar ölçülür ve modele dahil edilir. Bayesian PSM, gözlemlenen kovaryetlerden eğilimin tahmin edilmesindeki belirsizliği hesaba katar, ancak toplamadığınız değişkenler için ayarlama yapamaz.
Bayesian PSM analizinde kovaryet dengesini nasıl kontrol ederim?
Eğilim skorunun temsili bir dizi sonsal örneğini çekin, karşılık gelen eşlenmiş örneklemleri oluşturun ve bu eşlenmiş örneklemler genelinde her kovaryet için standartlaştırılmış ortalama farkları hesaplayın. Yalnızca sonsal ortalamadaki denge yerine denge istatistiklerinin dağılımını raporlayın.
Klasik PSM ne zaman Bayesian PSM'ye tercih edilir?
Eğilim skoru tahmininin son derece kararlı olduğu kadar büyük bir örneklem olduğunda, klasik PSM hesaplama açısından daha basittir ve seçim modelinden gelen ek sonsal belirsizlik ihmal edilebilir düzeydedir. Bayesian PSM, en çok küçük ila orta ölçekli örneklemlerde veya ön bilginin seçim modelini maddi olarak iyileştirdiği durumlarda fayda sağlar.
Kaynaklar
- Kaplan, D., & Chen, J. (2012). A Two-Step Bayesian Approach for Propensity Score Analysis: Simulations and Case Study. Psychometrika, 77(3), 581-609. DOI: 10.1007/s11336-012-9262-8 ↗
- Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41-55. DOI: 10.1093/biomet/70.1.41 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Propensity Score Matching Estimator. ScholarGate. https://scholargate.app/tr/causal-inference/bayesian-propensity-score-matching
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
- Coarsened Exact Matching (CEM)Nedensel çıkarım↔ karşılaştır
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Entropi DengelemeNedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır