Bayes Eğilim Skoru Ağırlıklandırması
Bayesian Propensity Score Weighting for Causal Inference · Ayrıca şöyle bilinir: Bayesian PSW, Bayesian IPW, Bayesian inverse probability weighting, Bayesian propensity weighting
Bayes Eğilim Skoru Ağırlıklandırması, eğilim skoruna ilişkin bir Bayes modelini ters olasılık ağırlıklandırmasıyla birleştirerek gözlemsel verilerdeki nedensel tedavi etkilerini tahmin eder. Eğilim skoru parametreleri üzerine bir önsel (prior) yerleştirerek ve arka (posterior) belirsizliği ağırlıklandırma adımına yayarak, bu yaklaşım hem skor modelindeki hem de sonuç modelindeki belirsizliği hesaba katarak ortalama tedavi etkisi için tam olasılıksal belirsizlik aralıkları üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gözlemsel verilerinizde ikili (veya kategorik) tedavi, bir dizi ön-tedavi karıştırıcısı ve sürekli veya ikili bir sonuç olduğunda ve asimptotik teoriye dayalı güven aralıkları yerine tam olasılıksal belirsizlik ölçümü istediğinizde Bayes eğilim skoru ağırlıklandırmasını kullanın. Özellikle eğilim skoru tahmin belirsizliğinin önemsiz olmadığı küçük ila orta büyüklükteki örneklemlerde, tedavi seçimi hakkında önemli önsel bilgilere sahip olduğunuzda veya marjinal yapısal model gibi aşağı akış analizlerine belirsizliği yaymanız gerektiğinde değerlidir. Güçlü kovaryant dengesi için bir ikame olarak kullanmayın — Bayes ağırlıklandırması hala tüm önemli karıştırıcıların ölçülmüş olmasını gerektirir (ölçülmemiş karıştırma yoktur). Hesaplama açısından yoğundur ve örneklemler büyük ve eğilim modeli iyi belirtilmişse aşırı olabilir.
Güçlü yönler & sınırlılıklar
- Eğilim skoru tahmin belirsizliğini tedavi etkisi arkasına yayarak, tüm belirsizlik kaynaklarını yansıtan güven aralıkları üretir.
- Tedavi atamasına etki eden kovaryantlar hakkında önemli önsel bilgilerin dahil edilmesine izin verir.
- Maksimum olabilirlik eğilim modellerinin kararsız olduğu veya ayrılmaya yaklaştığı küçük örneklemlerin doğal olarak üstesinden gelir.
- ATE üzerinde tam bir arka dağılım üretir, bu da P(ATE > 0) gibi doğrudan olasılık ifadelerine olanak tanır.
- Marjinal yapısal modeller ve çift sağlam (doubly robust) tahmincilerle birleşik bir Bayes çerçevesi içinde uyumludur.
- Hesaplama açısından yoğundur: Eğilim skoru parametreleri üzerindeki MCMC örneklemesi, büyük veri kümeleri veya karmaşık modeller için yavaş olabilir.
- Önsel hassasiyeti: Sonuçlar, özellikle küçük örneklemlerde veya zayıf tanımlamada seçilen önsellere bağlı olabilir.
- Tedavi modelini açıkça belirtmeyi gerektirir ve yanlış belirtme, Bayes çerçevesine rağmen ATE tahminini yanlı hale getirir.
- Sıfıra veya bire yakın eğilim skorlarından kaynaklanan aşırı ağırlıklar, Bayes uygulamalarında bile pratik bir sorun olmaya devam etmektedir.
- Arka dağılımları yorumlama ve iletme, uygulamalı politika veya klinik kitlelerde bulunmayabilecek Bayes okuryazarlığı gerektirir.
SSS
Bayes PSW standart (sıklıkçı) eğilim skoru ağırlıklandırmasından nasıl farklıdır?
Standart PSW, maksimum olabilirlik ile tek bir lojistik model uydurur, tahmin edilen olasılıkları ağırlık olarak takar ve sonuç modeli için bootstrap veya sandviç standart hatalarını ayrı ayrı oluşturur. Bayes PSW, lojistik model parametrelerini rastgele kabul eder, arka dağılımlarından örnekler çeker ve bu belirsizliği ağırlıklar aracılığıyla tedavi etkisi üzerindeki bir arka dağılıma yayar — sıklıkçı iki aşamalı yaklaşımların genellikle göz ardı ettiği eğilim skoru tahmin belirsizliğini yakalar.
Bayes ağırlıklandırması yaptıktan sonra kovaryant dengesini kontrol etmem gerekir mi?
Evet. Eğilim skorunun Bayes tahmini, sonuç ağırlıklarının gözlemlenen kovaryantlar üzerinde denge üreteceğini garanti etmez. Ağırlıklandırılmış tedavi görmüş ve kontrol grupları arasındaki standartlaştırılmış ortalama farkları hala hesaplamalı ve sıfıra yakın olduklarını doğrulamalısınız.
Eğilim skoru modeli için hangi önseli kullanmalıyım?
Zayıf bilgilendirici önseller — örneğin, log-olasılık katsayıları üzerinde normal(0, 2.5) — genellikle önerilir. Orta büyüklükteki örneklemlerde tahminleri stabilize etmek için yeterli düzenleme sağlarlar, ancak kovaryant etkileri hakkında güçlü inançlar dayatmazlar. Tamamen düz önseller, eğilim modeli ayrılmaya yaklaştığında aşırı ağırlıklara yol açabilir.
Bayes PSW, ölçülmemiş karıştırma olduğunda geçerli midir?
Hayır. Tüm eğilim skoru yöntemleri gibi, Bayes PSW de tedavi atamasının gözlemlenen kovaryantlar verildiğinde ihmal edilebilir olduğu varsayımına dayanır. Önemli karıştırıcılar ölçülmemişse, tahmin edilen ATE tahmin çerçevesinden bağımsız olarak yanlıdır. Hassasiyet analizi yöntemleri (örneğin, ölçülmemiş karıştırma için Bayes hassasiyet analizi) bu tehdidi değerlendirmek için gereklidir.
Bayes PSW'yi çift sağlam (doubly robust) tahminine ne zaman tercih etmeliyim?
Tam olasılıksal tedavi etkisi arkası istediğinizde ve tedavi seçimi hakkında önemli önsel bilgilere sahip olduğunuzda Bayes PSW tercih edilir. Çift sağlam tahmin, tedavi veya sonuç modelinin yanlış belirtilmesine karşı koruma sağlar ancak asimptotik standart hatalarla nokta tahminleri üretir. Örneklem boyutu büyükse ve her iki model de iyi belirtilmişse, iki yaklaşım benzer sonuçlar verecektir; Bayes PSW esas olarak belirsizlik ölçümü ve önsel dahil etme yoluyla değer katar.
Kaynaklar
- McCandless, L. C., Gustafson, P., & Austin, P. C. (2009). Bayesian propensity score analysis for observational data. Statistics in Medicine, 28(1), 94–112. DOI: 10.1002/sim.3460 ↗
- Saarela, O., Stephens, D. A., Moodie, E. E. M., & Klein, M. B. (2015). On Bayesian estimation of marginal structural models. Biometrics, 71(2), 279–288. DOI: 10.1111/biom.12269 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Propensity Score Weighting for Causal Inference. ScholarGate. https://scholargate.app/tr/causal-inference/bayesian-propensity-score-weighting
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
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır