Bayesçi Regresyon Kesintisi Tasarımı
Bayesian Regression Discontinuity Design · Ayrıca şöyle bilinir: Bayesian RDD, Bayesian RD, Bayes RDD, Bayesian regression-discontinuity
Bayesçi Regresyon Kesintisi Tasarımı (Bayesçi RDD), bilinen bir atama kesme noktasıdaki yerel nedensel etkiyi tahmin eden klasik RD çerçevesini bir Bayesçi çıkarım motoruna yerleştirir. Kesme noktasının her iki tarafındaki regresyon fonksiyonları ve tedavi-etki parametresi üzerine önsel dağılımlar yerleştirilir, bu da tek bir nokta tahmin ve sıklaştırmacı bir p-değeri yerine nedensel tahmin edici üzerinde tam bir sonsal dağılım verir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Keskin veya bulanık bir kesme kuralı tedaviyi atadığında ve özellikle kesme noktası yakınındaki küçük örneklemlerde, sıklaştırmacı büyük örneklem yaklaşımlarının güvenilmez olduğu veya önsel konu bilgisi kodlamak istediğinizde, prensipli belirsizlik ölçümü istediğinizde Bayesçi RDD kullanın. Ayrıca, her iki taraftaki regresyonun fonksiyonel formunun belirsiz olduğu ve tek bir bant genişliği veya polinom derecesine bağlı kalmak yerine bu belirsizlik üzerinden ortalama almak istediğinizde tercih edilir. Gerçek bir kesme atama kuralının mevcut olmadığı durumlarda; çalışan değişkenin birimler tarafından manipüle edildiği durumlarda (yoğunluk manipülasyon testleri herhangi bir RDD'den önce yapılmalıdır); örneklem boyutunun çok büyük olduğu ve sıklaştırmacı RDD'nin zaten ihmal edilebilir kazançla güvenilir tahminler sağladığı durumlarda; veya hesaplama kaynaklarının ciddi şekilde sınırlı olduğu durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- Tedavi etkisi üzerinde tam bir sonsal dağılım üretir, etki büyüklüğü hakkında doğrudan olasılık ifadelerine olanak tanır.
- Regresyon fonksiyonu ve bant genişliği hakkındaki belirsizliği çıkarıma yayar, keyfi belirleme seçimlerinden kaynaklanan aşırı güveni önler.
- Önsel aracılığıyla kesme noktası yakınındaki küçük yerel örneklemleri sıklaştırmacı asimptotik yöntemlerden daha iyi ele alır.
- Tek bir model içinde bulanık tasarımlara, normal olmayan sonuçlara ve hiyerarşik veya çok düzeyli RD ayarlarına doğal olarak genişler.
- Güvenilir aralıkların, sıklaştırmacı güven aralıklarının sahip olmadığı doğrudan bir olasılıksal yorumu vardır.
- Sonuçlar, özellikle regresyon fonksiyonu için önsel seçimlere duyarlı olabilir; kötü seçilmiş önseller seyrek bir yerel örneği domine edebilir.
- Hesaplama açısından yoğundur: MCMC veya varyasyonel çıkarım gereklidir ve yakınsama dikkatlice izlenmelidir.
- Sıklaştırmacı RDD ile aynı tanımlayıcı varsayımı gerektirir — kesme noktasındaki çalışan değişkenin manipülasyonu olmaması — ve varsayım başarısız olursa Bayesçi çıkarım bunu kurtarmaz.
- Yazılım ve uzmanlık talepleri standart sıklaştırmacı RDD paketlerinden daha yüksektir.
SSS
Standart RDD'ye göre Bayesçi RDD'nin ne gibi bir avantajı vardır?
Birincil avantaj tam belirsizlik ölçümüdür. Standart RDD, nokta tahmini ve bant genişliği seçimine ve asimptotik yaklaşımlara bağlı genişliği olan sıklaştırmacı bir güven aralığı verir. Bayesçi RDD, (a) fonksiyonel form belirsizliği üzerinden ortalama alan, (b) önsel aracılığıyla küçük örneklemlerde kalibre edilen ve (c) etkinin politika ile ilgili bir eşiği aştığına dair sonsal olasılık gibi doğrudan olasılık ifadelerini destekleyen nedensel etki üzerinde bir sonsal dağılım üretir.
Bayesçi yaklaşım bant genişliği ihtiyacını ortadan kaldırır mı?
Tam olarak değil. Gauss süreci öncelleri düzgünlüğü kodlar ve etkili bir şekilde sürekli düzenleme yapar, açık bant genişliği seçimine duyarlılığı azaltır, ancak önsel hiperparametreleri (örneğin, uzunluk ölçeği) benzer bir rol oynar. Parametrik Bayesçi RDD'ler hala bir pencere kararı gerektirir. Sonuçların bu seçimlere duyarlılığı her zaman raporlanmalıdır.
Bayesçi RDD bulanık kesintileri işleyebilir mi?
Evet. Bulanık bir tasarımda, tedavi alımı kesme noktasını geçmenin deterministik bir fonksiyonu değil, olasılıksal bir fonksiyonudur. Chib ve Jacobi (2016) bunu Bayesçi iki aşamalı (IV tipi) bir sistem olarak modeller, hem birinci aşama uyumu hem de ikinci aşama sonuç denklemi üzerine önseller yerleştirir ve yerel ortalama tedavi etkisini (LATE) ortaklaşa tahmin eder.
Çalışan değişkenin Bayesçi bir RDD'de manipüle edilip edilmediğini nasıl kontrol ederim?
Manipülasyon testleri (örneğin, McCrary yoğunluk testi veya Bayesçi uzantıları) sıklaştırmacı RDD'de olduğu gibi tahmin öncesinde yapılır. Bayesçi çıkarım motoru kesme noktası etrafında sıralamaya karşı koruma sağlamaz; manipülasyon tespit edilirse, nedensel okuma tahmin yaklaşımından bağımsız olarak geçersizdir.
Bayesçi RDD'yi hangi yazılımlar çalıştırabilir?
Stan (RStan veya PyStan aracılığıyla), kullanıcıların Gauss süreci veya polinom önselleriyle özel Bayesçi RD modelleri yazmalarına ve bunları HMC ile tahmin etmelerine olanak tanır. JAGS ve BUGS parametrik Bayesçi RDD'leri destekler. 2024 itibarıyla, rdrobust'un sıklaştırmacı RDD için yaptığı gibi Bayesçi RDD'yi uçtan uca otomatikleştiren tek bir baskın R veya Python paketi bulunmamaktadır, bu nedenle özel Stan veya brms kodu pratik standarttır.
Kaynaklar
- Karabatsos, G., & Walker, S. G. (2004). Coherent inference in regression discontinuity designs with a Bayesian nonparametric approach. Journal of the American Statistical Association, 99(468), 1121-1131. link ↗
- 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 Regression Discontinuity Design. ScholarGate. https://scholargate.app/tr/causal-inference/bayesian-regression-discontinuity-design
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
- Bulanık Regresyon Süreksizlik TasarımıNedensel çıkarım↔ karşılaştır
- Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
- Yerel Ortalama Tedavi Etkisi (LATE / CACE)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır