Bayes Sentetik Kontrol Yöntemi
Bayesian Synthetic Control Method · Ayrıca şöyle bilinir: Bayesian SCM, Bayesian synthetic controls, probabilistic synthetic control, Bayesian SC
Bayes Sentetik Kontrol Yöntemi, müdahalenin tek bir birim üzerindeki nedensel etkisini, tedavi edilmemiş bağışçı birimlerin ağırlıklı bir kombinasyonundan olasılıksal bir karşı-olgusal oluşturarak tahmin eder. Klasik SCM'nin aksine, sentetik ağırlıklar üzerine bir önsel dağılım yerleştirerek, müdahale sonrası her zaman noktası için karşı-olgusal yörünge ve tedavi etkisi üzerindeki tam sonsal belirsizlik aralıklarını 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
Tek bir biriminiz - bir ülke, bölge, firma veya birey - ve orta derecede uzun bir zaman serisi boyunca gözlemlenen makul sayıda tedavi edilmemiş birimden oluşan bir bağışçı havuzunuz olduğunda Bayes Sentetik Kontrol Yöntemini kullanın (en az 20-30 müdahale öncesi dönem tavsiye edilir). Klasik SCM'nin geçerli olacağı ancak yalnızca permütasyon tabanlı plasebo testlerine güvenmek yerine biçimsel belirsizlik nicelemesi istediğiniz durumlar için en uygunudur. Çok sayıda tedavi edilen birim olduğunda (farklar-farklar veya panel yöntemleri tercih edilir), uygun bağışçı bulunamadığında (uygun bağışçı yok) müdahale öncesi uyum sağlanamadığında, müdahale sonrası ufuk çok kısa olduğunda veya farklar-farklar'ın paralel trendler yapısı bir faktör modeli yapısından daha iyi uyduğunda uygun değildir.
Güçlü yönler & sınırlılıklar
- Her zaman noktasında hem karşı-olgusal yörünge hem de tedavi etkisi için tam sonsal güven aralıkları sağlar, dürüst belirsizlik nicelemesi sunar.
- Önsel aracılığıyla bağışçı ağırlıklarını düzenler, klasik SCM'de ortaya çıkabilen müdahale öncesi dönemi aşırı uyum riskini azaltır.
- CausalImpact uygulaması gibi, Bayes çerçevesi içinde yapısal zaman serisi özelliklerini - trendleri, mevsimselliği ve regresyon bileşenlerini - barındırır.
- Standart farklar-farklar varsayımlarının birçok tedavi edilen birim için geçerli olmadığı, yalnızca bir tedavi edilen birimle durumları ele alır.
- Bilgiye dayalı önseler aracılığıyla hangi bağışçıların makul kontrol olabileceğine dair önceden konu bilgisi dahil edilmesine izin verir.
- Bağışçı ağırlıklarını belirlemek için uzun ve bilgilendirici bir müdahale öncesi zaman serisi gerektirir; kısa müdahale öncesi dönemler dağınık, bilgilendirici olmayan sonsallar üretir.
- Sonuçlar önsel belirtimine bağlıdır; kötü seçilmiş önseler çıkarımı bozabilir ve önsele duyarlılık düzenli olarak kontrol edilmelidir.
- Klasik SCM'den daha fazla hesaplama gerektirir, özellikle büyük bağışçı havuzları veya MCMC gerektiren uzun zaman serileri ile.
- Dışbükey ağırlıklar kısıtlaması (negatif olmama, bire toplamı), bağışçıların hiçbir dışbükey kombinasyonu tedavi edilen birimi kopyalayamıyorsa veriye iyi uymayabilir.
- Müdahale sonrası döneme dışa doğru ekstrapolasyon, bağışçı birimleri için veri üreten sürecin kararlı kaldığını varsayar; bağışçı sonuçlarındaki yapısal kırılmalar karşı-olgusalı geçersiz kılar.
SSS
Bayes SCM, klasik sentetik kontrolden nasıl farklıdır?
Klasik SCM, dışbükeylik kısıtlamalarına tabi olarak müdahale öncesi tahmin hatasını en aza indirerek tek bir optimal ağırlık vektörü bulur. Bayes versiyonu, ağırlıklar üzerine bir önsel yerleştirir, müdahale öncesi verilerle güncelleyerek bir sonsal elde eder ve ardından bu belirsizliği karşı-olgusal tahmine yayar. Sonuç, yalnızca permütasyon testlerine güvenmek yerine güven aralıklarını sağlayan tek bir yörünge yerine olası karşı-olgusalların bir dağılımıdır.
CausalImpact nedir ve nasıl ilişkilidir?
CausalImpact, Brodersen ve arkadaşları (2015) tarafından geliştirilen ve zaman serileri için Bayes nedensel çıkarımını işleten açık kaynaklı bir R paketidir. Olasılıksal bir karşı-olgusal oluşturmak için (bağışçı serisi öngörücülerini içerebilen) bir Bayes yapısal zaman serisi modeli kullanır. En yaygın kullanılan Bayes SCM uygulamasıdır ve sonsal güven bantlarını otomatik olarak üretir.
Kaç müdahale öncesi döneme ihtiyacım var?
Kesin bir minimum yoktur, ancak daha kısa müdahale öncesi dönemler ağırlıkların daha zayıf tanımlanmasına ve daha geniş, daha az bilgilendirici sonsallara yol açar. Kaba bir kılavuz olarak, en az 20-30 müdahale öncesi dönem, faydalı bir sonsal elde etmek için yeterli sinyal sağlar. Daha az dönemle, güven aralıkları pratik çıkarım için muhtemelen çok geniş olacaktır.
Ağırlıklar için hangi önseli kullanmalıyım?
Yaygın seçimler, bir Dirichlet dağılımı (basit üzerinde doğal olarak) veya seyreklik uyaran bir spike-and-slab önselidir. Seyrek bağışçı seçimi istendiğinde düzenlenmiş at nalı veya Laplace önseleri de kullanılır. Tüm durumlarda, sonuçların sağlam olup olmadığını kontrol etmek için alternatif önselerle analizi tekrarlayarak bir önsel duyarlılık analizi yapın.
Bu yöntemi çok sayıda tedavi edilen birimle kullanabilir miyim?
Bayes SCM, tek (veya çok az) tedavi edilen birim durumu için tasarlanmıştır. Çok sayıda birim tedavi edildiğinde, farklar-farklar veya iki yönlü sabit etkiler modelleri gibi panel yöntemleri daha doğal ve istatistiksel olarak verimlidir. Birden fazla tedavi edilen birimle, birim başına ayrı Bayes SCM'ler çalıştırıp bunları birleştirebilirsiniz, ancak özel olarak tasarlanmış çok birimli tahminciler genellikle tercih edilir.
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 ↗
- Abadie, A., Diamond, A., & Hainmueller, J. (2010). Synthetic control methods for comparative case studies: Estimating the effect of California's tobacco control program. Journal of the American Statistical Association, 105(490), 493-505. DOI: 10.1198/jasa.2009.ap08746 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Synthetic Control Method. ScholarGate. https://scholargate.app/tr/causal-inference/bayesian-synthetic-control-method
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
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Panel Veri Sentetik Kontrol YöntemiNedensel çıkarım↔ karşılaştır
- Sentetik Kontrol Yöntemi (SCM)Nedensel çıkarım↔ karşılaştır