Eğitim Araştırmalarında Kaba Eşleştirme (Coarsened Exact Matching)
Coarsened Exact Matching for Causal Inference in Education Research · Ayrıca şöyle bilinir: CEM in education, CEM for educational studies, exact matching education, coarsened matching educational data
Kaba Eşleştirme (CEM), sonuç analizi öncesinde işlem gören ve karşılaştırma grupları arasındaki dengesizliği azaltan bir ön işleme eşleştirme stratejisidir. Eğitim araştırmalarında, idari kayıtlardan, anket verilerinden veya yarı-deneysel çalışma tasarımlarından dengeli karşılaştırma grupları oluşturmak için kullanılır — örneğin, rastgele atamaya dayanmadan, bir müdahale alan öğrencileri benzer durumda olmayanlarla karşılaştırmak.
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 verileriniz — idari kayıtlar, ulusal anketler veya program katılım dosyaları — olduğunda ve bir eğitim tedavisinin (bir ders programı, okul seçimi politikası, müfredat reformu veya öğretmen mesleki geliştirme) test puanları, mezuniyet veya devamlılık gibi sonuçlar üzerindeki etkisini tahmin etmek istediğinizde eğitim araştırmalarında CEM kullanın. Kovaryetlerin sürekli ölçümlerin (önceki başarı, gelir) ve kategorik değişkenlerin (ırk, okul türü) bir karışımını içermesi ve analitik örneklemin budamaya dayanacak kadar büyük olması durumunda iyi çalışır. CEM'i şu durumlarda kullanmayın: (1) veri kümesi çok küçüktür ve budama güvenilir çıkarım için çok az eşleşen birim bırakacaktır; (2) doğal kabalaştırma noktaları olmayan birçok sürekli kovaryetiniz vardır, bu da tüm kombinasyonlar üzerinde tam eşleştirmeyi imkansız hale getirir; veya (3) anahtar bir karıştırıcı gözlemlenmemişse, çünkü eşleştirme yalnızca ölçülen özellikleri dengeler.
Güçlü yönler & sınırlılıklar
- Şeffaf ve sezgisel: araştırmacılar açıkça kabalaştırma kesme noktalarını seçerler ve eşleşen katmanları inceleyebilirler, bu da karşılaştırma mantığının eğitim politikası kitlelerine iletilmesini kolaylaştırır.
- Son model tahmininden sonra denge kontrolünü ortadan kaldıran bir alternatif olarak Stefano Iacus, Gary King ve Giuseppe Porro tarafından 2012'de Political Analysis dergisinde biçimlendirilmiştir. Eğitim araştırmacıları, idari veriler — zengin arka plan bilgileri içeren büyük öğrenci düzeyindeki veri kümeleri — budamaya dayanacak örneklem boyutlarını ve kabalaştırmaya uygun demografik değişkenleri sağladığı için onu hızla benimsemişlerdir. Okul kuponları, erken çocukluk programları, öğretmen etkinliği ve üniversite erişim müdahaleleri üzerine yapılan çalışmalarda uygulanmıştır.
- Eşleştirme, eğilim puanı modeli tahminini gerektirmez, bu nedenle denge, lojistik veya probit modelin doğru belirlenmesine bağlı değildir.
- Tüm eşleşen kovaryetleri tek bir skaler mesafeyi optimize etmek yerine eşzamanlı olarak dengeler, bu da komşu-olmayan eğilim puanı eşleştirmesinden daha iyi çok değişkenli denge sağlayabilir.
- Eşleşen veriler, kalan katman içi dengesizliği gidermek için herhangi bir standart regresyon aracı (OLS, lojistik, çok düzeyli modeller) ile analiz edilebilir.
- Araştırmacı derecelerini azaltır: kabalaştırma kuralları sonuçlar görülmeden önce belirlenir, bu da rastgele veri avcılığını sınırlar.
- Eşleşmeyen birimleri budamak, istatistiksel gücü keserek örneklem boyutunu önemli ölçüde azaltabilir — küçük eğitim çalışmalarında veya işlem grubunun niş bir alt popülasyon olduğu durumlarda özellikle endişe vericidir.
- Kabalaştırma kesme noktalarının seçimi özneldir; farklı makul seçimler farklı eşleşen örneklemlere ve nokta tahminlerine yol açabilir, bu da hassasiyet analizi gerektirir.
- Tüm eşleştirme yöntemleri gibi, CEM yalnızca gözlemlenen karıştırıcıları kontrol eder; öğrenci motivasyonu veya aile desteği gibi gözlemlenmeyen faktörler hala tahmini bozabilir.
- Çok sayıda kovaryetle, hepsini ortaklaşa eşleştirmek çok seyrek veya boş katmanlar üretebilir, bu da araştırmacıları ya agresif bir şekilde kabalaştırmaya ya da kovaryetleri atmaya zorlar.
SSS
Önceki test puanları için kabalaştırma kesme noktalarını nasıl seçerim?
Yaygın seçimler arasında nicel tabanlı gruplar (puan dağılımının çeyrekleri veya beşte birleri), anlamsal olarak anlamlı kesme puanları (yeterlilik eşikleri) veya eşit genişlikteki aralıklar bulunur. Kesme noktalarını sonuçları incelemeden önce seçmeli, seçimlerinizi şeffaf bir şekilde raporlamalı ve sonuçların belirli seçime bağlı olmadığını göstermek için en az bir alternatif kabalaştırma altında hassasiyet analizi çalıştırmalısınız.
Budamadan sonra ne kadar örneklem kaybı kabul edilebilir?
Evrensel bir kural yoktur. Denge önemli ölçüde iyileşirse, karşılaştırma birimlerinin %20-30'unun kaybı genellikle tolere edilebilir. Budama, işlem grubunun yarısından fazlasını ortadan kaldırırsa, eşleşen örneklem güvenilir çıkarım için çok küçük olabilir veya işlem gören öğrencilerin yalnızca dar, temsili olmayan bir alt grubunu temsil edebilir.
Eşleşen örneklem üzerinde bir regresyon çalıştırmalı mıyım yoksa sadece ortalamaları mı karşılaştırmalıyım?
Eşleşen örneklem üzerinde bir regresyon (verinin yapısına bağlı olarak OLS veya çok düzeyli) çalıştırmak şiddetle tavsiye edilir. Kalan katman içi kovaryet dengesizliğini gidermeye yardımcı olur ve öğrencilerin okullar içindeki kümelenmesini hesaba katar, hassasiyeti iyileştirir ve kalan yanlılığı azaltır.
CEM, eğitim verilerinde eğilim puanı eşleştirmesiyle nasıl karşılaştırılır?
CEM, doğru şekilde belirlenmiş bir eğilim modeli gerektirmez ve genellikle daha iyi çok değişkenli dengeyi doğrudan sağlar. Ancak, eğilim puanı eşleştirmesi, kovaryetler sürekli ve yüksek boyutlu olduğunda daha fazla örneklem tutar. Budamadan kaynaklanan örneklem kaybının kabul edilebilir olduğu büyük idari veri kümelerinde, CEM genellikle denge açısından eğilim eşleştirmesinden daha iyi performans gösterir.
CEM'i çok düzeyli verilerle, örneğin okullar içindeki iç içe geçmiş öğrencilerle kullanabilir miyim?
Evet. Eşleştirmeden sonra, okul düzeyindeki kümelenmeyi hesaba katmak için çok düzeyli veya küme-sağlam bir regresyon modeli kullanmalısınız. Bazı araştırmacılar, eşleştirmeden sonra okul düzeyindeki gözlemlenmeyenleri emmek için eşleştirme sonrası regresyona okul sabit etkileri de dahil ederler, yeterli okul içi varyasyon kaldığı sürece.
Kaynaklar
- Iacus, S. M., King, G., & Porro, G. (2012). Causal inference without balance checking: Coarsened exact matching. Political Analysis, 20(1), 1-24. DOI: 10.1093/pan/mpr013 ↗
- Morgan, S. L., & Winship, C. (2015). Counterfactuals and Causal Inference: Methods and Principles for Social Research (2nd ed.). Cambridge University Press. ISBN: 978-1107065079
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Coarsened Exact Matching for Causal Inference in Education Research. ScholarGate. https://scholargate.app/tr/causal-inference/coarsened-exact-matching-in-education-research
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Coarsened Exact Matching (CEM)Nedensel çıkarım↔ karşılaştır
- Eğitim Araştırmalarında Farkların Farkı YöntemiNedensel çıkarım↔ karşılaştır
- Eğitim Araştırmalarında Eğilim Puanı EşleştirmesiNedensel çıkarım↔ karşılaştır
- Eğitim Araştırmalarında Regresyon Süreksizlik TasarımıNedensel çıkarım↔ karşılaştır