Çift Sağlam Tahmin (AIPW)
Augmented Inverse Probability Weighting (AIPW) / Doubly Robust Estimation · Ayrıca şöyle bilinir: AIPW, augmented inverse probability weighting, doubly robust estimator, Çift Gürbüz Kestirici (Augmented IPW / AIPW)
Çift Sağlam Tahmin, aynı zamanda Artırılmış Ters Olasılık Ağırlıklandırması (AIPW) olarak da adlandırılır, bir sonuç regresyon modelini bir eğilim (tedavi) modeliyle birleştiren, nedensel tedavi etkilerini tahmin etmek için kullanılan yarı parametrik bir yöntemdir. Robins & Rotnitzky (1995) ve Bang & Robins (2005) çalışmalarında geliştirilen bu yöntem, iki modelden en az birinin doğru bir şekilde belirtilmesi koşuluyla tutarlı kalır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+48 tane daha
Ne zaman kullanılır
Sürekli veya ikili bir sonuç ve ikili bir tedavi ile gözlemsel verilerden nedensel bir tedavi etkisini tahmin etmek istediğinizde ve sonuç veya tedavi modellerinden hangisini doğru bir şekilde belirleyebileceğinizden emin olmadığınızda çift sağlam tahmini kullanın. Kesitsel veya boylamsal verilere uygulanabilir ve çapraz uyumlu istenmeyen modellerin kararlı olması için makul bir örneklem (en az yaklaşık 150 gözlem) gerektirir. Ortak destek ve koşullu bağımsızlık (ölçülmemiş karıştırıcı faktör olmaması) varsayımlarını ve iki modelden en az birinin doğru bir şekilde belirtildiğini varsayar. Çift sağlamlık avantajının kaybolma eğiliminde olduğu küçük örneklemler için daha az uygundur.
Güçlü yönler & sınırlılıklar
- Sonuç modelinden veya eğilim modelinden en az biri doğru bir şekilde belirtilmişse tutarlıdır, bu da herhangi birinin yanlış belirtilmesine karşı koruma sağlar.
- Etkin: Her iki model de doğru olduğunda yarı parametrik Cramér-Rao alt sınırına ulaşır.
- Ters olasılık ağırlıklandırmasını sonuç regresyonu ile birleştirir ve çapraz uyum ile esnek makine öğrenimi istenmeyen modellerini destekler.
- Her iki model de yanlış belirtilmişse, tutarlılık kaybolur ve tahmin ciddi şekilde yanlı olabilir.
- Çapraz uyumlu istenmeyen tahminler küçük örneklemlerde (n < 150) kararsızdır, bu nedenle çift sağlamlık faydası ortadan kalkar.
- Ortak destek ve koşullu bağımsızlık (ölçülmemiş karıştırıcı faktör olmaması) gibi test edilemeyen varsayımlara dayanır.
SSS
Neden çift sağlam olarak adlandırılıyor?
Çünkü iki modele — bir sonuç regresyonu ve bir eğilim (tedavi) modeli — dayanır ve bunlardan en az biri doğru bir şekilde belirtildiği sürece tutarlı kalır. Doğru olma şansınız tek bir şans yerine iki katına çıkar.
Her iki model de yanlışsa ne olur?
Çift sağlamlık garantisi artık geçerli olmaz ve tahmin yanlı olabilir. Bu durumda, eğilim skoru eşleştirmesi gibi daha muhafazakar bir yöntem daha güvenli bir seçimdir.
Neden çapraz uyum kullanılır?
Çapraz uyum, istenmeyen modelleri verilerin bir kısmına uyarır ve diğer kısmında değerlendirir, böylece esnek makine öğrenimi tahmincileri aşırı uyum yapmaz. AIPW tahmincisini yarı parametrik etkinlik sınırına yakın tutar.
AIPW, basit ters olasılık ağırlıklandırmasından nasıl farklıdır?
Basit IPW sadece eğilim skoruna göre yeniden ağırlıklandırır ve yalnızca bu model doğruysa tutarlıdır. AIPW, IPW'yi bir sonuç regresyonu ile artırır, böylece tahmin, her iki modelin yanlış belirtilmesinden kurtulur ve daha etkindir.
Kaynaklar
- Robins, J. M. & Rotnitzky, A. (1995). Semiparametric Efficiency in Multivariate Regression Models with Missing Data. Journal of the American Statistical Association, 90(429), 122-129. DOI: 10.1080/01621459.1995.10476494 ↗
- Bang, H. & Robins, J. M. (2005). Doubly Robust Estimation in Missing Data and Causal Inference Models. Biometrics, 61(4), 962-973. DOI: 10.1111/j.1541-0420.2005.00377.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Augmented Inverse Probability Weighting (AIPW) / Doubly Robust Estimation. ScholarGate. https://scholargate.app/tr/causal-inference/doubly-robust-estimation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Nedensel Aracılık Analizi (Doğal Doğrudan ve Dolaylı Etkiler)Nedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır