Dinamik Karşı-Olgusal Etki Değerlendirmesi
Dynamic Counterfactual Impact Evaluation · Ayrıca şöyle bilinir: dynamic CIE, dynamic treatment evaluation, time-varying counterfactual analysis, longitudinal counterfactual evaluation
Dinamik Karşı-Olgusal Etki Değerlendirmesi (dinamik KOED), standart karşı-olgusal program değerlendirmesini, tedavinin birden çok dönem boyunca sıralı olarak atandığı durumları kapsayacak şekilde genişletir. Tek bir tedavi görmüş ve görmemiş durumun karşılaştırılması yerine, ara sonuçların ve zamanla değişen kovaryetlerin sonraki tedavi kararlarını nasıl etkilediğini hesaba katarak, tüm tedavi yörüngelerinin veya rejimlerinin nedensel etkisini tahmin eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tedavinin zamanla değiştiği veya dönemler boyunca birden çok dozda uygulandığı ve ara sonuçların veya geçmiş tedaviden etkilenen kovaryetlerin gelecekteki tedavi seçimini etkilediği durumlarda dinamik KOED'yi kullanın. Tipik bağlamlar, tekrarlanan katılımı olan işgücü piyasası programları, uyarlanabilir dozlamalı klinik deneyler ve yeniden kayıtlı sosyal müdahalelerdir. Her dönemde tedavi atamasından önce ölçülen zengin zamanla değişen kovaryetlere sahip boylamsal veri gerektirir. Tedavinin geri bildirim döngüsü olmayan tek seferlik bir karar olduğu durumlarda kullanmayın; standart (statik) karşı-olgusal değerlendirme orada yeterlidir ve dinamik yöntemlerin ek karmaşıklığı gereksizdir.
Güçlü yönler & sınırlılıklar
- Statik yöntemlerin (standart DiD, eğilim puanı eşleştirmesi) yanlılık olmadan ele alamayacağı zamanla değişen tedavi ve zamanla değişen karıştırmayı ele alır.
- Tüm tedavi rejimlerinin veya dizilerinin nedensel etkilerini belirler, optimal zamanlama ve dozaj hakkında politika açısından ilgili soruları yanıtlar.
- G-hesaplaması ve marjinal yapısal model çerçeveleri, doğru model belirtimi altında tutarlı tahmin sağlar.
- Geçmiş tedavi ile gelecekteki kovaryetler arasındaki geri bildirimi açıkça modeller, nedensel varsayımları şeffaf ve test edilebilir hale getirir.
- Uygun ağırlıklandırma veya sonuç modelleri aracılığıyla bir dizi sonuç türüyle (sürekli, ikili, olay süresi) uyumludur.
- Her tedavi kararından önce ölçülen zengin boylamsal veri gerektirir; bu veriler genellikle idari veri kümelerinde bulunmaz.
- IPW tahmincilerinin tutarlılığı, her dönemde eğilim modelinin doğru belirtimine bağlıdır; yanlış belirtim dönemler boyunca birikir.
- Tedavi rejimlerini tanımlamak, özlü yargı gerektirir; karşılaştırılacak rejimlerin seçimi tüm sonuçları şekillendirir.
- Güvenilir tahmin için gereken örneklem boyutları, dönem sayısı ve rejimlerin karmaşıklığı ile artar.
- Sıralı ilgisizlik (ölçülmemiş zamanla değişen karıştırma yok) varsayımı güçlüdür ve doğrudan test edilemez.
SSS
Dinamik KOED, standart karşı-olgusal etki değerlendirmesinden nasıl farklıdır?
Standart KOED, tek bir zaman noktasında tedavi gören bir grubu, tedavi görmeyen bir karşı-olgusal ile karşılaştırır. Dinamik KOED, birden çok dönem boyunca tüm tedavi kararları dizilerini karşılaştırır ve geçmiş tedavi, ara sonuçlar ve gelecekteki tedavi seçimi arasındaki geri bildirimi açıkça ayarlar; bu, statik yöntemlerin göz ardı ettiği ve tedavi zamanla değiştiğinde yanlılığa yol açan bir karmaşıklıktır.
Sıralı ilgisizlik nedir ve neden önemlidir?
Sıralı ilgisizlik (sıralı koşullu bağımsızlık olarak da adlandırılır), her dönemde tedavi atamasının o noktaya kadar gözlemlenen tüm geçmiş verildiğinde gelecekteki potansiyel sonuçlardan bağımsız olmasını gerektirir. Eğilim puanı yöntemlerindeki ilgisizlik varsayımının dinamik analoğudur. Ölçülmemiş faktörler hem mevcut tedaviyi hem de gelecekteki sonuçları etkilerse, varsayım başarısız olur ve tahminler yanlı olur.
Bu yöntemi idari panel verileriyle kullanabilir miyim?
Evet, ancak dikkatli olun. İdari veriler genellikle her karar noktasında gereken zengin zamanla değişen kovaryet setinden yoksundur. Anahtar zamanla değişen karıştırıcılar (örneğin, sağlık durumu, iş arama yoğunluğu) kaydedilmezse, pozitiflik ve sıralı ilgisizlik ihlal edilebilir. Mümkün olduğunda, bağlantılı anketler veya yardımcı kayıtlarla verileri zenginleştirin.
Eğilim puanı ağırlıkları çok büyükse ne yapmalıyım?
Büyük ağırlıklar, pozitiflik varsayımının neredeyse ihlal edildiğini gösterir; bazı kovaryet geçmişleri bir tedavi rejimi altında çok nadirdir. Stabilize edilmiş ağırlıklar (gözlemlenen tedavinin marjinal olasılığına bölerek) varyansı azaltır. Aşırı ağırlıkları kırpmak (örneğin, %99. persentilde sınırlamak) da yaygındır, ancak daha az varyans karşılığında bir miktar yanlılık getirir.
Dinamik KOED, marjinal yapısal model ile aynı mıdır?
Tam olarak değil. Marjinal yapısal model (MSM), dinamik KOED ailesi içinde belirli bir tahmin çerçevesidir; her rejim altındaki potansiyel sonucun marjinal ortalamasını belirtir ve stabilize edilmiş ters olasılık ağırlıkları ile uydurulur. G-hesaplaması, sonucu her dönemde doğrudan modelleyen alternatif bir tahmin yaklaşımıdır. Dinamik KOED daha geniş değerlendirme paradigmasıdır; MSM'ler ve g-hesaplaması, onu uygulamak için ana araçlardır.
Kaynaklar
- Robins, J. M. (1986). A new approach to causal inference in mortality studies with a sustained exposure period — application to control of the healthy worker survivor effect. Mathematical Modelling, 7(9-12), 1393-1512. DOI: 10.1016/0270-0255(86)90088-6 ↗
- Lechner, M. (2009). Sequential causal models for the evaluation of labor market programs. Journal of Business and Economic Statistics, 27(1), 71-83. DOI: 10.1198/jbes.2009.0006 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Dynamic Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/tr/causal-inference/dynamic-counterfactual-impact-evaluation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karşı-olgusal Etki Değerlendirmesi (CIE)Nedensel çıkarım↔ karşılaştır
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Dinamik Farkların FarkıNedensel çıkarım↔ karşılaştır
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır
- Panel Olay ÇalışmasıNedensel çıkarım↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır