Dinamik Entropi Dengeleme
Dynamic Entropy Balancing for Longitudinal Causal Inference · Ayrıca şöyle bilinir: DEB, longitudinal entropy balancing, entropy balancing with time-varying treatment, sequential entropy balancing
Dinamik Entropi Dengeleme, entropi dengeleme yeniden ağırlıklandırma yaklaşımını zamanla değişen tedavilerin olduğu panel veya boylamsal veri kümelerinde kullanmak üzere genişletir. Her zaman diliminde, tedavi edilen ve karşılaştırma birimlerinin kovaryat dağılımlarının belirtilen momentlerde dengelendiği birim ağırlıklar oluşturur, önceki tedavi geçmişi ve zamanla değişen karıştırıcılar için sıralı olarak ayarlama yaparak tedavi dizilerinin sonuçlar üzerindeki 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
Panel veya boylamsal veriye sahip olduğunuz, zamanla değişen bir tedaviye ve geçmiş tedaviden etkilenen zamanla değişen kovaryatlara (ara karıştırıcılar) sahip olduğunuzda Dinamik Entropi Dengeleme'yi kullanın. Sıralı ayrılmazlığın savunulabilir olduğu ve her dönem için parametrik bir eğilim modeli belirtmekten kaçınmak istediğiniz durumlarda uygundur. İkili ve çok değerli zamanla değişen tedaviler için çalışır. Tedavinin yalnızca bir kez atandığı durumlarda kullanmayın; standart entropi dengeleme yeterlidir. Sıralı ayrılmazlığın makul olmadığı durumlarda da kaçının - örneğin, ölçülmemiş zamanla değişen karıştırıcıların olası olduğu durumlarda - çünkü hiçbir yeniden ağırlıklandırma yaklaşımı gözlemlenmemiş karıştırmayı düzeltemez.
Güçlü yönler & sınırlılıklar
- Her dönemde eğilim puanı modellerini tahmin etmeden kovaryat momentlerini doğrudan dengeler, her dönemdeki model yanlış belirtilmesine duyarlılığı azaltır.
- Her adımda tam tedavi geçmişine koşullandırarak zamanla değişen tedavileri ve karıştırıcıları titizlikle ele alır.
- Eğilim tabanlı yöntemlerin yalnızca yaklaşık olarak denge sağladığına kıyasla, yapı gereği belirtilen tüm momentlerde kesin denge sağlar.
- Şeffaf teşhisler: ağırlıklandırma sonrası standartlaştırılmış ortalama farkları, kovaryat dengesinin dönem-dönem net bir kontrolünü sağlar.
- Kovaryatların etkileşimleri ve daha yüksek dereceli terimleri dahil olmak üzere kullanıcı tarafından belirtilen herhangi bir momenti dengelemek için yeterince esnektir.
- Sıralı ayrılmazlık varsayımına (ölçülmemiş zamanla değişen karıştırıcılar yok) dayanır, bu varsayım tek başına verilerden test edilemez.
- Tedavi grupları kovaryatlarda önemli ölçüde farklılaştığında veya pozitiflik zayıf olduğunda ağırlıklar aşırı hale gelebilir, bu da varyansı artırır ve etkin örneklem boyutunu azaltır.
- Denge kısıtlamalarının sayısı dönem ve kovaryat sayısıyla artar; aşırı belirtme, çözülemez bir optimizasyon problemine yol açabilir.
- Dinamik durum için yazılım uygulamaları, statik entropi dengeleme için olandan daha az standarttır, daha dikkatli manuel kurulum gerektirir.
- Çıkarım genellikle büyük paneller için hesaplama maliyetini önemli ölçüde artıran bootstrapping gerektirir.
SSS
Dinamik entropi dengeleme, marjinal yapısal modelden nasıl farklıdır?
Her ikisi de ters olasılık türü ağırlıklar oluşturarak zamanla değişen tedavileri ele alır. Marjinal yapısal modeller, her dönemde eğilim puanlarını parametrik olarak tahmin eder ve terslerini ağırlıklandırır. Dinamik entropi dengeleme, eğilim puanı tahminini doğrudan moment eşleştirme optimizasyonu ile değiştirir, her zaman diliminde parametrik bir tedavi modelini doğru bir şekilde belirtme ihtiyacını ortadan kaldırır, ancak her ikisi de sıralı ayrılmazlığa dayanır.
Sıralı ayrılmazlık nedir ve ne zaman makuldür?
Sıralı ayrılmazlık, her dönemde tedavi atamasının, gözlemlenen tedavi geçmişi ve ölçülen zamanla değişen kovaryatlar verildiğinde potansiyel sonuçlardan bağımsız olmasını gerektirir. Tüm önemli karıştırıcıların ölçüldüğü ve zaman içinde güncellendiği durumlarda makuldür. Önemli ölçülmemiş faktörler - kaydedilmemiş sağlık şokları veya gözlemlenmemiş firma özellikleri gibi - hem tedaviyi hem de sonuçları etkilerse başarısız olur.
Hangi kovaryat momentlerini dengeleyeceğimi nasıl seçerim?
Tüm zamanla değişen kovaryatların ortalamaları ve kontrol olarak dahil edilen herhangi bir gecikmiş sonuçla başlayın. Tedavi veya sonuçla doğrusal olmayan ilişkileri olduğu şüphelenilen kovaryatlar için varyans ve çapraz ürün kısıtlamaları ekleyin. Kısıtlamaları artırmak dengeyi iyileştirir ancak ağırlıkları daha aşırı hale getirebilir ve optimizasyonun çözülmesini zorlaştırabilir.
Dinamik entropi dengeleme sürekli veya çok değerli tedavileri ele alabilir mi?
Evet. Moment dengeleme çerçevesi ikili tedavi gerektirmez. Çok değerli veya sürekli tedaviler için, karşılaştırma farklı tedavi yörüngelerini izleyen birimler arasındadır ve denge kısıtlamaları, her dönemde yörünge grupları arasında kovaryat dağılımlarını eşleştirmek için ayarlanabilir.
Ne kadar örneklem büyüklüğü gereklidir?
Yeniden ağırlıklandırma sonrası etkin örneklem büyüklüğü - ham n değil - kesinliği belirler. Çok sayıda zaman dilimi veya yüksek derecede dengesiz gruplarla, aşırı ağırlıklar etkin örneklemi önemli ölçüde küçültebilir. Her tedavi-geçmiş grubunun, güvenilir çıkarımı desteklemek için ağırlıklandırma sonrası en az 30 ila 50 etkin gözleme sahip olması gerekir.
Kaynaklar
- Hainmueller, J. (2012). Entropy Balancing for Causal Effects: A Multivariate Reweighting Method to Produce Balanced Samples in Observational Studies. Political Analysis, 20(1), 25-46. DOI: 10.1093/pan/mpr025 ↗
- Blackwell, M., & Glynn, A. N. (2018). How to Make Causal Inferences with Time-Series Cross-Sectional Data under Selection on Observables. American Political Science Review, 112(4), 1067-1082. DOI: 10.1017/S0003055418000357 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Dynamic Entropy Balancing for Longitudinal Causal Inference. ScholarGate. https://scholargate.app/tr/causal-inference/dynamic-entropy-balancing
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Dinamik Ters Olasılık Ağırlıklandırması (Dinamik TOA)Nedensel çıkarım↔ karşılaştır
- Dinamik Eğilim Skoru EşleştirmesiNedensel çıkarım↔ karşılaştır
- Entropi DengelemeNedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır