Entropi Dengeleme
Entropy Balancing for Causal Effects · Ayrıca şöyle bilinir: EB, entropy reweighting, covariate balancing via entropy, Hainmueller balancing
Entropi dengeleme, nedensel çıkarım için kullanılan bir ön işleme yöntemidir ve kontrol grubu birimlerine, yeniden ağırlıklandırılmış kontrol örnekleminin seçilmiş kovaryet momentleri (ortalamalar, varyanslar, çarpıklık) üzerinde işlem grubuyla tam olarak eşleşmesini sağlayacak ağırlıklar atar. Hainmueller (2012) tarafından tanıtılan bu yöntem, deneme yanılma yoluyla eğilim puanı kırpılması yerine, tek bir adımda dengeyi sağlayan kısıtlı maksimum entropi optimizasyonunu kullanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+11 tane daha
Ne zaman kullanılır
İkili işleminiz olduğunda ve gözlemsel verileriniz olduğunda ve eğilim puanı eşleştirmesinin gerektirdiği manuel ayarlama olmadan belirtilen momentler üzerinde tam kovaryet dengesi istediğinizde entropi dengeleme kullanın. İşlem ve kontrol gruplarının boyutları eşit olmadığında, destek dışı birimler endişe kaynağı olduğunda veya önceki bir eşleştirme adımı kalan dengesizliği bıraktığında iyi uygundur. Kesitsel ve panel bağlamları için uygundur ve sürekli veya ikili sonuçlarla çalışır. İşlem sürekli veya çok değerli olduğunda (bunun yerine genelleştirilmiş dengeleme ağırlıkları kullanın), örneklem boyutları çok küçük olduğunda (grup başına yaklaşık 30'dan az), kontrol birimlerinden çok daha fazla kovaryetiniz olduğunda (optimizasyonun uygun bir çözümü olmayabilir) veya gözlemlenen değişkenler üzerindeki karışmamışlık makul olmadığında kullanmayın.
Güçlü yönler & sınırlılıklar
- Tek bir optimizasyon adımında belirtilen tüm kovaryet momentlerinde tam denge sağlar, iteratif kırpma döngülerini ortadan kaldırır.
- Şeffaf: kalan herhangi bir dengesizlik hemen görünür, kara kutu eğilim puanı işlem hatlarının aksine.
- Entropi hedefi, ağırlıkları tekdüzeden uzak tutarak aşırı ağırlıklardan ve ilişkili varyans şişmesinden kaçınır.
- Belirli koşullar altında çift yönlü sağlam olduğu gösterilmiştir: ya sonuç modeli ya da dengeleme modeli doğru bir şekilde belirtilmişse tutarlıdır.
- Ortalamaların ötesinde daha yüksek dereceli momentleri (varyanslar, çarpıklık) dengelemek için kolayca genişletilebilir, standart IPW doğal olarak hedeflemez.
- Eşit olmayan işlem ve kontrol grubu boyutlarıyla iyi çalışır.
- Karışmamışlık varsayar (ölçülmemiş karıştırma yok); gözlemlenen kovaryetler üzerindeki denge, gözlemlenmeyenler üzerindeki dengeyi garanti etmez.
- Belirtilen momentler mevcut kontrol birimleri göz önüne alındığında eş zamanlı olarak karşılanamıyorsa optimizasyon uygun olmayabilir, bu da kısıtlamaların gevşetilmesini gerektirir.
- Çok sayıda kovaryet veya yüksek dereceli moment ile kısıtlama kümesi büyür, bu da aşırı ağırlıklar ve verimlilik kaybı üretebilir.
- Standart hata tahmini önemsizdir; ağırlık tahmin belirsizliğini hesaba katmak için sandviç formülü veya bootstrap dikkatlice uygulanmalıdır.
SSS
Entropi dengeleme, eğilim puanı ağırlıklandırmasından nasıl farklıdır?
Eğilim puanı ağırlıklandırması önce bir lojistik model kullanarak tedavi olasılığını tahmin eder, ardından ters olasılık ağırlıklarını oluşturur. Denge, modelin dolaylı bir yan ürünüdür ve iteratif model ayarlamaları gerektirebilir. Entropi dengeleme, doğrudan dengeyi sert bir kısıtlama olarak hedefler, bir eğilim puanı tahmin etme ihtiyacı olmadan tek bir optimizasyon adımında tam moment dengesini garanti eder.
Hangi momentleri dengelemeliyim?
En azından, tüm işlem öncesi kovaryetlerin ortalamalarını dengeleyin. Dağılımlar önemli ölçüde farklılık gösteriyorsa, varyansları ve — yüksek derecede çarpık değişkenler için — üçüncü momentleri (çarpıklık) de dengeleyin. Seçim, hangi kovaryet özelliklerinin sonuç varyasyonunu yönlendirdiği konusundaki substantif bilgi ile yönlendirilmelidir.
Optimizasyon uygun bir çözüm raporlamazsa ne olur?
Bu, tüm denge kısıtlamalarını aynı anda karşılayabilen hiçbir ağırlık olmadığı anlamına gelir. Yaygın çözümler şunlardır: kısıtlama kümesini azaltmak (daha az moment veya daha az kovaryet), örneği ortak destek bölgesine kırpmak veya düzenlileştirilmiş bir varyant kullanarak sert kısıtlamaları yumuşak cezalara gevşetmek.
Entropi dengeleme birden fazla işlem grubunu ele alır mı?
Standart yöntem ikili işlem için tanımlanmıştır. Birden fazla grup için, ayrı ikili karşılaştırmalar çalıştırılabilir veya çok değerli işlemleri barındıran genelleştirilmiş dengeleme ağırlığı çerçeveleri (örneğin, CBPS veya enerji dengeleme) kullanabilirsiniz.
Entropi dengeleme sonrası standart hataları nasıl raporlamalıyım?
Bootstrap'ı (birimleri yeniden örnekleyin, her bootstrap tekrarında ağırlıkları ve ATT'yi yeniden tahmin edin) veya ağırlıkları tahmin edilen miktarlar olarak ele alan bir sandviç (HC) tahmin edicisini kullanın. Yeniden ağırlıklandırılmış örneklem üzerindeki naif OLS standart hataları, ağırlık tahmin belirsizliğini göz ardı eder ve çok küçüktür.
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 ↗
- Zhao, Q., & Coey, D. (2017). Entropy balancing is doubly robust. Journal of Causal Inference, 5(1). (Working paper version widely cited; see also Zhao & Coey 2018, Stanford GSB Research Paper.) link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Entropy Balancing for Causal Effects. ScholarGate. https://scholargate.app/tr/causal-inference/entropy-balancing
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
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Eşleştirme TahmincisiNedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır