Heterojen Tedavi Etkisi Nedensel Etki Analizi
Heterogeneous Treatment Effect Causal Impact Analysis · Ayrıca şöyle bilinir: HTE-CausalImpact, CATE causal impact, heterogeneous causal impact, subgroup causal impact analysis
Heterojen tedavi etkisi nedensel etki analizi, bir müdahalenin ortalama etkisini değil, aynı zamanda bu etkinin alt gruplar veya bireysel birimler arasında nasıl değiştiğini tahmin etmek için Bayesçi yapısal zaman serisi nedensel etki çerçevesini genişletir. Karşı-olgusal tahmin ile koşullu ortalama tedavi etkisi (CATE) tahminini birleştirerek, hangi grupların bir müdahaleden en çok veya en az fayda sağladığını ortaya çıkarır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bu yöntemi, bir zaman serisini veya birim panelini etkileyen iyi tanımlanmış bir müdahaleniz olduğunda ve tedavi etkisinin demografi, coğrafya veya temel sonuçlar gibi müdahale öncesi özelliklerle tanımlanan alt gruplar arasında anlamlı şekilde farklılaştığından şüphelendiğinizde kullanın. Güvenilir bir kontrol modeli uydurmak için yeterli müdahale öncesi veriye sahip olduğunuzda ve birimlerin CATE tahminini sağlayan karşılaştırılabilir arka plan kovaryetlerine sahip olduğu durumlarda uygundur. Müdahale öncesi serilerin kararlı Bayesçi tahmin için çok kısa olduğu, alt grup örneklem boyutlarının çok küçük olduğu veya alt grup tanımlarının çoğulluk düzeltmesi olmadan sonradan seçildiği durumlarda kullanmayın, çünkü bu koşullar yanlış keşif riskini ciddi şekilde artırır.
Güçlü yönler & sınırlılıklar
- Tek bir toplu tahminin gizlediği tedavi etkisi heterojenliğini ortaya çıkarır, hedeflenmiş politika kararlarını mümkün kılar.
- Bayesçi yapısal zaman serisi omurgası, her zaman noktasındaki karşı-olgusal için güvenilir belirsizlik miktarını sağlar.
- Etki analizi işlem hattı içinde modern makine öğrenmesi CATE tahmincilerini (nedensel ormanlar, BART) dahil etmek için esneklik.
- Rastgeleleştirilmiş bir kontrol grubu olmadan gözlemsel verilere uygulanabilir, bunun yerine paralel kontrol serilerine dayanır.
- Arka plan öngörülen aralıkları, asimptotik yaklaşımlara dayanmak yerine doğal olarak belirsizliği yayar.
- Yeterli müdahale öncesi veri gerektirir - tipik olarak haftalık seriler için en az 52 gözlem - kararlı bir yapısal zaman serisi modeli tanımlamak için.
- CATE tahmini, alt grup başına yeterli örneklem boyutu gerektirir; ince alt gruplar geniş, bilgilendirici olmayan güvenilir aralıklar verir.
- Karşı-olgusal geçerliliği, kontrol kovaryetlerinin kalitesine bağlıdır; önemli öngörücüler eksikse, BSTS modeli aracılığıyla yanlılık girer.
- İki modelleme katmanını (BSTS karşı-olgusal + CATE öğrenici) birleştirmek, model belirleme hatasını artırır ve hesaplama maliyetini yükseltir.
- Alt grup karşılaştırmaları çoğulluk düzeltmesi gerektirir; olmadan, yapay heterojenlik kolayca aşırı raporlanır.
SSS
Bu, standart nedensel etki analizinden nasıl farklıdır?
Standart nedensel etki analizi, tüm birimler üzerinden ortalama alınan müdahale etkisinin tek bir toplu tahminini üretir. Heterojen sürüm ek olarak, BSTS karşı-olgusalından elde edilen birim düzeyindeki kalıntı etkilerine uygulanan CATE tahmincilerini kullanarak bu etkinin alt gruplar veya bireyler arasında nasıl değiştiğini tahmin eder.
BSTS modeliyle birlikte hangi CATE tahmincisini kullanmalıyım?
Nedensel ormanlar (R'deki grf paketi) ve çift yönlü sağlam öğreniciler, esnek oldukları, yüksek boyutlu kovaryetleri yönettikleri ve dürüst belirsizlik tahminleri sağladıkları için en yaygın seçeneklerdir. BART, alt grup etkileri üzerinde tam arka plan çıkarımının istendiği Bayesçi ortamlarda da popülerdir.
Ne kadar müdahale öncesi veriye ihtiyacım var?
Pratik bir kural olarak, eğilimi ve mevsimselliği güvenilir bir şekilde yakalamak için BSTS modelinin en az bir tam mevsimlik müdahale öncesi verisi önerilir. Haftalık veriler için bu yaklaşık 52 hafta; günlük veriler için en az birkaç ay anlamına gelir. Daha kısa pencereler, karşı-olgusal modeli yetersiz uyumlandırma riski taşır.
Birden fazla alt grup karşılaştırmasını nasıl ele almalıyım?
Müdahale sonrası verileri görmeden önce, substantif teoriye dayalı alt grupları önceden belirleyin ve çok sayıda alt grup etkisini raporlarken Benjamini-Hochberg yanlış keşif oranı kontrolü gibi bir çoğulluk düzeltmesi uygulayın. Düzeltme olmaksızın sonradan alt grup madenciliği, yapay bulguların önemli bir kaynağıdır.
Bunu bir kontrol zaman serisi olmadan kullanabilir miyim?
Prensipte evet - BSTS modeli yalnızca tedavi edilen serinin müdahale öncesi kısmı kullanılarak uydurulabilir - ancak kontrol serileri olmadan karşı-olgusal kalitesi çok daha zayıftır. Karşı-olgusal tahmindeki karıştırıcılığı azaltmak için yüksek kaliteli kontrol öngörücülerinin dahil edilmesi şiddetle tavsiye edilir.
Kaynaklar
- Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N., & Scott, S. L. (2015). Inferring causal impact using Bayesian structural time-series models. Annals of Applied Statistics, 9(1), 247-274. DOI: 10.1214/14-AOAS788 ↗
- Athey, S., & Imbens, G. (2016). Recursive partitioning for heterogeneous causal effects. Proceedings of the National Academy of Sciences, 113(27), 7353-7360. DOI: 10.1073/pnas.1510489113 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Heterogeneous Treatment Effect Causal Impact Analysis. ScholarGate. https://scholargate.app/tr/causal-inference/heterogeneous-treatment-effect-causal-impact-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Nedensel Etki AnaliziNedensel çıkarım↔ karşılaştır
- Heterojen Tedavi Etkisi Farkların Farkı (HTE-DiD)Nedensel çıkarım↔ karşılaştır
- Kesintili Zaman Serisi (KZS) AnaliziNedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Sentetik Kontrol Yöntemi (SCM)Nedensel çıkarım↔ karşılaştır