Heterogeneous Treatment Effect Coarsened Exact Matching
Heterogeneous Treatment Effect Estimation via Coarsened Exact Matching · Ayrıca şöyle bilinir: HTE-CEM, CEM with CATE estimation, subgroup CEM, coarsened exact matching with effect heterogeneity
Heterogeneous treatment effect coarsened exact matching (HTE-CEM) yöntemi, tedavi etkilerinin alt gruplar veya bireysel özellikler arasında nasıl değiştiğini tahmin etmek için coarsened exact matching (CEM) çerçevesini genişletir. CEM, sürekli kovaryetleri gruplara (bin) indirgeyerek ve her gruptaki birimleri tam olarak eşleştirerek dengeli katmanlar oluşturduktan sonra, bu katmanların içinde veya arasında koşullu ortalama tedavi etkileri (CATE'ler) hesaplanır ve tedavinin nerede, kimler için ve ne ölçüde işe yaradığı ortaya konulur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tedavi etkilerinin ölçülebilir alt gruplar arasında farklılaştığından şüphelendiğinizde ve rastgeleleştirmenin mümkün olmadığı gözlemsel bir veri kümeniz olduğunda HTE-CEM'i kullanın. Kovaryetler sürekli ve kategorik değişkenlerin bir karışımını içerdiğinde, ortak destek bölgesinin birincil ilgi alanı olduğu durumlarda ve uygulayıcı veya politika kitleleri için eşleştirme algoritmasının şeffaflığının gerekli olduğu durumlarda en uygunudur. İlk aşama dengeleme adımında model bağımlılığından kaçınmak istediğinizde, eğilim skoru tabanlı HTE yöntemlerine tercih edin. Kovaryet uzayının eşleştirmeden sonra çoğu katmanın boş kaldığı kadar yüksek boyutlu olduğu durumlarda, tedavinin ikili yerine sürekli olduğu durumlarda veya birincil hedefin alt grup özel tahminler yerine genel bir ATT olduğu durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- Şeffaf, denetimi ve teknik olmayan paydaşlara iletilmesi kolay katman düzeyinde dengeleme sağlar.
- Dengeleme aşamasında model bağımlılığından kaçınır — herhangi bir eğilim modelinin doğru bir şekilde belirtilmesi gerekmez.
- Heterojenlik analizi için sezgisel alt gruplar olarak hizmet veren katmanlara doğal olarak örneği böler.
- Çıkarımı ortak destek bölgesine sınırlar, dış çıkarımdan kaynaklanan sapmayı azaltır.
- CEM ağırlıkları, CATE tahminleri için standart ağırlıklı regresyon çerçevelerine sorunsuz bir şekilde entegre olur.
- İndirgeme seçimleri (grup genişliği, kesme noktaları), hangi birimlerin eşleştiğini ve hangi katmanların tutulduğunu etkiler, araştırmacı serbestlik dereceleri ekler.
- Yüksek boyutlu kovaryet uzaylarında, çoğu katman boş kalır, bu da eşleştirilmiş örneği ve istatistiksel gücü önemli ölçüde azaltır.
- Dar katmanlar içindeki alt grup CATE tahminleri, katman örneklem boyutları küçük olduğunda kesin olmayabilir.
- Yöntem sürekli tedavileri doğrudan ele almaz; ikili veya ayrıştırılmış bir tedavi değişkeni gerektirir.
- Eşleşmeyen birimlerin budanması tahmin ediciyi değiştirir — sonuçlar, tam hedef nüfus için değil, eşleştirilmiş alt örneklem için geçerlidir.
SSS
Her kovaryet için indirgeme kesme noktalarını nasıl seçeceğim?
CEM, otomatik kesme noktalarına (örneğin, histogram grupları için Sturges kuralı) varsayılan olarak ayarlanır, ancak teoriye veya politika ile ilgili eşiklere dayalı kullanıcı tanımlı kesme noktaları tercih edilir. Ana ödünleşme, sapma ile örneklem büyüklüğü arasındadır: daha ince gruplar katman içi dengeyi iyileştirir, ancak eşleşmeyen birimlerin oranını artırır.
HTE-CEM, sıradan CEM'den sonra alt grup analizi çalıştırmaktan nasıl farklıdır?
Standart CEM sonrası alt grup analizi, eşleştirilmiş örneği tek bir değişkene göre böler ve bölüm içi ATT'leri hesaplar. HTE-CEM daha sistematiktir: doğal katman yapısından yararlanarak veya ağırlıklı bir etkileşim modeli uyarlayarak birden fazla kovaryetin fonksiyonu olarak CATE'leri tahmin eder ve alt grupları sonradan düşünülmüş bir konu olarak ele almak yerine etki heterojenliğini açıkça raporlar ve test eder.
Eşleştirmeden sonra birçok katman boş kalırsa ne olur?
Bu, zayıf ortak destek veya aşırı ince indirgeme işaretidir. Grup sınırlarını genişletin, eşleştirme kovaryetlerinin sayısını en güçlü karıştırıcı olanlara indirin veya nedensel orman gibi yüksek boyutlu ayarlara daha uygun bir yönteme geçin.
Panel verileriyle HTE-CEM kullanabilir miyim?
Evet, modifikasyonla. Birimler ön tedavi kovaryetleri üzerinde CEM kullanarak temel düzeyde eşleştirilir, ardından eşleştirilmiş ve ağırlıklı örneklem üzerinde bir panel farklar-içinde-farklar çerçevesinde sonuç modeli oluşturulur. Bu, CEM'in dengeleme gücünü panel yöntemlerinin zamansal kontrolleriyle birleştiren katmana özgü DiD tahminleri verir.
Güvenilir CATE tahminleri için kaç gözleme ihtiyacım var?
Kaba bir kılavuz olarak, her alt grup katmanı, kararlı katman düzeyinde tahminler üretmek için en az 20-30 eşleştirilmiş çifte sahip olmalıdır. Genel olarak, CATE analizleri, etkili örneklem alt gruplara bölündüğü için basit ATT tahmininden daha büyük örneklemler gerektirir.
Kaynaklar
- Iacus, S. M., King, G., & Porro, G. (2012). Causal Inference without Balance Checking: Coarsened Exact Matching. Political Analysis, 20(1), 1-24. DOI: 10.1093/pan/mpr013 ↗
- Imai, K., & Ratkovic, M. (2013). Estimating treatment effect heterogeneity in randomized program evaluation. Annals of Applied Statistics, 7(1), 443-470. DOI: 10.1214/12-AOAS593 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Heterogeneous Treatment Effect Estimation via Coarsened Exact Matching. ScholarGate. https://scholargate.app/tr/causal-inference/heterogeneous-treatment-effect-coarsened-exact-matching
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
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Entropi DengelemeNedensel çıkarım↔ karşılaştır
- Heterogeneous Treatment Effect Propensity Score MatchingNedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır