Heterojen Tedavi Etkisi Karşı-Olgusal Etki Değerlendirmesi
Heterogeneous Treatment Effect Counterfactual Impact Evaluation · Ayrıca şöyle bilinir: HTE-CIE, heterogeneous CIE, CATE-based counterfactual evaluation, subgroup counterfactual impact evaluation
Heterojen Tedavi Etkisi Karşı-Olgusal Etki Değerlendirmesi (HTE-CIE), bir politika veya müdahalenin nedensel etkisinin, ön-tedavi özelliklerine göre tanımlanmış alt gruplar arasında nasıl değiştiğini tahmin ederek standart karşı-olgusal etki değerlendirmesini genişletir. Tek bir ortalama tedavi etkisi raporlamak yerine, koşullu ortalama tedavi etkisini (CATE) kovaryat uzayı boyunca haritalandırarak, bir müdahaleden kimlerin en çok veya en az fayda sağladığını ortaya koyar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bir politika veya programın bazı birimlerde uygulandığı ancak diğerlerinde uygulanmadığı ve etkisinin firma büyüklüğü, sektör, yaş veya önceki performans gibi katılımcı özelliklerine göre anlamlı şekilde farklılaştığından şüphelendiğinizde HTE-CIE kullanın. Tedavi edilen ve karşılaştırılabilir tedavisiz birimlerin gözlemlendiği ve örneklem boyutlarının heterojen etkileri güvenilir bir şekilde tahmin etmek için yeterince büyük olduğu (tipik olarak alt grup başına n > 200) kesitsel veya panel verilerle uygundur. Genel örneklem çok küçük olduğunda, tedavi ataması bir tanımlama stratejisi olmadan tamamen endojen olduğunda veya amaç yalnızca toplu ortalama bir etki olduğunda ve alt grup farklılıkları esasen ilgili olmadığında kullanmayın.
Güçlü yönler & sınırlılıklar
- Ortalama tahminlerde gizlenen tedavi etkisi heterojenliğini ortaya çıkarır, daha hassas politika hedeflemesini sağlar.
- Geniş bir tanımlama stratejisi yelpazesiyle uyumludur — eşleştirme, IPW, regresyon süreksizliği, DiD — her biri CATE ayarlamasına genişletilmiştir.
- Nedensel ormanlar gibi makine öğrenmesi tahmincileri, önceden belirlenmiş etkileşim terimleri gerektirmeden yüksek boyutlu moderatörleri işler.
- En yüksek müdahale getirisine sahip alt grupları belirleyerek maliyet-etkinlik analizini doğrudan destekler.
- Avrupa Komisyonu'nun karşı-olgusal etki değerlendirmesi yönergeleriyle tutarlıdır, sonuçları kamu programı değerlendirmesi için eyleme geçirilebilir hale getirir.
- CATE tahmini, ortalama etki tahmininden önemli ölçüde daha büyük örneklemler gerektirir; yetersiz güçlü çalışmalar, hassas olmayan ve güvenilmez alt grup etkileri üretir.
- Birden çok alt grup karşılaştırması, çoklu test düzeltmeleri veya ön kayıt uygulanmadıkça sahte bulgu riski taşır.
- Tüm heterojenlik tahminlerinin geçerliliği, her alt grup içinde geçerli olan temel tanımlama varsayımına (paralel eğilimler, koşullu kayıtsızlık veya dışlama kısıtlaması) hala bağlıdır.
- Nedensel orman ve ilgili ML yöntemleri hesaplama açısından yoğundur ve dikkatli ayarlama ve çapraz doğrulama gerektirir.
SSS
HTE-CIE standart karşı-olgusal etki değerlendirmesinden nasıl farklıdır?
Standart CIE, tüm örneklem için tek bir ortalama tedavi etkisi (ATE veya ATT) tahmin eder. HTE-CIE, ön-tedavi kovaryatlarının bir fonksiyonu olarak Koşullu Ortalama Tedavi Etkisini tahmin ederek, etkilerin alt gruplar arasında nasıl değiştiğini ve değişip değişmediğini ortaya koyarak daha ileri gider.
Güvenilir CATE tahminleri için ne kadar örnekleme ihtiyacım var?
Evrensel bir eşik yoktur, ancak genel bir kural olarak, ilgilenilen her alt grubun makul derecede hassas CATE tahminleri üretmek için en az 100-200 gözlem içermesi gerekir. Nedensel ormanlar gibi makine öğrenmesi yöntemleri, yüksek boyutlu moderatörlerden anlamlı bir şekilde yararlanmak için daha da büyük örneklemler gerektirir.
CATE için hangi tahminciyi kullanmalıyım?
Seçim, tanımlama stratejisine ve örneklem büyüklüğüne bağlıdır. Etkileşimli regresyon şeffaftır ve uygulaması kolaydır. Nedensel ormanlar (Athey & Wager) birçok moderatörü otomatik olarak işler. Hem sonuç hem de tedavi modelleri karmaşık olduğunda Çift Makine Öğrenmesi (DML) tercih edilir. Hepsi geçerli bir tanımlama varsayımı (kayıtsızlık, paralel eğilimler veya bir araç) gerektirir.
Yanlış pozitif alt grup bulgularından nasıl kaçınırım?
İlgilenilen alt grupları analizden önce önceden kaydedin, birden çok alt grubu test ederken Bonferroni veya Benjamini-Hochberg düzeltmelerini uygulayın ve aşırı uyumu önlemek için model uydurma ve çıkarım için örneklemi bölen çapraz geçişli veya dürüst nedensel orman tahminlerini kullanın.
HTE-CIE, Avrupa Komisyonu değerlendirme yönergeleriyle uyumlu mu?
Evet. EC CIE yönergeleri, tedavi etkilerinin firma veya katılımcı özelliklerine göre farklılık gösterip göstermediğini incelemeyi açıkça önermektedir. HTE-CIE, bu öneriyi modern ekonometrik ve makine öğrenmesi tahmincilerini kullanarak biçimlendirir.
Kaynaklar
- Cerulli, G. (2010). Modelling and measuring the effect of public subsidies on business R&D: A critical review of the econometric literature. Economic Record, 86(274), 421-449. DOI: 10.1111/j.1475-4932.2009.00615.x ↗
- Athey, S., & Wager, S. (2019). Estimating treatment effects with causal forests: An application. Observational Studies, 5(2), 37-51. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Heterogeneous Treatment Effect Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/tr/causal-inference/heterogeneous-treatment-effect-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
- Heterojen Tedavi Etkisi Farkların Farkı (HTE-DiD)Nedensel çıkarım↔ karşılaştır
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır