Heterojen Tedavi Etkisi Çift Sağlam Tahminleyici
Doubly Robust Estimation of Heterogeneous Treatment Effects · Ayrıca şöyle bilinir: DR-HTE, augmented IPW for HTE, doubly robust CATE estimation, semiparametric HTE estimation
Heterojen tedavi etkilerinin (HTE) çift sağlam tahminlenmesi, bir tedavinin nedensel etkisinin alt gruplar veya bireysel kovaryet değerleri arasında nasıl değiştiğini tahmin eder. Bir sonuç modeli ile bir eğilim skoru modelini birleştirerek, modellerden biri doğru şekilde belirtildiğinde tutarlılığı korur ve geçerli koşullu ortalama tedavi etkisi (CATE) tahminleri üretmek için çapraz uyum yoluyla esnek makine öğrenmesi zararsız tahminleyicilerini destekler.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Araştırma sorunuz sadece bir tedavinin ortalama olarak işe yarayıp yaramadığını değil, aynı zamanda kimler için işe yaradığını ve ne kadar güçlü çalıştığını sorduğunda bu yöntemi kullanın. Tedavi atamasının gözlemlenen kovaryetlere bağlı olduğu gözlemsel verilerle ve hem zararsız fonksiyonları hem de CATE yüzeyini güvenilir bir şekilde tahmin etmek için yeterince büyük bir örneğe sahip olduğunuzda uygundur — tipik olarak n > 500 ve ideal olarak n > 1.000. Anlamlı etki heterojenliğinden şüphelendiğinizde ve herhangi bir tek modelin yanlış belirtilmesine karşı koruma istediğinizde tercih edilen yaklaşımdır. Örnek çok küçük olduğunda (çift sağlam kazançlar kaybolur ve varyans patlar), tedavi rastgeleleştirilmiş ve homojen etkiler beklendiğinde (basit bir regresyon yeterlidir) veya eğilim skorları birçok birim için 0 veya 1'e yaklaştığında (aşırı pozitiflik ihlalleri düzeltmeyi kararsız hale getirir) kullanmayın.
Güçlü yönler & sınırlılıklar
- Çift sağlam: modellerden biri veya eğilim skoru modeli doğru şekilde belirtildiğinde tutarlıdır, ikisi birden değil.
- Aşırı uyum yanlılığını önleyen çapraz uyum yoluyla esnek makine öğrenmesi zararsız tahminleyicilerini barındırır.
- Doğrudan tam CATE fonksiyonunu hedefler, bu da ilkeli alt grup keşfi ve politika uyarlamasına olanak tanır.
- Sözde-sonuçlar, standart araçlarla herhangi bir aşağı akış öğrenicisinin uygulanabileceği şekilde sıradan regresyon hedefleri gibi davranır.
- Zararsız fonksiyonlar iyi tahmin edildiğinde yarı-parametrik verimlilik sınırı altında asimptotik olarak verimlidir.
- Büyük örnekler gerektirir: zararsız fonksiyon tahmini, çapraz uyum ve CATE regresyonu her biri veri tüketir, bu da küçük-n ortamlarını güvenilmez hale getirir.
- Aşırı eğilim skorları (0 veya 1'e yakın) artırma terimini sayısal olarak kararsız hale getirir ve varyansı ciddi şekilde şişirir.
- CATE yüzeyi, son regresyon adımı uygun şekilde düzenlenmezse veya çapraz doğrulanmazsa aşırı uyum gösterebilir.
- Yüksek boyutlu bir CATE fonksiyonunun yorumlanması önemsiz değildir; uydurulmuş bir yüzeyden yapılan naif alt grup karşılaştırmaları, çoklu test düzeltmeleri olmadan yanıltıcı olabilir.
SSS
Bu tahminleyiciyi 'çift sağlam' yapan nedir?
Sözde-sonuç yapısı iki modeli birleştirir: sonuç modeli ve eğilim skoru. Modellerden biri doğru şekilde belirtilmişse, sözde-sonuç gerçek CATE için yansızdır, bu nedenle her ikisi yerine sadece iki modelden birinin doğru olması gerekir.
Neden çapraz uyum gereklidir?
Çapraz uyum (örnek bölme), zararsız fonksiyonların tutulan veriler üzerinde tahmin edildiğini ve sözde-sonuçları hesaplamak için kullanılan veriler üzerinde olmadığını garanti eder. Olmadan, esnek ML tahminleyicileri, asimptotik teoriyi geçersiz kılan ve yanlı CATE tahminlerine yol açan şekillerde aşırı uyum gösterebilir.
Standart çift sağlam ATE tahminleyicisinden nasıl farklıdır?
Standart çift sağlam tahminleyici tek bir ortalama tedavi etkisi (ATE) hedefler. HTE sürümü, çift sağlam sözde-sonucu kovaryetlere göre regresyon yapar, böylece kovaryetleri koşullu ortalama etkilere eşleyen bir tau(x) fonksiyonunu hedefler. ATE, kovaryet dağılımı üzerinden tau(x)'in ortalamasıdır.
Makul örnek boyutu nedir?
Yaygın bir kural, basit bir CATE yüzeyi için en az 500 gözlem ve kovaryetler çok sayıda olduğunda veya eğilim skorları aşırı olduğunda 1.000 veya daha fazla gözlemdir. Çok küçük örnekler (n < 200) genellikle çift sağlam artırma teriminin yanlılığı azaltmak yerine gürültüyle hakim olmasına neden olur.
Pozitiflik ihlal edilirse ne olur?
Bazı birimlerin eğilim skorları 0 veya 1'e çok yakınsa, o birimleri analizden kırpın veya örtüşme ağırlıkları kullanın. Aşırı eğilim skorlarıyla tam tahminleyiciyi çalıştırmak, sözde-sonuçlarda çok büyük varyansa ve kararsız CATE tahminlerine yol açar.
Kaynaklar
- Kennedy, E. H. (2023). Towards optimal doubly robust estimation of heterogeneous causal effects. Electronic Journal of Statistics, 17(2), 3008-3049. DOI: 10.1214/23-EJS2157 ↗
- Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W., & Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1-C68. DOI: 10.1111/ectj.12097 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Doubly Robust Estimation of Heterogeneous Treatment Effects. ScholarGate. https://scholargate.app/tr/causal-inference/heterogeneous-treatment-effect-doubly-robust-estimation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Makine Öğrenmesi Destekli Çift Sağlam Tahmin (ML-DR)Nedensel çıkarım↔ karşılaştır
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır