Heterojen Tedavi Etkisi Ters Olasılık Ağırlıklandırması (HTE-IPW)
Heterogeneous Treatment Effect Estimation via Inverse Probability Weighting · Ayrıca şöyle bilinir: HTE-IPW, CATE-IPW, heterogeneous IPW, conditional effect IPW
HTE-IPW, nedensel etkilerin alt gruplar veya kovaryet değerleri boyunca nasıl değiştiğini ortaya çıkarmak için standart ters olasılık ağırlıklandırmasını genişletir. Her gözlemi tahmin edilen tedavi olasılığının tersiyle yeniden ağırlıklandırarak, yöntem tedavinin arka plan özelliklerinden bağımsız olduğu sözde bir popülasyon oluşturur ve ardından bu özelliklerin bir fonksiyonu olarak koşullu ortalama tedavi etkilerini (CATE'ler) tahmin eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gözlemsel verilerde ikili tedavi, zengin bir ön tedavi kovaryet seti ve tedavinin alt gruplar veya sürekli bir moderatör boyunca değişip değişmediğine dair önemli bir soru olduğunda HTE-IPW'yi kullanın. Yöntem, orta ila büyük örneklemlerle kesitsel veya panel veriler için uygundur; güvenilir CATE tahmini için en az 200 gözlem tavsiye edilir. Tedavi ataması gözlemlenmeyen değişkenler tarafından güçlü bir şekilde karıştırıldığında (o zaman araç değişkenleri veya RDD daha iyidir), eğilim skorları neredeyse tüm birimler için 0 veya 1'e yakın kümelendiğinde (pozitiflik ihlali) veya birincil amaç sadece genel bir ATE olduğunda değil, heterojenlik olduğunda uygun değildir; bu durumlarda standart IPW veya DiD yeterlidir.
Güçlü yönler & sınırlılıklar
- Parametrik bir model dayatmadan tedavi etkilerinin popülasyon boyunca nasıl değiştiğini belirler, bu da onu sonuç modeli yanlış belirtilmesine karşı dayanıklı kılar.
- Sözde sonuç temsili, eğilim tahmin adımını CATE tahmin adımından temiz bir şekilde ayırır, bu da ikinci aşamada esnek makine öğrenmesi yöntemlerine izin verir.
- Basit etkileşim regresyonlarından nedensel ormanlara kadar geniş bir CATE öğrenici yelpazesiyle uyumludur, böylece karmaşıklık örneklem büyüklüğüne göre ayarlanabilir.
- Çift sağlam uzantılar (IPW'yi bir sonuç modeliyle birleştirme), her iki aşamada da model yanlış belirtilmesine karşı ek koruma sağlar.
- Tek bir ATE'nin sağlayamadığı eyleme geçirilebilir alt grup içgörüleri sunar, doğrudan politika hedeflemesini ve kişiselleştirilmiş tedavi kararlarını bilgilendirir.
- Gözlemlenmemiş karıştırıcılar (hiçbir gözlemlenmemiş karıştırıcı yok) varsayımına dayanır; önemli karıştırıcılar atlanırsa, hem eğilim modeli hem de CATE'ler yanlıdır.
- Pozitiflik geçerli olmalıdır: her birimin her tedavi düzeyini alma olasılığı sıfırdan farklı olmalıdır. Aşırı veya sıfıra yakın eğilim skorları, varyansı artıran aşırı değişkenlikler üretir ve tahminleri güvenilmez hale getirebilir.
- CATE tahmini, ATE tahmininden önemli ölçüde daha büyük örneklemler gerektirir; küçük örneklemlerde IPW sözde sonuçlarının varyansı baskın olur ve alt grup tahminleri gürültülüdür.
- Çıkarım, tahmincinin iki aşamalı doğası nedeniyle karmaşıktır; eğilim skoru tahmin belirsizliğini göz ardı eden naif standart hatalar anti-koroziftir.
SSS
HTE-IPW standart IPW'den nasıl farklıdır?
Standart IPW tek bir ağırlıklı ortalama (ATE veya ATT) üretir. HTE-IPW aynı ağırlıkları uygular ancak daha sonra tedavi etkisinin kovaryetlerin bir fonksiyonu olarak nasıl değiştiğini tahmin eder, tek bir özet sayı yerine bir koşullu ortalama tedavi etkisi (CATE) eğrisi veya yüzeyi üretir.
IPW sözde sonucu nedir ve neden kullanışlıdır?
Sözde sonuç w_i * Y_i (burada w_i işaretli IPW ağırlığıdır) koşullu beklentisinin, gözlemlenmemişlik ve pozitiflik varsayımları altında her kovaryet değerinde CATE'ye eşit olması özelliğine sahiptir. Bu, CATE tahminini standart bir regresyon problemine indirger; herhangi bir esnek öğrenici, sanki gözlemlenen bireysel tedavi etkileriymiş gibi sözde sonuçlara uygulanabilir.
HTE-IPW mu yoksa nedensel orman mı kullanmalıyım?
Nedensel orman, temelde IPW sözde sonuçlarını dahili olarak kullanabilen (R-öğrenici varyantı) parametrik olmayan bir CATE tahmincisidir. HTE-IPW daha şeffaftır ve her adımda denetlenmesi daha kolaydır; nedensel orman çok yüksek boyutlu kovaryetleri daha zarif bir şekilde işleyebilir. Orta boyutlar ve yorumlanabilirlik için, esnek bir ikinci aşamaya sahip HTE-IPW genellikle tercih edilir.
Ne kadar büyük bir örneğe ihtiyacım var?
Genel bir ATE'yi güvenilir bir şekilde tahmin etmek yaklaşık 200+ gözlem gerektirir; en azından tek bir sürekli moderatör boyunca pürüzsüz bir CATE fonksiyonunu güvenilir bir şekilde tahmin etmek tipik olarak en az 500-1000 gözlem gerektirir. Önceden belirlenmiş kategoriler içindeki ayrık alt grup CATE'leri daha küçük örneklemlerle denenebilir ancak dikkatli güç analizi gerektirir.
Pozitiflik ihlal edilirse ne olur?
Bazı birimlerin eğilim skorları 0 veya 1'e yakınsa, ağırlıkları aşırı hale gelir ve tahminlerin varyansı patlar. Pratik çözümler arasında bu birimleri analizden kırpmak, stabilize edilmiş ağırlıklar kullanmak veya eğilim aşırılıklarına daha az duyarlı olan çift sağlam bir tahminciye geçmek yer alır.
Kaynaklar
- Hirano, K., Imbens, G. W., & Ridder, G. (2003). Efficient estimation of average treatment effects using the estimated propensity score. Econometrica, 71(4), 1161-1189. DOI: 10.1111/1468-0262.00442 ↗
- Abrevaya, J., Hsu, Y.-C., & Lieli, R. P. (2015). Estimating conditional average treatment effects. Journal of Business and Economic Statistics, 33(4), 485-505. DOI: 10.1080/07350015.2014.975555 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Heterogeneous Treatment Effect Estimation via Inverse Probability Weighting. ScholarGate. https://scholargate.app/tr/causal-inference/heterogeneous-treatment-effect-inverse-probability-weighting
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
- Heterogeneous Treatment Effect Propensity Score MatchingNedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır