Heterojen Tedavi Etkisi Eşleştirme Tahmincisi
Heterogeneous Treatment Effect Matching Estimator · Ayrıca şöyle bilinir: HTE matching, subgroup matching estimator, conditional matching estimator, CATE matching
Heterojen Tedavi Etkisi (HTE) Eşleştirme Tahmincisi, tedavinin alt gruplar veya kovaryat değerleri arasında nasıl farklı etkiler yarattığını ortaya çıkarmak için standart eşleştirmeyi genişletir. Tek bir ortalama tedavi etkisi bildirmek yerine, gözlemlenen özelliklere göre tedavi ve kontrol birimlerini eşleştirir ve ardından bu özelliklerin bir fonksiyonu olarak koşullu ortalama tedavi etkisini (CATE) tahmin eder; böylece kimin en çok, en az veya hiç fayda görmediğini 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
Gözlemsel verilere sahip olduğunuzda, mevcut kovaryatlar göz önüne alındığında karışıklık olmaması varsayımı makul olduğunda ve araştırma sorunuz sadece tedavinin ortalama olarak işe yarayıp yaramadığı değil, kimin için işe yaradığı olduğunda HTE eşleştirmesini kullanın. Politika yapıcıların programları en duyarlı alt gruplara hedeflemesi gerektiğinde veya teori etki modifikasyonunu öngördüğünde en değerlidir. Karışıklık olmaması makul olmadığında (bu durumda bir araç değişkeni veya doğal deney gereklidir), tedavi ve kontrol kovaryat dağılımları kötü örtüştüğünde (ortak destek başarısız olur), örneklem küçük olduğunda (grup başına yaklaşık 100'den az olması CATE tahminini güvenilmez kılar) veya tedavi etkisi heterojenliği soru için esasen önemli olmadığında uygun değildir.
Güçlü yönler & sınırlılıklar
- Etkilerin kovaryatlarla nasıl değiştiği için parametrik bir fonksiyonel forma ihtiyaç duymadan alt gruplar arasındaki tedavi etkisi heterojenliğini ortaya çıkarır.
- DiD için gerekli olan paralel-eğilimler varsayımı yerine sadece karışıklık olmaması varsayımını gerektirir, bu nedenle kesitsel verilere de uygulanır.
- Birim düzeyindeki etki tahminleri, herhangi bir hedef tahminciye — ATE, ATT veya herhangi bir alt grup için CATE — toplanabilir.
- Yüksek boyutlu kovaryat alanlarını işleyebilen modern makine öğrenimi tahmincileri (nedensel ormanlar, çift ML) ile uyumludur.
- Hedefleme için uygulanabilir rehberlik sağlar: uygulayıcılar, tedaviye en büyük yanıtı hangi özelliklerin öngördüğünü belirleyebilir.
- Karışıklık olmaması test edilemez ve önemli karıştırıcılar ölçülmezse başarısız olur; ortaya çıkan CATE tahminleri yanlı olur.
- Sadece ATE yerine CATE'yi tahmin etmek, önemli ölçüde daha büyük örneklemler gerektirir — ince alt gruplar kesin olmayan tahminler verir.
- Ortak destek (kovaryat örtüşmesi) tüm kovaryat alanı boyunca geçerli olmalıdır; etkileri zayıf örtüşme olan bölgelere ekstrapole etmek güvenilmezdir.
- Testler önceden kaydedilmediği veya düzeltmeler uygulanmadığı sürece alt gruplar arasındaki çoklu karşılaştırmalar yanlış keşif oranlarını artırır.
- Orta büyüklükteki örneklemlerde birçok kovaryat üzerinde eşleştirme, boyutluluk lanetinden muzdariptir; eğilim skoru veya mesafe metriği seçimleri önemlidir.
SSS
Bu, standart eğilim skoru eşleştirmesinden nasıl farklıdır?
Standart eğilim skoru eşleştirmesi, tedavi edilenler üzerindeki tek bir ortalama tedavi etkisini (ATT) tahmin eder. HTE eşleştirmesi, bireysel düzeydeki etki tahminlerini koruyarak ve bunların kovaryatlarla nasıl değiştiğini modelleyerek daha ileri gider, böylece tek bir havuzlanmış sayı yerine herhangi bir alt grup için CATE(x) elde edilir.
CATE tahmini için çok büyük bir örnekleme ihtiyacım var mı?
Evet. Etkilerin kovaryatlarla sürekli olarak nasıl değiştiğini tahmin etmek, bir ortalamayı tahmin etmekten daha zordur. Kaba bir kural olarak, karakterize etmek istediğiniz her alt grubun eşleştirmeden sonra en az 50-100 tedavi ve kontrol birimine sahip olması gerekir. Daha küçük örneklemlerle, heterojenlik analizini birkaç önceden belirlenmiş ikili alt grupla sınırlayın.
CATE'yi tahmin etmek için hangi öğreniciyi kullanmalıyım?
Küçük, düşük boyutlu veriler için, eşleştirilmiş farklar üzerinde yerel doğrusal regresyon veya çekirdek düzeltme iyi çalışır. Yüksek boyutlu veriler için, nedensel ormanlar (Athey ve Imbens, 2016) veya çift/önyargısız makine öğrenimi tercih edilir çünkü heterojenliği aşırı uyarlamayı önlemek için çapraz uyum kullanırlar.
Heterojenliğin gürültüden ziyade gerçek olup olmadığını nasıl test ederim?
Chernozhukov ve diğerleri (2018) tarafından önerilen en iyi doğrusal tahminci testini kullanın: bağımsız bir örneklem bölmesi kullanarak birim düzeyindeki etki tahminlerini CATE tahminleri üzerine regresyon uygulayın. Tahminler üzerindeki anlamlı bir katsayı, gürültüden ziyade sistematik, veri odaklı heterojenliği doğrular.
Bazı kovaryat bölgeleri için örtüşme varsayımı başarısız olursa ne olur?
Analizi ortak destek bölgesine — hem tedavi hem de kontrol birimlerinin bulunduğu kovaryat alanına — sınırlayın. Eğilim skoruna göre kırpma (örneğin, tahmini eğilim skoru 0.05'in altında veya 0.95'in üzerinde olan birimleri bırakma) standart bir yaklaşımdır. Kırpmadan sonra CATE tahminlerinin hangi popülasyonu kapsadığını bildirin.
Kaynaklar
- Heckman, J. J., Ichimura, H., & Todd, P. E. (1997). Matching as an Econometric Evaluation Estimator: Evidence from Evaluating a Job Training Programme. Review of Economic Studies, 64(4), 605-654. DOI: 10.2307/2971733 ↗
- Abadie, A., & Imbens, G. W. (2006). Large Sample Properties of Matching Estimators for Average Treatment Effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Heterogeneous Treatment Effect Matching Estimator. ScholarGate. https://scholargate.app/tr/causal-inference/heterogeneous-treatment-effect-matching-estimator
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
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Entropi DengelemeNedensel çıkarım↔ karşılaştır
- Heterojen Tedavi Etkisi Farkların Farkı (HTE-DiD)Nedensel çıkarım↔ karşılaştır
- Eşleştirme TahmincisiNedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır