Heterogeneous Treatment Effect Propensity Score Matching
Heterogeneous Treatment Effect Estimation via Propensity Score Matching · Ayrıca şöyle bilinir: HTE-PSM, CATE via PSM, subgroup treatment effect matching, conditional average treatment effect matching
Heterogeneous Treatment Effect Propensity Score Matching (HTE-PSM), standart eğilim skoru eşleştirmesini (PSM), tedavi etkilerinin alt gruplar veya bireysel özellikler arasında nasıl değiştiğini tahmin etmek üzere genişletir. Tek bir ortalama tedavi etkisi raporlamak yerine, koşullu ortalama tedavi etkilerini (CATE) tahmin etmek için eşleştirilmiş örneği kullanır, bu da hangi tür birimlerin bir tedaviden 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
Bu yöntemi, ikili tedaviye sahip, gözlemsel verilere sahip olduğunuzda, gözlemlenen kovaryetler yoluyla makul bir şekilde yanılmazlığı sağladığınızda ve sadece ortalama olarak değil, kimin tedaviden fayda sağladığına dair bir araştırma sorunuz olduğunda kullanın. Anlamlı alt gruplar içindeki örneklem boyutlarının güvenilir çıkarım için yeterince büyük olduğu durumlarda uygundur (her alt grup için kabaca 50+ eşleştirilmiş çift). Eğilim modeli iyi bir denge sağlayamadığında, alt grup sayısı örneklem boyutuna göre çok büyük olduğunda (çoklu test enflasyonu riski), veya tedavi ikili yerine sürekli olduğunda — o zaman bir doz-yanıt çerçevesi daha uygundur — bundan kaçının.
Güçlü yönler & sınırlılıklar
- Tek bir ATT tahmininin gizlediği tedavi etkisi heterojenliğini geri kazanır, kişiselleştirilmiş veya hedeflenmiş politika önerilerini destekler.
- PSM adımı, alt grup analizinden önce açık karıştırıcıları ortadan kaldırarak, alt grup içi karşılaştırmaları naif katmanlamadan daha güvenilir hale getirir.
- Eşleştirmenin yorumlanabilirliğini CATE tahmininin zenginliği ile birleştirerek, bulguları uygulamalı kitleler için erişilebilir hale getirir.
- Önceden belirlenmiş alt gruplarla (doğrulayıcı) veya keşifsel nedensel ağaç yöntemleriyle uygulanabilir, araştırma tasarımında esneklik sunar.
- Doğrudan, hangi alt popülasyonların tedavi için hedeflenmesi gerektiği gibi politika açısından ilgili soruları yanıtlar.
- Güçlü yanılmazlık varsayımına (gözlemlenmeyen karıştırıcıların olmaması) dayanır: tüm karıştırıcılar gözlemlenmeli ve eğilim modeline dahil edilmelidir. Gözlemlenmeyen karıştırıcılar, hem ortalama hem de heterojen etkilerin nedensel yorumunu geçersiz kılar.
- Güç, alt gruplar içinde önemli ölçüde azalır; katmanlar içindeki küçük eşleştirilmiş örneklemler geniş güven aralıkları ve düşük güvenilirlik üretir.
- Keşifsel alt grup keşfi yanlış pozitif riskini taşır; ön kayıt veya çoklu karşılaştırmalar için düzeltme olmadan, bildirilen heterojenlik sahte olabilir.
- Eğilim skoru, tüm kovaryet boyutları boyunca iyi bir denge sağlamalıdır; tek bir alt gruptaki zayıf denge bile o katmandaki CATE tahminlerini zayıflatır.
- Gözlemsel bir çalışmada tespit edilen etki heterojenliği, gerçek tedavi etkisi değişiminden ziyade kalıntı karıştırıcılığı yansıtabilir.
SSS
Bu, standart eğilim skoru eşleştirmesinden nasıl farklıdır?
Standart PSM, tedavi edilenler üzerindeki tek bir ortalama tedavi etkisini (ATT) tahmin eder. HTE-PSM, bu etkinin alt gruplar veya bireysel özellikler arasında nasıl değiştiğini inceleyerek, eşleştirilmiş örneklem içinde koşullu ortalama tedavi etkilerini (CATE) tahmin ederek daha ileri gider.
Çok sayıda alt grup keşfetmenin riski nedir?
Her alt grup karşılaştırması bir hipotez testidir, bu nedenle anlamlılık eşiğini ayarlamadan çok sayıda alt grup incelemek yanlış pozitif oranını artırır. İlgilenilen alt grupları önceden kaydettirin veya çoklu karşılaştırmaları kontrol etmek için Bonferroni veya Benjamini-Hochberg düzeltmelerini uygulayın.
Eğilim modeli için makine öğrenmesi kullanabilir miyim?
Evet. Gradyan artırma veya rastgele ormanlar gibi esnek öğreniciler, yüksek boyutlu ortamlarda genellikle lojistik regresyondan daha iyi kovaryet dengesi sağlar. Ancak, denge her zaman ampirik olarak kontrol edilmelidir — düşük bir tahmin hatası iyi bir eşleştirme dengesini garanti etmez.
Alt grup analizi için yeterli örneklem boyutu nedir?
Makul büyüklükteki etkiler için alt grup başına en az 50 eşleştirilmiş çift kaba bir kılavuzdur. Daha küçük etkiler veya daha fazla alt grup için gereken örneklem daha büyüktür. Etkileşim testleri için resmi güç hesaplamaları, bir HTE tasarımına bağlı kalmadan önce tavsiye edilir.
Yanılmazlık, ortalama etkilerden daha mı talepkardır HTE için?
Aynı yanılmazlık varsayımı gereklidir. Ancak, CATE tahminleri daha yerel (alt gruplar içinde) olduğundan, ilgilenilen düzenleyici değişkenle ilişkili herhangi bir kalıntı karıştırıcılık, sahte görünümlü heterojenlik üretebilir, bu da sağlamlık kontrollerini özellikle önemli hale getirir.
Kaynaklar
- Athey, S., & Imbens, G. W. (2016). Recursive Partitioning for Heterogeneous Causal Effects. Proceedings of the National Academy of Sciences, 113(27), 7353-7360. DOI: 10.1073/pnas.1510489113 ↗
- Rosenbaum, P. R., & Rubin, D. B. (1983). The Central Role of the Propensity Score in Observational Studies for Causal Effects. Biometrika, 70(1), 41-55. DOI: 10.1093/biomet/70.1.41 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Heterogeneous Treatment Effect Estimation via Propensity Score Matching. ScholarGate. https://scholargate.app/tr/causal-inference/heterogeneous-treatment-effect-propensity-score-matching
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Heterojen Tedavi Etkisi Farkların Farkı (HTE-DiD)Nedensel çıkarım↔ karşılaştır
- Eşleştirme TahmincisiNedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır