Makine Öğrenmesi Destekli Karşı-olgusal Etki Değerlendirmesi
Machine Learning-Augmented Counterfactual Impact Evaluation · Ayrıca şöyle bilinir: ML-augmented counterfactual evaluation, ML-CIE, causal ML impact evaluation, double ML counterfactual evaluation
Makine öğrenmesi destekli karşı-olgusal etki değerlendirmesi, potansiyel sonuçlara dayalı nedensel çıkarımın güvenilirliğini modern YZ algoritmalarının esnekliği ile birleştirir. Karıştırıcılar için parametrik fonksiyonel formlar dayatmak yerine, lasso, rastgele ormanlar veya sinir ağları gibi YZ öğrenicileri, nedensel etkilerin yaklaşık olarak yanlı olmayan tahminlerini oluşturmak için kullanılan rahatsız edici fonksiyonları (eğilim skorları, sonuç regresyonları) tahmin eder. Kanonik örneklem, Chernozhukov ve ark. (2018) tarafından biçimlendirilen Çift/Yanlı Olmayan Makine Öğrenmesi'dir (DML).
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Zengin bir kovaryet setiniz olduğunda (potansiyel olarak yüksek boyutlu), doğrusallık veya karıştırıcılar için belirli bir fonksiyonel form varsaymaktan kaçınmak istediğinizde ve geçerli belirsizlik ölçümü ile savunulabilir bir nedensel tahmin gerektiğinde YZ destekli karşı-olgusal etki değerlendirmesini kullanın. İşlem, rastgele atanmadığı ancak birçok arka plan özelliği tarafından belirlendiği büyük idari veya gözlemsel veri kümeleri için uygundur. Veri kümesi küçük olduğunda (birkaç yüz gözlemden az), çapraz eşleştirme ve YZ tahmini yeterli örneklem büyüklüğü gerektirdiğinden kullanmayın. Güvenilir bir tanımlama varsayımından (karıştırılmama veya bir araç) yoksun olduğunuzda kaçının; YZ esnekliği sağlam bir tasarımı değiştiremez.
Güçlü yönler & sınırlılıklar
- Parametrik varsayımlar dayatmadan karıştırıcıların oldukça esnek, veri-uyarlanabilir modellenmesine izin verir, yanlış belirtimden kaynaklanan eksik değişken yanlılığını azaltır.
- Çift yönlü sağlamlık özelliği sigorta sağlar: eğilim veya sonuç modelinden biri doğru bir şekilde belirtilmişse nedensel tahmin tutarlıdır.
- Çapraz eşleştirme, YZ tahminlerinin nedensel tahmin için kullanılan aynı verileri kullanmasından kaynaklanacak aşırı uyum yanlılığını ortadan kaldırır.
- Parametrik olmayan rahatsız edici tahminlere rağmen çıkarımı yapılabilir hale getiren asimptotik olarak geçerli güven aralıkları ve hipotez testleri üretir.
- Çok çeşitli YZ öğrenicileri (lasso, artırma, rastgele ormanlar, derin ağlar) ile uyumludur, bu da uygulayıcının veri yapısına göre seçim yapmasına olanak tanır.
- YZ rahatsız edici modellerinin yakınsaması ve çapraz eşleştirmenin iyi çalışması için yeterince büyük bir örneklem gerektirir; küçük örneklemler asimptotik garantileri zayıflatır.
- Karıştırılmama varsayımı — tüm karıştırıcılar ölçülmüş ve dahil edilmiştir — hala geçerli olmalıdır; YZ ölçülmemiş karıştırıcıları ortaya çıkaramaz.
- Uygulama, klasik regresyondan daha karmaşıktır: uygulayıcılar YZ öğrenicilerini seçmeli, hiperparametreleri ayarlamalı ve çapraz eşleştirme katlarını yönetmelidir.
- Rahatsız edici modeller kara kutu ise, nihai nedensel katsayı yorumlanabilir olsa bile, nedensel mekanizmanın yorumlanabilirliği azalır.
- Hesaplama maliyeti, özellikle çok sayıda kat üzerinde çapraz eşleştirme yapıldığında, çok büyük veri kümeleri veya karmaşık YZ öğrenicileri ile yüksek olabilir.
SSS
Çapraz eşleştirme nedir ve neden gereklidir?
Çapraz eşleştirme, rahatsız edici modellerin verinin bir bölümünde tahmin edildiği ve tahminlerinin tutulmuş bir bölüme uygulandığı bir örneklem bölme prosedürüdür. Bu, YZ modellerinin aşırı uyumunun, aksi takdirde tutarsız tahminlere yol açacak olan nedensel tahminciyi kirletmesini önler.
Rahatsız edici fonksiyonlar için hangi makine öğrenmesi yöntemleri kullanılabilir?
Yeterince hızlı yakınsama oranlarına sahip herhangi bir denetimli öğrenici kabul edilebilir: lasso, elastik net, gradyan artırma (XGBoost, LightGBM), rastgele ormanlar ve sinir ağları pratikte kullanılır. Temel gereksinim, tahmin hatasının n^{-1/4} oranından daha hızlı küçülmesidir.
Bu yöntem rastgeleleştirilmiş işlem gerektirir mi?
Hayır. Karıştırılmama (gözlemlere göre seçim) varsayımı altında çalışır: işlem, tüm ölçülmüş kovaryetler X'e koşulduktan sonra rastgeleymiş gibi kabul edilir. Rastgeleleştirme yeterlidir ancak gerekli değildir.
Bu, düz eğilim skoru eşleştirmesinden nasıl farklıdır?
Eğilim skoru eşleştirmesi tipik olarak lojistik regresyon eğilim modeli kullanır ve parametrik varsayımlar dayatır. YZ destekli değerlendirme, eğilimi (ve sonuç regresyonunu) esnek YZ ile tahmin eder, çift yönlü sağlamlıktan yararlanır ve parametrik forma dayanmadan asimptotik olarak geçerli çıkarım üretir.
Ne kadar örneklem büyüklüğü önerilir?
Evrensel bir kural yoktur, ancak pratik rehberlik, YZ rahatsız edici tahminlerinin güvenilir olması için kat başına en az birkaç yüz gözlem gerektiğini öne sürmektedir. Çok küçük örneklemler (toplamda 200-300'den az) çapraz eşleştirmeyi etkisiz hale getirir ve çıkarımı güvenilmez hale getirir.
Kaynaklar
- 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 ↗
- Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685-725. DOI: 10.1146/annurev-economics-080217-053433 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Machine Learning-Augmented Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/tr/causal-inference/machine-learning-augmented-counterfactual-impact-evaluation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Nedensel Etki AnaliziNedensel çıkarım↔ karşılaştır
- Karşı-olgusal Etki Değerlendirmesi (CIE)Nedensel çıkarım↔ karşılaştır
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Sentetik Kontrol Yöntemi (SCM)Nedensel çıkarım↔ karşılaştır