Makine Öğrenmesi Destekli Farkların Farkı (ML-DiD)
Machine Learning-Augmented Difference-in-Differences Estimator · Ayrıca şöyle bilinir: ML-DiD, double/debiased ML DiD, DML difference-in-differences, augmented DiD
Makine öğrenmesi destekli Farkların Farkı (DiD), klasik farkların farkı belirleme stratejisini, eğilim skoru ve sonuç regresyonu gibi yardımcı fonksiyonlar için esnek Makine Öğrenmesi (ML) tahmin edicileriyle birleştirerek, tedavi seçimi ve sonuç dinamikleri karmaşık, yüksek boyutlu veya doğrusal olmayan durumlarda bile geçerli nedensel tahminler elde eder. Çift/çift taraflı makine öğrenmesi (Chernozhukov ve ark., 2018) ve çift sağlam DiD (Sant'Anna & Zhao, 2020) üzerine kurulu bu yaklaşım, temel DiD mantığını (önce-sonra, tedavi edilen-kontrol karşılaştırmaları) korurken yanlış belirtim yanlılığını önler.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
DiD ayarı (panel veya tekrarlanan kesitler, tedavi edilen ve edilmeyen gruplar, ön ve son dönemler) olduğunda ve doğrusal ayarlamanın makul olmadığı büyük, potansiyel olarak doğrusal olmayan bir kovaryat alanı ile karşılaştığınızda ML-DiD kullanın. Özellikle tedavi atamasının birçok gözlemlenebilir gözleme karmaşık yollarla bağlı olduğu veya model yanlış belirtimine karşı çift sağlam koruma istediğiniz durumlarda değerlidir. Paralel eğilimler varsayımının yerine geçmesi olarak KULLANMAYIN - ML gözlemlenen karıştırıcıları ayarlayabilir ancak eğilimlerin önceden saptığı bir tasarımı kurtaramaz. Örneklem küçük olduğunda (dönem başına yaklaşık 200 gözlemden az) KULLANMAYIN, çünkü ML yardımcı tahmincilerinin güvenilir olmaları için yeterli veriye ihtiyaçları vardır. Kovaryatların az ve ilişkilerin yaklaşık olarak doğrusal olduğu durumlarda, doğrusal kontrollerle yapılan standart DiD yeterlidir.
Güçlü yönler & sınırlılıklar
- Çift sağlam: eğer eğilim skoru veya sonuç modeli doğru bir şekilde belirtilmişse tutarlıdır, ikisi aynı anda değil.
- Doğrusal olmayan şekilde ilişkili veya yüksek boyutlu kovaryatları ele alır; bunlar OLS ile doğru bir şekilde modellenmesi imkansız olurdu.
- Çapraz uyum aşırı uyum yanlılığını ortadan kaldırır, bu nedenle standart asimptotik çıkarım geçerli kalır.
- Kullanılan ML algoritmasına göre kayıtsızdır: lasso, rastgele ormanlar, sinir ağları veya artırma, yardımcı öğrenici olarak hizmet edebilir.
- Yardımcı modeller parametrik olarak doğru bir şekilde belirtildiğinde standart DiD ve IPW-DiD'yi özel durumlar olarak içerir.
- Klasik DiD'den önemli ölçüde daha büyük örneklemler gerektirir: ML yardımcı tahminleri yeterli yakınsama elde etmek için yeterli veriye ihtiyaç duyar.
- Paralel eğilimler varsayımının ihlallerini çözmez; yalnızca bu çerçeve içinde kovaryat ayarlamasını iyileştirir.
- OLS tabanlı DiD'den daha karmaşık uygulama, ML hiperparametrelerinin ayarlanmasını ve çapraz uyum rutinlerini içerir.
- Tahminler ML öğrenici ve ayarın seçimine göre değişebilir, bu da hassasiyet kontrollerini önemli kılar.
- Çift sağlam tahmin edicinin yorumlanması, hem eğilim hem de sonuç modelleri yanlış belirtildiğinde dikkat gerektirir.
SSS
ML-DiD, rastgele ormanla eğilim skoru eşleştirmesi yaptıktan sonra DiD çalıştırmakla aynı şey midir?
Hayır. Eğilim skoru eşleştirmesi eşleştirilmiş bir örneklem seçer ve ardından üzerinde DiD çalıştırır; bu, artık dengesizlikten muzdarip olabilir ve sonuç modelini kullanmaz. ML-DiD, çapraz uyum kullanır ve hem eğilim modeli hem de sonuç modelini, yarı-parametrik olarak verimli olan ve daha güçlü teorik garantilere sahip çift sağlam bir tahmin edicide birleştirir.
Yardımcı fonksiyonlar için hangi makine öğrenmesi algoritmasını kullanmalıyım?
Karesel hata ortalamasında n^{-1/4}'ten daha hızlı bir oranda yakınsayan herhangi bir algoritma asimptotik olarak yeterlidir. Pratikte, lasso, rastgele ormanlar ve gradyan artırma popülerdir. Birden fazla denemek ve tahminlerin kararlı olduğunu kontrol etmek iyi bir uygulamadır.
ML-DiD hala paralel eğilimler varsayımını gerektiriyor mu?
Evet. ML yalnızca kovaryat ayarlamasını iyileştirir; ihlal edilmiş bir paralel eğilimler varsayımını onaramaz. ATT tahmininin nedensel olarak yorumlanabilir olması için paralel eğilimler koşulu (muhtemelen kovaryatlara bağlı olarak) geçerli olmalıdır.
Çapraz uyum nedir ve neden gereklidir?
Çapraz uyum verileri katlara böler, eğitim katlarında yardımcı fonksiyonları tahmin eder ve tutulmayan katlarda artıklar hesaplar. Bu örneklem ayrımı, hızlı uyum sağlayan ML modellerinin yardımcı bileşenleri aşırı uyumasını ve tedavi etkisi tahminini yanlı hale getirmesini önleyerek nihai ATT'nin kök-n yakınsamasını korur.
ML-DiD, Callaway-Sant'Anna tahmin edicisiyle nasıl ilişkilidir?
Callaway ve Sant'Anna (2021), ML yardımcı tahmincilerini barındırabilen çift sağlam bir yapıya sahip kaydırılmış benimseme için grup-dönem ATT'leri önermektedir. Çoklu dönemli, kaydırılmış bir ayardaki ML-DiD genellikle onların çerçevesi aracılığıyla uygulanır ve her bir kohort-dönem hücresi içinde eğilim ve sonuç modellerini uyarlamak için ML kullanılır.
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 ↗
- Callaway, B., & Sant'Anna, P. H. C. (2021). Difference-in-Differences with multiple time periods. Journal of Econometrics, 225(2), 200-230. DOI: 10.1016/j.jeconom.2020.12.001 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Machine Learning-Augmented Difference-in-Differences Estimator. ScholarGate. https://scholargate.app/tr/causal-inference/machine-learning-augmented-difference-in-differences
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
- Dinamik Farkların FarkıNedensel çıkarım↔ karşılaştır
- Heterojen Tedavi Etkisi Farkların Farkı (HTE-DiD)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Sentetik Kontrol Yöntemi (SCM)Nedensel çıkarım↔ karşılaştır