Makine Öğrenmesi Destekli Çift Sağlam Tahmin (ML-DR)
Machine Learning-Augmented Doubly Robust Estimation · Ayrıca şöyle bilinir: ML-DR, AIPW with ML, Double/Debiased ML doubly robust, DML-DR
Makine öğrenmesi destekli çift sağlam (ML-DR) tahmin, klasik çift sağlam (AIPW) tanımlama stratejisini, rahatsız edici fonksiyonlar için esnek makine öğrenmesi modelleriyle - eğilim skoru ve sonuç regresyonu - birleştirir. Sonuç, ML bileşenlerinden herhangi biri doğru şekilde belirtildiğinde tutarlı olan ve rahatsız edici modeller yüksek boyutlu düzenlileştirme veya parametrik olmayan öğrenicilerle tahmin edildiğinde bile geçerli, kök-n çıkarımı elde eden nedensel bir tahmin edicidir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Klasik parametrik bir modeli doyuracak çok sayıda kovaryete sahip gözlemsel verilerden güvenilir bir ortalama tedavi etkisi gerektiğinde ML-DR'yi kullanın. Özellikle eğilim skoru veya sonuç modelinin biçiminin bilinmediği, esnek ML tahmincilerinin lojistik regresyon veya OLS'ye tercih edildiği durumlarda uygundur. Yöntem, çapraz uyumun kararlı olması için en az birkaç yüz gözlem içeren ayarlar için uygundur. Örnek küçükse (n < 200), tedavi gözlemlenen kovaryetler verildiğinde güçlü bir şekilde göz ardı edilemezse, eğilim skoru birçok birim için sıfıra veya bire yakınsa (aşırı örtüşme ihlalleri) veya çapraz uyumun saygı duymadığı güçlü zamansal bağımlılığa sahipse kaçının.
Güçlü yönler & sınırlılıklar
- Çift sağlam: sonuç regresyonu veya eğilim skoru modeli doğru şekilde belirtildiğinde tutarlıdır, doğru cevabı bulmak için iki şans sunar.
- Düzenlileştirilmiş veya parametrik olmayan ML öğrenicileri aracılığıyla yüksek boyutlu kovaryetleri, nedensel tahmindeki önyargıyı artırmadan barındırır.
- Çapraz uyum, düzenlileştirme önyargısını ortadan kaldırır ve kök-n yakınsamasını ve geçerli güven aralıklarını geri yükler.
- Çapraz doğrulama ile model seçimi ile ML algoritmasının esnek seçimi — LASSO, rastgele ormanlar, XGBoost, sinir ağları.
- Neyman ortogonalliği, nedensel parametreyi küçük rahatsız edici fonksiyon hatalarından etkilenmez hale getirerek sonlu örneklerde dayanıklılığı artırır.
- Güçlü göz ardı edilebilirliği gerektirir: tüm karıştırıcılar gözlemlenmelidir. Ölçülmemiş karıştırma, herhangi bir gözlemlenen veri dengeleme yöntemiyle ele alınamaz.
- Aşırı eğilim skorları (0 veya 1'e yakın) aşırı AIPW ağırlıklarına ve artan varyansa yol açar; örtüşme, kovaryet dağılımı boyunca geçerli olmalıdır.
- Performans, ML rahatsız edici tahminlerinin kalitesine bağlıdır; her iki rahatsız edici model de önemli ölçüde yanlış belirtilmişse, tahmin edici tutarlı değildir.
- Çapraz uyum, kararlı olması için makul bir örnek boyutu gerektirir; çok küçük örneklerde tutulan katlar, güvenilir rahatsız edici tahminler üretmek için çok küçüktür.
- Parametrik rahatsız edici modellere sahip klasik çift sağlam tahmininden daha karmaşık uygulama ve yorumlama.
SSS
Neden zaten çift sağlam tahmin kullanırken çapraz uyum gereklidir?
ML tahmincileri, karmaşık fonksiyonel formları uyarak önyargıyı azaltır ancak rahatsız edici tahminler AIPW skoru için aynı veriler üzerinde yapıldığında nedensel tahmini kirleten düzenlileştirme önyargısı getirir. Çapraz uyum, örnek dışı rahatsız edici tahminler üretir, bu kirliliği ortadan kaldırır ve kök-n yakınsamasını geri yükler.
Rahatsız edici fonksiyonlar için hangi ML algoritmalarını kullanabilirim?
Herhangi bir denetimli öğrenme algoritması kabul edilebilir — LASSO, ridge regresyonu, rastgele ormanlar, gradyan artırma (XGBoost, LightGBM), sinir ağları veya topluluklar (süper öğrenici). Seçim, her rahatsız edici fonksiyon için ayrı ayrı çapraz doğrulama ile tahmin performansına göre yönlendirilmelidir.
ML-DR, ölçülmemiş karıştırma olduğunda çalışır mı?
Hayır. Gözlemlenen seçilim üzerine dayanan tüm gözlemsel nedensel yöntemler gibi, ML-DR de tüm karıştırıcıların ölçülmesini ve kovaryet kümesine dahil edilmesini gerektirir. Ölçülmemiş karıştırma, rahatsız edici modelleri iyileştirerek ele alınamaz.
Çapraz uyumda kaç kat kullanmalıyım?
Beş veya on kat yaygındır ve genellikle yeterlidir. Çok büyük örneklerde, iki kat işe yarayabilir. Küçük örneklerde, daha fazla kat rahatsız edici tahminde varyansı azaltır ancak her katı küçültür. Tahmin edici, kat sayısından bağımsız olarak asimptotik olarak eşdeğerdir, bu nedenle seçim büyük ölçüde pratiktir.
ML-DR standart çift sağlam tahminden nasıl farklıdır?
Standart çift sağlam tahmin, parametrik modeller kullanır (eğilim skoru için lojistik regresyon, sonuç regresyonu için OLS). ML-DR, bunları esnek, veri uyarlamalı ML öğrenicileriyle değiştirir ve parametrik modellerin yanlış belirtildiği yüksek boyutlu ayarlarda geçerli çıkarım sağlayan, düzenlileştirme tarafından tanıtılan önyargıyı kaldırmak için çapraz uyum ekler.
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 ↗
- Farrell, M. H., Liang, T., & Misra, S. (2021). Deep Neural Networks for Estimation and Inference. Econometrica, 89(1), 181-213. DOI: 10.3982/ECTA16901 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Machine Learning-Augmented Doubly Robust Estimation. ScholarGate. https://scholargate.app/tr/causal-inference/machine-learning-augmented-doubly-robust-estimation
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
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır