Makine Öğrenmesi Destekli Entropi Dengelemesi
Machine Learning-Augmented Entropy Balancing for Causal Inference · Ayrıca şöyle bilinir: ML-EB, augmented entropy balancing, ML-augmented EB, doubly-robust entropy balancing
Makine öğrenmesi destekli entropi dengelemesi (ML-EB), Hainmueller'in entropi dengelemesi yeniden ağırlıklandırma şemasını, çift sağlam nedensel tahmin edici üretmek için bir makine öğrenmesi sonuç modeliyle birleştirir. Kovaryat denge ağırlıklarını ve esnek bir öngörülen sonuç ayarlamasını ortaklaşa optimize ederek, ML-EB, ağırlıklandırma veya sonuç modelinden biri yanlış belirtildiğinde bile tutarlı tedavi-etki tahminleri sunar ve klasik entropi dengelemesinin kolayca dengeleyemediği yüksek boyutlu kovaryat alanlarını ele alır.
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 veriye sahip olduğunuzda, ikili bir tedavi ve zengin bir kovaryat kümesiyle, çift sağlam bir tedavi edilenler üzerindeki ortalama tedavi etkisi (ATT) istediğinizde ML-EB'yi kullanın. Özellikle kovaryat sayısı büyük olduğunda veya sonuçla fonksiyonel ilişkileri doğrusal olmadığında, parametrik bir eğilim puanı veya sonuç modeli güvenilmez olacağından değerlidir. ML sonuç modelinin genelleme yapabilmesi için her kol için en az 200 birimlik bir örneklem önerilir. Tedavi çok değerli veya sürekli olduğunda, uyarlama olmadan, örneklem büyüklüğü çok küçük olduğunda (toplam n < 100) veya güçlü göz ardı edilebilirlik varsayımı (ölçülmemiş karıştırıcılar yok) makul olmadığında kullanmayın — ne kadar rafine olursa olsun hiçbir ağırlıklandırma yöntemi gözlemlenmemiş karıştırıcıları ortadan kaldıramaz.
Güçlü yönler & sınırlılıklar
- Çift sağlam: dengeleme ağırlıkları veya ML sonuç modeli doğruysa tutarlı ATT tahmini.
- Belirtilen kovaryat momentleri üzerinde tam moment dengelemesi, entropi dengeleme adımıyla garanti edilir, bu da iteratif eğilim puanı kırpmasını ortadan kaldırır.
- Makine öğrenmesi esnekliği, sonuç modelinin doğrusal regresyon ayarlamasını yanlış belirten doğrusal olmayan ve etkileşim etkilerini yakalamasına izin verir.
- Klasik eğilim puanı modellerinin örtüşme ve boyutluluk laneti ile mücadele ettiği yüksek boyutlu kovaryat alanlarına ölçeklenir.
- Çapraz uyum, nüans modelleri üzerinde parametrik varsayımlar olmadan geçerli yarı-parametrik çıkarımı sağlar.
- Dengelemek için hangi kovaryat momentlerinin belirtilmesi gerektiğini gerektirir; daha yüksek dereceli momentler (çarpıklık, basıklık) manuel olarak eklenmelidir ve sınırlı kontrol birimleri ile optimizasyonu uygulanamaz hale getirebilir.
- ML sonuç modeli ve çapraz uyum, basit ters olasılık ağırlıklandırmasına kıyasla hesaplama ve uygulama karmaşıklığı ekler.
- Tüm gözlemsel yöntemler gibi, geçerlilik de ölçülmemiş karıştırıcıların her ağırlıklandırma yaklaşımını yanlı hale getirdiği, göz ardı edilemezlik varsayımına dayanır.
- Bootstrap varyans tahmini büyük veri kümeleri için yavaş olabilir; etki fonksiyonu yöntemleri türevlenebilir ML modelleri gerektirir.
SSS
ML-EB standart entropi dengelemesinden nasıl farklıdır?
Standart entropi dengelemesi, kontrol birimlerini tedavi grubu kovaryat momentlerini eşleştirmek için yeniden ağırlıklandırır ancak yanlılık düzeltmesi için örtük bir doğrusal sonuç modeline dayanır. ML-EB, o örtük modeli açık, esnek bir makine öğrenmesi sonuç modeliyle değiştirerek, ağırlıklandırma modeli dengesizliği kusurlu bir şekilde yakalasa bile tutarlı olan tam çift sağlam bir tahmin edici üretir, ML modeli doğru bir şekilde belirtildiği sürece.
Bu bağlamda 'çift sağlam' ne anlama geliyor?
Bir tahmin edici, iki nüans modelinden biri doğru bir şekilde belirtildiğinde tutarlıysa çift sağlamdır. ML-EB'de bu iki bileşen şunlardır: (1) entropi dengeleme ağırlıkları ve (2) ML sonuç modeli. En az biri doğruysa, tedavi-etki tahmini, örneklem büyüklüğü büyüdükçe gerçek ATT'ye yakınsar, bu da tek bir modelleme hatasına karşı sigorta sağlar.
Neden çapraz uyum gereklidir?
Çapraz uyum (örnek bölme), ML sonuç modelinin düzeltmesi gereken artık değerlere aşırı uyum sağlamasını önler. Olmadan, model eğitim örneğini ezberler, bu nedenle aynı birimler üzerindeki tahminleri çok doğru görünür, bu da artırma terimini yanlı hale getirir. Çapraz uyum, modelin tahminlerinin ayrılmış veriler üzerinde değerlendirilmesini sağlar, geçerli yarı-parametrik çıkarımı korur.
Tüm kovaryat momentlerini tam olarak dengeleyemezsem ne olur?
Sınırlı kontrol birimleri ile çok fazla yüksek dereceli kısıtlama uygularsanız, entropi dengeleme optimizasyonu uygulanamaz hale gelebilir. Pratikte, kısıtlamaları ortalamalara ve teorik olarak önemliyse, ikinci dereceden momentlere veya anahtar etkileşimlere sınırlayın. ML sonuç modeli, verilerde tespit ettiği daha yüksek dereceli terimlerde kalan dengesizliği telafi eder.
Sonuç modelinde hangi makine öğrenmesi algoritmaları en iyi çalışır?
Gradyan artırılmış ağaçlar ve lasso (veya elastik net), değişken seçimi ve doğrusal olmayanlık işleme yetenekleri nedeniyle en yaygın seçeneklerdir. Yığınlama (süper öğrenici) toplulukları, birden çok öğreniciyi ortalayarak, tek bir algoritmaya bağlı kalmadan gerçek veri üretim sürecine uyum sağladıkları için teorik olarak çekicidir. Varyansları yanlılık düzeltmesini domine edebileceği için, örneklem çok büyük olmadıkça derin sinir ağlarından kaçının.
Kaynaklar
- Hainmueller, J. (2012). Entropy balancing for causal effects: A multivariate reweighting method to produce balanced samples in observational studies. Political Analysis, 20(1), 25-46. DOI: 10.1093/pan/mpr025 ↗
- Zhao, Q., & Percival, D. (2017). Entropy balancing is doubly robust. Journal of Causal Inference, 5(1), 20160010. DOI: 10.1515/jci-2016-0010 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Machine Learning-Augmented Entropy Balancing for Causal Inference. ScholarGate. https://scholargate.app/tr/causal-inference/machine-learning-augmented-entropy-balancing
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Entropi DengelemeNedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır