Makine Öğrenmesi Destekli Enstrümantal Değişkenler (ML-IV)
Machine Learning-Augmented Instrumental Variables Estimation · Ayrıca şöyle bilinir: ML-IV, MLIV, Double/Debiased ML with IV, DML-IV
Makine öğrenmesi destekli enstrümantal değişkenler, klasik IV'nin nedensel tanımlama gücünü modern yüksek boyutlu makine öğrenmesi ile birleştirir — geçerli enstrümanları seçmek ve önemsiz fonksiyonları modellemek için LASSO, rastgele ormanlar veya sinir ağları gibi yöntemler kullanarak, böylece birinci aşama uyumunu iyileştirir ve potansiyel enstrüman veya kontrol değişkeni sayısı örneklem büyüklüğüne göre büyük olsa bile geçerli çıkarıma olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Geçerli bir enstrümanınız (veya birçok aday enstrümanınız) olduğunda ancak klasik 2SLS'yi yanlı veya tutarsız hale getiren yüksek boyutlu kontrol değişkenleri veya büyük bir potansiyel enstrüman havuzuyla karşılaştığınızda ML destekli IV'yi kullanın. Özellikle ekonomik teorinin makul enstrümanlar sağladığı ancak doğru birinci aşama fonksiyonel formunun belirsiz olduğu veya güvenilir dışlama için birçok kontrol değişkeninin dahil edilmesi gerektiği durumlarda uygundur. Geçerli bir enstrüman bulmanın yerine geçmez — ML dışlama kısıtlaması sorununu çözmez. Çok küçük örneklemlerde (n < 200), çapraz uyum varyansı büyük olabileceğinden ve birinci aşamanın yorumlanabilirliğinin izleyici kitlesi için önemli olduğu durumlarda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Düzenlileştirme yoluyla ilgili enstrümanları seçerek yüksek boyutlu enstrüman kümelerini işler, aşırı dahil etmeden kaynaklanan zayıf enstrüman yanlılığını azaltır.
- Standart 2SLS'nin kaçırdığı doğrusal olmayan birinci aşama ilişkilerini barındırır, birinci aşama uyumunu ve verimliliğini artırır.
- Çift/Tarafsız ML çerçevesi, esnek önemsiz tahminine rağmen kök-n-tutarlı, asimptotik normal nedensel tahminler sağlar.
- Çapraz uyum, aşırı uyum yanlılığının nedensel çıkarıma sızmasını önler, güvenilir standart hatalar ve güven aralıkları sağlar.
- Klasik parametrik varsayımların kırılgan olduğu büyük gözlemsel veri kümelerine doğal olarak ölçeklenir.
- Temel IV gereksinimini çözmez: enstrüman hala gerçekten dışsal olmalı ve dışlama kısıtlamasını karşılamalıdır — ML geçerli bir enstrüman üretemez.
- Çapraz uyumun iyi çalışması için orta derecede büyük bir örneklem (genellikle en az n > 200) gerektirir; çıkarım küçük örneklemlerde bozulur.
- Uygulama, standart 2SLS'den önemli ölçüde daha karmaşıktır ve DML paketleri (örneğin, Python/R'de DoubleML) ile yazılım aşinalığı gerektirir.
- Bazı ML modellerinin kara kutu doğası, birinci aşamanın şeffaflığını azaltır, bu da politika veya düzenleyici bağlamlarda bir engel olabilir.
- ML algoritmasını seçmek ve hiperparametreleri ayarlamak, önceden belirlenmesi veya raporlanması gereken araştırmacı serbestlik dereceleri ekler.
SSS
ML destekli IV hala geçerli bir enstrüman gerektirir mi?
Evet, kesinlikle. Makine öğrenmesi birinci aşama tahminini iyileştirir ve yüksek boyutlu kontrolleri ele alır, ancak bir enstrümanın dışsallığını yaratamaz veya doğrulayamaz. Enstrümanın yalnızca tedavi aracılığıyla sonucu etkilediği dışlama kısıtlaması — hala esaslı gerekçelerle haklı gösterilmelidir.
Çift/Tarafsız ML nedir ve çapraz uyum neden gereklidir?
DML, yüksek boyutlu önemsiz fonksiyonlar varlığında nedensel parametreleri tahmin eden yarı-parametrik bir çerçevedir. Çapraz uyum (örneklemi katlara bölme) gereklidir, çünkü önemsiz ML modelini eğitmek ve nedensel parametreyi tahmin etmek için aynı veriyi kullanmak bir düzenlileştirme yanlılığı yaratır. Çapraz uyum, geçerli Gauss çıkarımını korurken bu yanlılığı ortadan kaldırır.
ML-IV standart 2SLS'den nasıl farklıdır?
Standart 2SLS, birinci aşamada doğrusal OLS kullanır ve örneklem büyüklüğüne göre az sayıda enstrüman gerektirir. ML-IV, doğrusal birinci aşamayı esnek bir ML tahmincisi ile değiştirir, düzenlileştirme yoluyla birçok veya yüksek boyutlu enstrümanı ele alır ve geçerli çıkarımı geri yüklemek için yanlılık düzeltmesi (DML) kullanır — bunların hepsi klasik 2SLS varsayımlarının bozulduğu durumlarda önemli olan avantajlardır.
Hangi yazılım paketleri ML destekli IV'yi uygular?
DoubleML paketi (hem Python hem de R'de mevcuttur) IV ayarları dahil olmak üzere DML çerçevesini uygular. R'deki hdm paketi post-LASSO IV sağlar. Uygulayıcılar genellikle ML uyum adımı için bunları scikit-learn (Python) veya mlr3 (R) ile birleştirir.
ML-IV'nin güvenilir bir şekilde çalışması için ne kadar örneklem büyüklüğü gereklidir?
Evrensel bir eşik yoktur, ancak DML çıkarımının altında yatan asimptotik Gauss yaklaşımları genellikle çapraz uyumun kararlı olması için en az birkaç yüz gözlem gerektirir. Çok küçük örneklemlerde, standart hatalar şişer ve güven aralıkları doğru kapsama alanına sahip olmayabilir; bu durumda küçük, güçlü bir enstrümanla klasik 2SLS tercih edilir.
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 ↗
- Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/tr/causal-inference/machine-learning-augmented-instrumental-variables
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- İki Aşamalı En Küçük Kareler (2SLS / IV) RegresyonuEkonometri↔ karşılaştır
- Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
- Lasso RegresyonuMakine öğrenmesi↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır