Makine Öğrenmesi Destekli Eşleştirme Tahminleyicisi
Machine Learning-Augmented Matching Estimator for Causal Inference · Ayrıca şöyle bilinir: ML-augmented matching, ML matching estimator, high-dimensional matching estimator, data-adaptive matching estimator
Makine öğrenmesi destekli eşleştirme tahminleyicisi, kovaryetleri seçmek, eğilim skorlarını tahmin etmek ve artık yanlılığı düzeltmek için klasik en yakın komşu veya eğilim-skoru eşleştirmesini ML algoritmalarıyla — lasso, rastgele ormanlar veya gradyan artırma gibi — birleştirir. Sonuç, geleneksel el ile belirlenmiş eşleştirmenin başarısız olduğu yüksek boyutlu karıştırmada geçerliliğini koruyan, eşleştirmeye dayalı nedensel bir tahminleyicidir.
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 verilerinizde zengin, yüksek boyutlu bir kovaryet kümesi olduğunda ve rastgele atama olmadan nedensel bir ortalama tedavi etkisini tahmin etmeniz gerektiğinde ML destekli eşleştirmeyi kullanın. Eğilim modeli veya sonuç regresyonunun doğru belirtiminin bilinmediği ve çok sayıda kovaryetin mevcut olduğu durumlarda (p, onlarca ila yüzlerce arasında) üstündür. Kesitsel veya panel veriler için sürekli veya ikili sonuçlar ve yeterli işlem gören ve kontrol örneklemleri (grup başına en az 50) ile uygundur. Kovaryet kümesinin çok küçük olduğu (klasik parametrik eşleştirme yeterlidir), işlem gören ve kontrol grupları arasındaki örtüşmenin sıfıra yakın olduğu (hiçbir eşleştirme tahminleyicisi işe yaramaz) veya tedavi atamasının verilerinizde tamamen gözlemlenmeyen değişkenlere bağlı olduğu (ölçülmemiş karıştırma tüm eşleştirme yaklaşımlarını yanlı hale getirir) durumlarda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Manuel belirtim olmadan ilgili karıştırıcıları seçerek yüksek boyutlu kovaryet kümelerini otomatik olarak işler.
- Lojistik doğrusal varsayımı yerine esnek, verilere uyarlanabilir tahminleyiciler kullanarak eğilim modeli yanlış belirtim yanlılığını azaltır.
- Abadie-Imbens yanlılık düzeltme adımı, kusurlu eşleştirmelerden kaynaklanan artık yanlılığı azaltır, sonlu örnek doğruluğunu iyileştirir.
- Nedensel karşılaştırmayı şeffaf ve denetlenebilir hale getiren yorumlanabilir eşleştirilmiş çift yapısı üretir.
- Çift-sağlam uzantılarla uyumludur, eğilim veya sonuç modelinden biri doğru belirtildiğinde tutarlılık kazanır.
- Yeterli örtüşme gerektirir: işlem gören ve kontrol kovaryet dağılımları zar zor kesiştiğinde, ML kalitesinden bağımsız olarak eşleştirme başarısız olur.
- ML ayarlama seçimleri (algoritma, düzenlileştirme cezası, komşu sayısı) raporlanması ve gerekçelendirilmesi gereken araştırmacı derecelerini tanıtır.
- Örnek bölme veya çapraz uyum, ML adımındaki düzenlileştirme yanlılığının nedensel tahmine bulaşmasını önlemek için gereklidir, bu da metodolojik karmaşıklık katar.
- Ölçülmemiş karıştırmayı çözmez; anahtar karıştırıcılar verilerden yoksa, tahmin gelişmiş ML ile bile yanlı kalır.
- Hesaplama maliyeti ve tekrarlanabilirlik talepleri, özellikle büyük veri kümelerindeki topluluk öğrenicileriyle, klasik eşleştirmeden daha yüksektir.
SSS
ML destekli eşleştirme, standart eğilim skoru eşleştirmesinden nasıl farklıdır?
Standart eğilim skoru eşleştirmesi tipik olarak eğilim skorunu el ile belirlenmiş bir lojistik regresyon ile tahmin eder. ML destekli eşleştirme, bunu doğrusal olmayanları ve yüksek boyutlu kovaryetleri otomatik olarak işleyen esnek bir algoritma (rastgele orman, lasso, artırma) ile değiştirir ve eşleştirmeden sonra kalan dengesizlik için bir yanlılık düzeltme adımı ekler.
Çapraz uyum nedir ve neden gereklidir?
Çapraz uyum, verileri katlara böler, ML önemsiz modellerini (eğilim skoru, sonuç regresyonu) tutulan katlarda uydurur ve nedensel adım için bu örnek dışı tahminleri kullanır. Bu, ML aşırı uyumundan kaynaklanan düzenlileştirme yanlılığının tedavi etkisi tahminine yayılmasını önler, aksi takdirde her iki adım için de aynı veri kullanılırsa bu durum meydana gelir.
Ölçülmemiş karıştırmadan şüphelendiğimde bu yöntemi kullanabilir miyim?
Hayır. Tüm eşleştirme tahminleyicileri gibi, ML destekli eşleştirme de gözlemler üzerindeki seçimi varsayar: tedavi ataması, gözlemlenen kovaryetler verildiğinde potansiyel sonuçlardan bağımsızdır. Önemli karıştırıcılar verilerinizden eksikse, tahmin yanlı olacaktır ve bunun yerine enstrümantal değişkenler veya farklar-içinde-farklar tasarımı gereklidir.
Eşleştirmenin iyi çalıştığını nasıl kontrol ederim?
Eşleştirmeden önce ve sonra kovaryet denge tablolarını inceleyin: eşleştirmeden sonra her kovaryet için standartlaştırılmış ortalama farklar küçük olmalıdır (genellikle 0.1'in altında). Yalnızca eğilim skoru örtüşme grafiklerine güvenmeyin — eğilim dağılımları örtüşse bile bireysel kovaryet dengesizliği devam edebilir.
Ne kadar örneğe ihtiyacım var?
Eşleştirmenin kararlı olması için minimumda yaklaşık 50 işlem gören ve 50 kontrol birimi gereklidir, ancak eğilim tahmini için ML yöntemleri, kovaryet sayısı onlarca veya daha fazla olduğunda ve örneklem boyutları yüzlerce veya binlerce olduğunda en faydalıdır. Çok küçük örneklemler ML çapraz uyumunu 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 ↗
- Abadie, A., & Imbens, G. W. (2006). Large sample properties of matching estimators for average treatment effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Machine Learning-Augmented Matching Estimator for Causal Inference. ScholarGate. https://scholargate.app/tr/causal-inference/machine-learning-augmented-matching-estimator
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
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Makine Öğrenmesi Destekli Çift Sağlam Tahmin (ML-DR)Nedensel çıkarım↔ karşılaştır
- Eşleştirme TahmincisiNedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır