Makine Öğrenmesi Destekli Panel Olay Çalışması
Machine Learning-Augmented Panel Event Study Estimator · Ayrıca şöyle bilinir: ML-augmented event study, ML event study, panel event study with ML, machine learning event study
Makine öğrenmesi destekli panel olayı çalışması, parametrik karşı-olgusal modelleri makine öğrenmesi tahmincileriyle — LASSO, rastgele ormanlar veya matris tamamlama gibi — değiştirerek veya bunlarla zenginleştirerek, olay öncesi temel çizgileri daha doğru oluşturmak, paralel eğilim ihlallerini tespit etmek ve birden çok olay sonrası dönemde geçerli nedensel etki tahminleri üretmek suretiyle klasik panel olayı çalışmasını genişletir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bir panel veri setiniz olduğunda, bazı birimleri etkileyen ayrık bir olay, birden çok olay öncesi ve sonrası dönem ve potansiyel kontrol birimlerinden oluşan büyük bir havuz veya yüksek boyutlu kovaryatlar olduğunda — OLS tabanlı olay çalışmalarının karşı-olgusalı aşırı veya eksik uyum sağlayabileceği durumlar — bu yöntemi kullanın. Özellikle standart DiD/olay çalışmalarının paralel eğilim varsayımının kırılgan olduğunu düşündüğünüz ve bağışçı birimleri veri güdümlü bir şekilde seçmek ve ağırlıklandırmak istediğiniz durumlar için uygundur. Panel çok kısa olduğunda (10 olay öncesi dönemden az), temiz bağışçı birim olmadığında, çıktılar tamamen kesitsel olduğunda veya araştırma kitlesi makine öğrenmesi kara kutu bileşenleri yerine basit şeffaf regresyonlar gerektirdiğinde bundan kaçının.
Güçlü yönler & sınırlılıklar
- Birden çok bağışçı birimi ve kovaryatı aynı anda kullanarak esnek, yüksek boyutlu karşı-olgusal oluşturmaya olanak tanır, gözden kaçan değişken yanlılığını azaltır.
- Veri güdümlü bir olay öncesi eğilim tanılama sağlar: olay öncesi artıklar, karşı-olgusal modelin güvenilir olup olmadığını doğrudan ortaya koyar.
- Büyük örneklem normal varsayımları varsayımları olmadan sonlu örneklem geçerli belirsizlik nicelemesi sağlayan konformal ve permütasyon çıkarımı ile uyumludur.
- Birimler, zaman gecikmeleri ve alt gruplar arasında heterojen tedavi etkilerine doğal olarak genişler.
- Kontrol birimi sayısı zaman boyutuna göre büyük olduğunda klasik OLS olay çalışmalarından daha iyi performans gösterir.
- Makine öğrenmesi modelini eğitmek için yeterince uzun bir olay öncesi pencere gerektirir; çok kısa paneller (10 olay öncesi dönemden az) karşı-olgusalı yetersiz tanımlanmış bırakır ve olay öncesi kontrolleri bilgisiz hale getirir.
- Makine öğrenmesi bileşeni, sonuçların denetlenmesini, tekrarlanmasını veya teknik olmayan kitlelere iletilmesini zorlaştırabilecek karmaşıklık getirir.
- Hiperparametre ve model seçimi tercihleri (örneğin, LASSO cezası, ağaç derinliği) tahminleri önemli ölçüde etkileyebilir, bu da olay öncesi pencere içinde dikkatli çapraz doğrulama gerektirir.
- Çıkarım prosedürleri (konformal, permütasyon) tedavi edilen birim sayısı çok az olduğunda düşük güce sahip olabilir.
- Taşma etkileri bağışçı birimleri etkileyerek kararlı birim tedavi değeri varsayımını ihlal eder ve karşı-olgusalı kirletebilir.
SSS
Bu, standart bir panel olay çalışmasından nasıl farklıdır?
Standart bir panel olay çalışması, az sayıda kontrol değişkeni ile parametrik (genellikle doğrusal) bir paralel eğilim karşı-olgusalı dayatır. Makine öğrenmesi destekli sürüm, bunu, çok sayıda bağışçı ve doğrusal olmayan ilişkileri işleyebilen esnek, veri güdümlü bir tahminci ile değiştirir veya tamamlar, bu da daha iyi uyan bir karşı-olgusal ve daha güvenilir bir tedavi etkisi tahmini ile sonuçlanır.
Hangi makine öğrenmesi tahmincisini seçmeliyim?
LASSO veya elastik net en yaygın seçimlerdir çünkü otomatik bağışçı seçimi yaparlar ve iyi anlaşılmış teorik özelliklere sahiptirler. Rastgele ormanlar ve matris tamamlama, ilişkiler doğrusal olmadığında veya panel kareye yakın olduğunda daha iyidir. İki veya üç tahminciyi karşılaştırın: sonuçlar sağlam ise, güvenilirlik daha yüksektir.
Olay öncesi pencere ne kadar uzun olmalı?
Kaba bir kılavuz olarak, olay öncesi dönem sayısı, dikkate almak istediğiniz kontrol birimi sayısına en azından eşit olmalı veya LASSO için en az 10-15 dönem olmalıdır. Çok kısa olay öncesi pencereler, makine öğrenmesi modelini yetersiz tanımlanmış bırakır ve olay öncesi kontrol kontrollerini bilgisiz hale getirir.
Sadece bir tedavi edilen birimim olduğunda bunu kullanabilir miyim?
Evet — makine öğrenmesi destekli olay çalışması (sentetik kontrol gibi), az sayıda veya hatta tek bir tedavi edilen birim olan durumlar için tasarlanmıştır. Tek bir tedavi edilen birimle, bağışçı birimlere yapılan plasebo atamalarına dayanan permütasyon veya konformal çıkarım, çok sayıda tedavi edilen gözlem gerektirmeden geçerli p-değerleri sağlar.
Ya bağışçı birimleri de kısmen tedavi edilirse?
Kirlenmiş bağışçılar karşı-olgusal çıktıyı şişirir, tedavi etkisini sıfıra doğru yanlı hale getirir. Bağışçıları dikkatlice tarayın, olaya veya etkilerine maruz kalmış olabilecek birimleri hariç tutun ve sınırdaki bağışçıları çıkaran hassasiyet analizlerini düşünün.
Kaynaklar
- Chernozhukov, V., Wuthrich, K., & Zhu, Y. (2021). An Exact and Robust Conformal Inference Method for Counterfactual and Synthetic Controls. Journal of the American Statistical Association, 116(536), 1849-1864. DOI: 10.1080/01621459.2021.1920957 ↗
- Freyaldenhoven, S., Hansen, C., & Shapiro, J. M. (2019). Pre-event Trends in the Panel Event-Study Design. American Economic Review, 109(9), 3307-3338. DOI: 10.1257/aer.20180609 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Machine Learning-Augmented Panel Event Study Estimator. ScholarGate. https://scholargate.app/tr/causal-inference/machine-learning-augmented-panel-event-study
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
- Panel Veri Sabit Etkiler ModeliEkonometri↔ karşılaştır
- Sentetik Kontrol Yöntemi (SCM)Nedensel çıkarım↔ karşılaştır