Makine Öğrenmesi Destekli Plasebo Testi
Machine Learning-Augmented Placebo Test for Causal Identification · Ayrıca şöyle bilinir: ML placebo test, data-driven placebo falsification, ML-augmented falsification test, ML permutation placebo
Makine öğrenmesi destekli plasebo testi, esnek Makine Öğrenmesi (MÖ) tahmin edicileri — nedensel ormanlar, LASSO veya çift/hatasız MÖ gibi — kullanarak bir belirleme stratejisi üzerinde yanlışlama kontrolleri yapmak için kullanılan nedensel çıkarım geçerlilik tekniğidir. Gerçek tedavi atamalarını plasebo (sahte) atamalarla değiştirerek ve tahmin edilen etkinin sıfıra çöküp çökmediğini doğrulayarak araştırmacılar, nedensel bulgularının model yanlış belirtimi veya karıştırıcıların birer eseri olmadığını teyit eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bu yöntemi, özellikle veri kümesi yüksek boyutlu olduğunda veya standart parametrik varsayımlar geçerli olmayabileceğinde, herhangi bir yarı-deneysel tasarımdan — DiD, RDD, sentetik kontrol veya IV — nedensel bir tahmin elde ettikten sonra bir yanlışlama adımı olarak kullanın. Özellikle hakemlerin veya paydaşların güçlü sağlamlık kanıtı gerektirdiği durumlarda değerlidir. Birincil tahmin stratejisi olarak buna güvenmeyin; bu bir tanı aracıdır. MÖ tahminini destekleyecek kadar yeterli örneklem boyutunun olmadığı (genellikle birkaç yüz gözlemden az) veya permütasyon tabanlı plasebo tasarımlarının tedavi yapısı için teorik olarak uygun olmadığı durumlarda uygun değildir.
Güçlü yönler & sınırlılıklar
- Analistin keyfi plasebo gruplarını elle seçmesine dayanmayan titiz, veri odaklı bir yanlışlama kontrolü sağlar.
- MÖ esnekliği, karıştırılmış parametrik bir modelin hem gerçek hem de plasebo analizlerinde yanlış pozitifler üretme riskini azaltır.
- Geniş bir belirleme stratejisi yelpazesiyle uyumludur: DiD, RDD, IV ve sentetik kontrol hepsi MÖ destekli plasebo varyantlarını kabul eder.
- Permütasyon tabanlı referans dağılımları varsayım açısından hafiftir ve çıkarım için parametrik dağılım varsayımları gerektirmez.
- Sağlamlık kontrolünü sistematik ve tekrarlanabilir hale getirerek hakemler ve politika yapıcılarla olan güvenilirliği artırır.
- MÖ tahmin edicisinin güvenilir bir şekilde performans göstermesi için yeterli örneklem boyutunu gerektirir; seyrek veya küçük veri kümeleri, az ayırt edici güce sahip gürültülü plasebo dağılımları verebilir.
- Hesaplama açısından yoğundur: yüzlerce veya binlerce permütasyon boyunca bir MÖ tahmincisini yeniden çalıştırmak, çok büyük veri kümeleri veya karmaşık modeller için imkansız olabilir.
- Geçen bir plasebo testi, geçerlilik için tüm tehditleri ortadan kaldırmaz — gerçek tedavi ile aynı desende ilişkili olan gözlemlenmemiş karıştırıcılar tespit edilemez.
- Plasebo tasarımını (permütasyon, zaman kaydırma, plasebo grubu) seçmek dikkatli öznel yargı gerektirir; kötü seçilmiş bir plasebo bilgilendirici olmayabilir veya yanıltıcı olabilir.
SSS
Bu yöntemi standart bir plasebo testinden farklı kılan nedir?
Standart bir plasebo testi, birincil analizle aynı parametrik modeli kullanır ve sahte bir tedaviye uygular. MÖ destekli bir sürüm, karmaşık karıştırıcıları emebilen esnek bir öğrenici ile parametrik modeli değiştirir, bu da model yanlış belirtiminin gerçek analizde yapay bir etki üretirken plaseboda bunu kaçırması riskini azaltır — bu da yanlış bir güvence verir.
Genellikle hangi MÖ yöntemleri kullanılır?
En yaygın seçimler nedensel ormanlar (Athey & Wager 2019), LASSO veya rastgele ormanlarla çift/hatasız MÖ (Chernozhukov et al. 2018) ve cezalı regresyon yaklaşımlarıdır. Temel gereksinim, öğrenicinin yüksek boyutlu kovaryantları işleyebilmesi ve geçerli, yanlılık düzeltilmiş tedavi-etki tahminleri üretebilmesidir.
Kaç plasebo permütasyonu gereklidir?
Uygulamada, 200 ila 1000 permütasyon yaygındır. Daha fazla permütasyon daha düzgün bir referans dağılımı ve daha hassas p-değerleri sağlar, ancak her biri MÖ tahmincisinin yeniden çalıştırılmasını gerektirir. Granüler p-değerlerinden (elde edilebilecek en küçük p, permütasyon sayısı/1'dir) kaçınmak için genellikle en az 100 önerilir.
Geçen bir plasebo testi nedenselliği kanıtlar mı?
Hayır. Testi geçmek, belirleme stratejisinin belirli bir yanlışlama kontrolünden geçtiği anlamına gelir, bu da nedensel iddiaya olan güveni artırır. Ancak, gerçek tedavi ile plasebo atamasıyla aynı yapısal desende tesadüfen ilişkili olan gözlemlenmemiş karıştırıcılar tespit edilemez kalır. Plasebo testleri, daha geniş bir sağlamlık portföyünün bir parçasıdır.
Bu yöntem küçük örneklemlerle kullanılabilir mi?
Dikkatle. MÖ tahmincileri genellikle güvenilir bir şekilde performans göstermeleri için birkaç yüz gözleme ihtiyaç duyar. Küçük örneklemlerde plasebo dağılımı geniş ve gürültülü olacaktır, bu da gerçek bir etkiyi şanssal değişimden ayırmayı zorlaştırır. n küçük olduğunda daha basit parametrik plasebo testleri daha uygun olabilir.
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 ↗
- Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685-725. DOI: 10.1146/annurev-economics-080217-053433 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Machine Learning-Augmented Placebo Test for Causal Identification. ScholarGate. https://scholargate.app/tr/causal-inference/machine-learning-augmented-placebo-test
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
- Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
- Sentetik Kontrol Yöntemi (SCM)Nedensel çıkarım↔ karşılaştır