Machine Learning-Augmented Propensity Score Matching Estimator
Ayrıca şöyle bilinir: ML-PSM, boosted propensity score matching, ML-augmented PSM, nonparametric propensity score matching
Klasik eğilim skoru eşleştirmesi, araştırmacının tedavi atamasını doğru bir şekilde belirleyen bir lojistik regresyon modeli belirtmesini gerektirir. Kovaryetler ve tedavi arasındaki gerçek ilişki doğrusal olmayan veya birçok etkileşim içeriyorsa, bu model yanlış belirtilir ve sonuçta elde edilen eşleştirmeler zayıf olur. Makine öğrenmesi algoritmaları bu tür örüntüleri otomatik olarak keşfederek, tedavi alan kişileri daha doğru bir şekilde yansıtan eğilim skorları üretir. Daha iyi skorlar, tedavi edilen ve kontrol birimleri arasında daha yakın eşleştirmeler sağlar ve tahmin edilen nedensel etkide daha az artık karıştırıcılık bırakır. Bunun bedeli ek karmaşıklıktır: aşırı uyumu ve veri uyarlamalı yanlılığı önlemek için ML modelleri dikkatlice ayarlanmalı ve yorumlanmalıdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Araştırmacının fonksiyonel formu belirtmesini gerektirmeden kovaryetler arasındaki doğrusal olmayan ve etkileşim etkilerini yakalar, eğilim skoru modelinin yanlış belirtilmesini azaltır.
Güçlü yönler & sınırlılıklar
- Yüksek boyutlu veya karmaşık kovaryet ayarlarında lojistik regresyon tabanlı PSM'den genellikle daha iyi kovaryet dengesi sağlar.
- R (twang, glmnet ile MatchIt) ve Python (sklearn + causalinference) içinde yaygın olarak bulunan uygulamalar, benimsenmesini mümkün kılar.
- Herhangi bir sonraki eşleştirme algoritması (en yakın komşu, çekirdek, yarıçap) ve doğal bir uzantı olarak çift yönlü sağlam tahmin edicilerle uyumludur.
- Model belirtiminde analist serbestlik derecelerine duyarlılığı azaltır, çünkü ML model seçimi çapraz doğrulanan denge kriterleriyle yönlendirilebilir.
- ML eğilim skoru modelleri hiperparametre ayarı gerektirir (ağaç derinliği, düzenlileştirme gücü, ağaç sayısı); kötü ayar aşırı veya yetersiz düzeltilmiş skorlara yol açabilir.
- Tüm ML tahminini tekrarlayan bootstrap çıkarımı, büyük veri kümeleri için hesaplama açısından pahalıdır.
- Ölçülmemiş karıştırıcılığı ele alamaz: önemli kovaryetler X'ten eksikse, hiçbir ML tekniği nedensel tanımlamayı kurtaramaz.
- Eğilim skoru modelinin yorumlanabilirliği, düzenleyici veya çoğaltma bağlamları için endişe kaynağı olabilecek lojistik regresyona kıyasla azalır.
- Küçük örneklemlerde meydana gelebilir, aşırı uç (0 veya 1'e yakın) eğilim skorları üreterek kötü örtüşmeye neden olan eğitim verilerine aşırı uyum.
- Eğilim skoru modelinin R-kare'si değil, denge, ilgili tanı koyma aracı iken, eşleştirilmiş örneklemdeki kovaryet dengesini kontrol etmeden ATT tahminlerini raporlamak.
SSS
Gradyan artırımlı ağaçlar (örneğin, McCaffrey ve ark.'nın TWANG yaklaşımı) ve LASSO lojistik regresyon en doğrulanmış seçeneklerdir. Gradyan artırma karmaşık doğrusal olmayanlıklar olduğunda üstün olma eğilimindedir; LASSO seyrek etkileşimler olduğunda tercih edilir. Pratikte, yalnızca tahmin doğruluğuna göre değil, çapraz doğrulanan denge kriterlerine göre seçim yapın.
ML-PSM ölçülmemiş karıştırıcılık sorununu çözüyor mu?
Hayır. Tüm eğilim skoru yöntemleri gibi, ML-PSM de ölçülmemişlik (görmezden gelme) varsayımını gerektirir: tedaviyi ve sonucu birlikte belirleyen tüm değişkenler X'e dahil edilmelidir. ML yalnızca ölçülen karıştırıcıların nasıl ele alındığını iyileştirir; eksik verilerin yerini alamaz.
ML-PSM tahminleri için belirsizliği nasıl raporlamalıyım?
Tüm işlem hattını — ML model eğitimi, eğilim skoru tahmini, eşleştirme ve sonuç tahmini — her bootstrap örneğinde yeniden çalıştıran bir bootstrap kullanın. İlk aşamayı göz ardı eden standart analitik varyans formülleri belirsizliği hafife alacaktır.
Saf ML-PSM yerine ne zaman çift yönlü sağlam tahminini tercih etmeliyim?
Çift yönlü sağlam yöntemler (artırılmış IPW veya hedeflenen öğrenme gibi) ikinci bir koruma katmanı olarak bir sonuç modeli ekler: eğilim veya sonuç modelinden biri doğru bir şekilde belirtilmişse ATT tahmin edicisi tutarlıdır. Her iki modelin de kısmen yanlış belirtilmiş olabileceğini düşünüyorsanız, çift yönlü sağlam tahmin, düz ML-PSM'nin sunmadığı bir güvenlik ağı sunar.
Büyük bir örneklem gerekli mi?
Eğilim skoru tahmini için ML yöntemleri, en az birkaç yüz tedavi edilmiş gözlem ve karşılaştırılabilir veya daha büyük bir kontrol grubu ile en güvenilirdir. Küçük örneklemlerde, ML modeli eğitim verilerine aşırı uyum eğilimindedir, bu da aşırı uç eğilim skorları üretir ve bu da eşleştirme kalitesini düşürür. Çok küçük örneklemlerde, iyi belirtilmiş bir lojistik regresyon genellikle daha güvenlidir.
StatWise'da gözlemsel verileriniz üzerinde ML destekli eğilim skoru eşleştirmesi çalıştırın — veri kümenizi içe aktarın, ikili tedavi, sonuç ve kovaryet sütunlarını belirleyin, ML algoritmasını (gradyan artırma veya LASSO) seçin ve StatWise eğilim skorlarını tahmin edecek, 0.2 SD kalibresi içinde en yakın komşu eşleştirmesi yapacak, kovaryet denge tanılarını raporlayacak ve bootstrap güven aralıklarıyla ATT'yi çıktılayacaktır.
Kaynaklar
- McCaffrey, D. F., Ridgeway, G., & Morral, A. R. (2004). Propensity score estimation with boosted regression for evaluating causal effects in observational studies. Psychological Methods, 9(4), 403-425. DOI: 10.1037/1082-989X.9.4.403 ↗
- Westreich, D., Lessler, J., & Funk, M. J. (2010). Propensity score estimation: neural networks, support vector machines, decision trees (CART), and meta-classifiers as alternatives to logistic regression. Journal of Clinical Epidemiology, 63(8), 826-833. DOI: 10.1016/j.jclinepi.2009.11.020 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Matching Estimator. ScholarGate. https://scholargate.app/tr/causal-inference/machine-learning-augmented-propensity-score-matching
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Coarsened Exact Matching (CEM)Nedensel çıkarım↔ karşılaştır
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Entropi DengelemeNedensel çıkarım↔ karşılaştır
- Makine Öğrenmesi Destekli Çift Sağlam Tahmin (ML-DR)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır