Machine Learning-Augmented Propensity Score Weighting
Ayrıca şöyle bilinir: ML-PSW, ML-augmented IPW, machine learning propensity weighting, nonparametric propensity score weighting
Klasik eğilim skoru ağırlıklandırması, arka plan değişkenlerinin tedavi alımını nasıl tahmin ettiğini lojistik regresyon modelinin yakaladığını varsayar. Onlarca kovaryet doğrusal olmayan yollarla etkileşime girdiğinde, bu varsayım başarısız olabilir ve ortaya çıkan ağırlıklar yanlış olabilir. Gradyan artırılmış makineler veya süper öğrenici gibi ML yöntemleri bu etkileşimleri otomatik olarak tespit edebilir. ML ile tahmin edilen olasılığı standart ters-olasılık ağırlıklandırma formülüne besleyerek, araştırmacılar modelleme seçimlerine daha az bağımlılıkla daha iyi dengelenmiş sözde popülasyonlar elde ederler - örtüşme (pozitiflik) korunduğu ve tahmin edilen skorlar sıfır ve birden kırpıldığı sürece.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Veriye uyarlanabilir ML'nin doğrusal olmayan kovaryet-tedavi ilişkilerini yakalamasına izin vererek eğilim skoru yanlış belirtim yanlılığını azaltır.
Güçlü yönler & sınırlılıklar
- Lojistik regresyonun manuel etkileşim belirtimi gerektireceği yüksek boyutlu kovaryet kümelerini işler.
- Çapraz uydurma (DML), birinci aşama ML tahmininin ATE tahmin edicisine asimptotik yanlılık katmamasını sağlar.
- Yanlış belirtimden ek koruma için sonuç modellemesi ile çift sağlam bir tahmin edicide birleştirilebilir.
- Ekonomi, epidemiyoloji ve sosyal bilimlerde standart yazılımlarla (R: WeightIt, twang; Python: EconML, zEpid) yaygın olarak uygulanabilir.
- Örtüşme (pozitiflik) geçerli olmalıdır: bazı birimlerin sıfıra veya bire yakın eğilim skorlarına sahip olması durumunda, ağırlıklar patlar ve ML algoritmasından bağımsız olarak tahminler güvenilmez olur.
- ML algoritmaları, lojistik regresyondan daha iyi performans göstermek için daha büyük örneklere ihtiyaç duyar; küçük örneklerde (n < 200) aşırı uyum sağlayabilir ve kararsız ağırlıklar üretebilir.
- Çıkarım, lojistik tabanlı PSW'ye göre daha karmaşıktır: naive tak-çalıştır standart hataları yerine çapraz uydurma standart hataları veya bootstrap gereklidir.
- Yöntem yalnızca gözlemlenen kovaryetleri dengeler; gözlemlenmeyen karıştırıcılar nedensel yorumlama tehdidi olmaya devam eder.
- ML algoritmaları arasında seçim yapma ve hiperparametreleri ayarlama, önceden kaydedilmesi gereken araştırmacı serbestlik dereceleri getirir.
- Örnek bölme olmadan ML eğilim modelini uyarlamak ve nedensel etkiyi tahmin etmek için aynı verilerin kullanılması, kesinliği şişirir ve standart hataları hafife alır.
SSS
Tek bir algoritma her durumda baskın değildir, ancak gradyan artırılmış makineler (GBM) ve süper öğrenici toplulukları simülasyonlarda iyi performans gösterme eğilimindedir. Algoritma seçimi, ağırlıklandırmadan sonra kovaryet dengesi ile yönlendirilmeli, nedensel tahminin büyüklüğü veya anlamlılığı ile değil.
Çapraz uydurma her zaman gerekli midir?
Eğilim skoru için esnek bir ML modeli kullanıldığında çapraz uydurma (örnek bölme) şiddetle tavsiye edilir. Olmadan, birinci aşamadaki aşırı uyum, örneklem büyüklüğü ile küçülmeyen ATE tahmin edicisine yanlılık katabilir, bu DML literatüründe biçimlendirilmiş bir sorundur.
Aşırı ağırlıklarla nasıl başa çıkarım?
Analizden önce ağırlıkları kırpın veya stabilize edin. Yaygın yaklaşımlar arasında eğilim skorları [0.05, 0.95] dışında olan birimleri kaldırmak, ağırlıkları ortalama ağırlığın bir katına kadar sınırlamak veya 0.5 eğilim skoruna yakın birimlere maksimum ağırlık veren örtüşme ağırlıklarını kullanmak yer alır.
ML-PSW, çift sağlam tahmininden nasıl farklıdır?
ML-PSW, ağırlıkları oluşturmak için yalnızca ML ile tahmin edilen eğilim skorunu kullanır. Çift sağlam tahmin, sonucu kovaryetlerin bir fonksiyonu olarak ek olarak modeller; ATE tahmin edicisi daha sonra eğilim modeli veya sonuç modeli doğru bir şekilde belirtilmişse tutarlıdır. ML-PSW'yi bir ML sonuç modeliyle birleştirmek, çift sağlamlığa sahip bir artırılmış IPW (AIPW) tahmin edicisi verir.
Ne kadar büyük bir örneğe ihtiyacım var?
Evrensel bir eşik yoktur, ancak simülasyon kanıtları, ML yöntemlerinin yalnızca örneklem kabaca 500 birimi aştığında ve kovaryet kümesi gerçekten yüksek boyutlu olduğunda lojistik regresyondan güvenilir bir şekilde daha iyi performans gösterdiğini öne sürmektedir. 200'den az gözlemle, lojistik regresyon veya tam eşleştirme daha kararlı olabilir.
StatWise'da ML-destekli eğilim skoru ağırlıklandırması çalıştırın — gözlemsel veri kümenizi yükleyin, tedavi sütununu, sonucu ve kovaryetleri belirtin, bir ML algoritması (GBM, LASSO veya rastgele orman) seçin ve StatWise, çapraz uydurma standart hataları, bir kovaryet denge tablosu ve bir eğilim skoru örtüşme grafiği ile ATE'yi döndürür.
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 ↗
- Lee, B. K., Lessler, J., & Stuart, E. A. (2010). Improving propensity score weighting using machine learning. Statistics in Medicine, 29(3), 337-346. DOI: 10.1002/sim.3782 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Weighting. ScholarGate. https://scholargate.app/tr/causal-inference/machine-learning-augmented-propensity-score-weighting
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
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır