Makine Öğrenmesi Destekli Regresyon Kesme Tasarımı
Machine Learning-Augmented Regression Discontinuity Design · Ayrıca şöyle bilinir: ML-RDD, ML-augmented RD, data-adaptive RDD, nonparametric RDD with ML
Makine öğrenmesi destekli regresyon kesme tasarımı (ML-RDD), klasik RDD'nin keskin tanımlama mantığını — bir çalışma değişkenindeki bilinen bir atama kesme noktasından yararlanarak — bant genişliği seçimi, koşullu ortalama tahmini ve kovaryant ayarlaması için esnek, veri uyarlamalı ML yöntemleriyle birleştirir. Amaç, eşikteki yerel ortalama tedavi etkisinin daha doğru ve daha az varsayıma dayalı bir tahminini elde etmektir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Keskin veya bulanık bir kesme noktasının tedaviyi atadığı, çalışma değişkeninin eşik yakınında sürekli ve makul derecede yoğun olduğu ve standart düşük dereceli polinom uydurmalarının yanlış belirtilmiş olabileceğine dair anlamlı bir endişe olduğunda — özellikle karmaşık, doğrusal olmayan koşullu ortalama fonksiyonları veya ayarlanmaya değer çok sayıda ön tedavi kovaryantı ile — ML-RDD'yi kullanın. Özellikle algoritmik bant genişliği ve derece seçiminin araştırmacı yargısından daha güvenilir olduğu büyük idari veri kümelerinde değerlidir. Çalışma değişkeninin kesme noktası etrafında hassas bir şekilde manipüle edilebildiği (yoğunluk testi başarısız olduğunda), örneklemin çok küçük olduğu (makul bir bant genişliği içinde ~200 gözlemden az) veya atama kuralında doğal bir süreksizlik olmadığında kullanmayın — bu durumlarda, eşleştirme veya DiD stratejisi tercih edilir.
Güçlü yönler & sınırlılıklar
- Veri uyarlamalı bant genişliği ve derece seçimi, araştırmacı serbestlik derecelerini ve belirtim arama riskini azaltır.
- Esnek ML öğrenicileri, polinom uydurmalarının yanlış temsil ettiği doğrusal olmayan koşullu ortalama fonksiyonlarını yakalayabilir, yanlılığı düşürür.
- ML artıklaştırması yoluyla kovaryant ayarlaması, güçlü parametrik varsayımlar gerektirmeden kesinliği önemli ölçüde artırabilir.
- Klasik RDD'nin keskin yerel tanımlamasını miras alır: yalnızca kesme noktası etrafındaki dar bir penceredeki davranış kullanılır, karıştırıcıyı sınırlar.
- Sağlam bias düzeltilmiş çıkarım prosedürleri (CCT), iyi geliştirilmiştir ve ML tahminli nüans fonksiyonlarıyla uyumludur.
- Tanımlama hala yereldir: tahmin edilen etki yalnızca eşik yakındaki birimlere uygulanır, dış geçerliliği sınırlar.
- ML yöntemleri iyi performans göstermek için daha büyük örneklere ihtiyaç duyar; kesme noktası yakınında ince verilerle, parametrik yerel polinomlar baskın olabilir.
- Manipülasyon olmaması varsayımı geçerli olmalıdır; ML tahmini, ajanların eşik etrafında sıralandığı bir tasarımı kurtaramaz.
- Daha yüksek metodolojik karmaşıklık, sonuçların teknik olmayan kitlelere basit bir yerel polinom RDD'den daha zor iletilmesine neden olur.
- Hangi ML algoritmasının dağıtılacağını dikkatlice seçmeyi gerektirir; farklı algoritmalar, ilkeli bir seçim kuralı olmadan biraz farklı tahminler verebilir.
SSS
ML-RDD standart yerel polinom RDD'den nasıl farklıdır?
Standart RDD, bir polinom derecesini (genellikle 1 veya 2) sabitler ve o polinoma dayalı bir kural veya MSE-optimal bant genişliği kullanır. ML-RDD, bu seçimleri veri uyarlamalı seçicilerle — çapraz doğrulama, lasso tabanlı düzenlileştirme veya regresyon ormanları — değiştirir veya tamamlar; bu seçiciler verilerin uygun fonksiyonel formu ve pencere genişliğini belirlemesine izin vererek analist tarafından seçilen ayarlama parametrelerine olan bağımlılığı azaltır.
ML tahmini kullanmak nedensel yorumlamayı zayıflatır mı?
Hayır. Nedensel tanımlama, tahmin ediciden değil, tasarımdan — kesikli kesme noktası atama kuralından — gelir. ML yöntemleri yalnızca nüans fonksiyonlarını (koşullu ortalamalar ve bant genişlikleri) daha doğru tahmin etmek için kullanılır; tanımlama varsayımı (kesme noktası etrafında sıralama olmaması) değişmez.
ML-RDD'nin standart RDD'den daha iyi performans göstermesi için ne kadar örneklem boyutuna ihtiyaç vardır?
Evrensel bir eşik yoktur, ancak simülasyon kanıtları, veri uyarlamalı bant genişliği seçicilerinin, bant genişliği içinde birkaç yüz gözlem olduğunda sabit dereceli polinomlara güvenilir bir şekilde baskın olmaya başladığını göstermektedir. Bant genişliği içindeki çok küçük örneklerle, CCT bant genişliğine sahip basit bir yerel doğrusal tahminci genellikle daha kararlıdır.
ML-RDD bulanık tasarımları işleyebilir mi, yani tedavi kesme noktası tarafından mükemmel bir şekilde belirlenmediğinde?
Evet. Bulanık bir RDD'de, kesme noktasındaki tedavi olasılığındaki sıçrama, gerçek tedavi için bir araç görevi görür. ML yöntemleri, hem birinci aşama (tedavi alımı) hem de indirgenmiş form (sonuç) regresyonlarına uygulanabilir ve ardından çift yönlü sağlam IV tahminine benzer şekilde bir IV türü oran aracılığıyla birleştirilebilir.
Hangi yazılım paketleri ML destekli RDD'yi uygular?
rdrobust paketi (R ve Stata), bias düzeltilmiş çıkarımla MSE- ve CER-optimal bant genişliği seçimini uygular. grf paketi (R), bir RDD komşuluğuna uygulanabilen nedensel ormanları uygular. Python kullanıcıları ilgili işlevsellik için rdd veya econml'yi kullanabilir.
Kaynaklar
- Calonico, S., Cattaneo, M. D., & Farrell, M. H. (2019). Optimal mean squared error bandwidth selection for regression discontinuity designs. Bernoulli, 25(4A), 2703-2729. link ↗
- Imbens, G., & Wager, S. (2019). Optimized regression discontinuity designs. Review of Economics and Statistics, 101(2), 264-278. DOI: 10.1162/rest_a_00793 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/tr/causal-inference/machine-learning-augmented-regression-discontinuity-design
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bulanık Regresyon Süreksizlik TasarımıNedensel çıkarım↔ karşılaştır
- Makine Öğrenmesi Destekli Farkların Farkı (ML-DiD)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır