Makine Öğrenmesi Destekli Sentetik Kontrol Yöntemi
Machine Learning-Augmented Synthetic Control Method · Ayrıca şöyle bilinir: ML-augmented SCM, augmented synthetic control, ASC, penalized synthetic control
Makine öğrenmesi destekli sentetik kontrol yöntemi, klasik sentetik kontrol tahmincisini, bağışçı ağırlıklarını oluşturmak ve müdahale öncesi sonuç yörüngelerini modellemek için cezalı regresyon veya lasso, ridge ya da rastgele ormanlar gibi diğer makine öğrenmesi (ML) algoritmalarını kullanarak genişletir. Bu destekleme, standart ağırlıklandırma adımının bıraktığı artık dengesizliği düzeltir ve mükemmel bir sentetik kontrolün bulunmadığı durumlarda daha düşük yanlılık sağlar.
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, uzun zaman periyotları boyunca gözlemlenen tek bir müdahale gören biriminiz (veya az sayıda) olduğunda, müdahale görmemiş bağışçı birimleriniz olduğunda ve bilinen bir başlangıç tarihi olan açıkça tanımlanmış bir müdahaleniz olduğunda kullanın. Özellikle standart sentetik kontrolün iyi bir müdahale öncesi uyum sağlayamadığı durumlarda — birçok bağışçı veya yüksek boyutlu kovaryatlar ile yaygın bir durum — değerlidir. Aynı anda birçok müdahale gören biriminiz olduğunda (farkların farkı yöntemini tercih edin), müdahale öncesi dönem çok kısa olduğunda (sonuç modelini eğitmek için çok az bilgi) veya bağışçı birimlerinin müdahaleden kısmen etkilenmiş olabileceği durumlarda (yayılma etkileri) kullanmayın.
Güçlü yönler & sınırlılıklar
- Mükemmel bir bağışçı kombinasyonu bulunmadığında, prensipli bir ML tabanlı destekleme terimi aracılığıyla klasik sentetik kontrolün yanlılığını düzeltir.
- Standart dışbükey ağırlıklandırmanın başarısız olduğu büyük bağışçı havuzlarını, bağışçıları otomatik olarak seçmek ve ağırlıklandırmak için cezalandırma uygulayarak yönetir.
- Sentetik kontrol ağırlıklandırma adımının yorumlanabilirliğini korurken, veri odaklı bir sonuç modelinin esnekliğini ekler.
- Çift sağlam: ağırlık modeli veya sonuç modeli doğru belirtilmişse tutarlıdır.
- Sentetik kontroller için zaten oluşturulmuş standart plasebo tabanlı çıkarım prosedürleriyle uyumludur.
- ML sonuç modelini eğitmek için yeterince uzun bir müdahale öncesi zaman serisi gerektirir; kısa müdahale öncesi dönemler güvenilmez destekleme sağlar.
- ML modeli, müdahale öncesi dönemlerin sayısına göre çok esnekse, yanlılık düzeltmesi aşırı uyum sağlayabilir; bu da dikkatli çapraz doğrulama veya düzenlileştirme gerektirir.
- Plasebo testleri aracılığıyla çıkarım, yalnızca yeterli sayıda bağışçı birimi mevcut olduğunda geçerlidir; yaklaşık 20'den az bağışçı olduğunda, permütasyon p-değerleri kabadır.
- Destekleme bileşeninin yorumlanması, orijinal sentetik kontrol ağırlıklarından daha az şeffaftır, bu da teknik olmayan kitlelere iletişimi zorlaştırabilir.
- Tüm sentetik kontrol yaklaşımları gibi, bir veya çok az müdahale gören birimin olduğu durumlar için tasarlanmıştır; birçok müdahale gören birime ölçeklendirme farklı yöntemler gerektirir.
SSS
Bu, klasik sentetik kontrolden nasıl farklıdır?
Klasik sentetik kontrol, müdahale öncesi dengesizliği minimize eden bağışçı ağırlıkları bulur, ancak ağırlıklandırma sonrası kalan herhangi bir artık dengesizliği düzeltemez. Desteklenmiş versiyon, bu artığı açıklayan ML ile tahmin edilmiş bir yanlılık terimi ekler ve mükemmel bir sentetik eşleşmenin bulunmadığı durumlarda — ki bu pratikte yaygın bir durumdur — daha düşük yanlılık sağlar.
Sonuç modeli için hangi ML algoritmasını kullanmalıyım?
Ridge regresyonu, Ben-Michael ve diğerleri (2021) tarafından önerilen varsayılan yöntemdir çünkü hızlı, kararlı ve düzenlileştirme parametresi müdahale öncesi katlamalar üzerinde çapraz doğrulama ile seçilebilir. Lasso veya elastic net, birçok kovaryatın elenmesi gerektiğinde faydalı olabilir. Parametrik olmayan yöntemler, aşırı uyumu önlemek için uzun müdahale öncesi dönemler gerektirir.
Çıkarımı nasıl yaparım?
Standart yaklaşım bir permütasyon (plasebo) testidir: her bir bağışçı birimi üzerinde, onu sözde müdahale gören birim olarak ele alarak tam olarak aynı prosedürü uygulayın. p-değeri, müdahale sonrası uyum hatası gerçek müdahale gören biriminki kadar veya ondan daha büyük olan bağışçı birimlerinin oranıdır. Bu, bilgilendirici p-değerleri için en az 20 bağışçı gerektirir.
Birden fazla müdahale gören birimim varsa ne olur?
Sentetik kontrol çerçevesi — desteklenmiş olsun ya da olmasın — bir veya çok az müdahale gören birim için tasarlanmıştır. Aynı veya kademeli zamanlarda müdahale gören birçok birimle, farkların farkı veya kademeli farkların farkı tahmincileri daha uygundur.
Müdahale öncesi dönem ne kadar uzun olmalıdır?
En az müdahale sonrası dönem kadar uzun olmalı ve ideal olarak birkaç kat daha uzun olmalıdır. Kısa bir müdahale öncesi dönem, ML modelinin sonuç ilişkisini öğrenme yeteneğini sınırlar ve destekleme düzeltmesini güvenilmez hale getirir. Kabaca bir rehber olarak, en az 20 müdahale öncesi dönem hedefleyin.
Kaynaklar
- Ben-Michael, E., Feller, A., & Rothstein, J. (2021). The augmented synthetic control method. Journal of the American Statistical Association, 116(536), 1789-1803. DOI: 10.1080/01621459.2021.1929245 ↗
- Abadie, A. (2021). Using synthetic controls: Feasibility, data requirements, and methodological aspects. Journal of Economic Literature, 59(2), 391-425. DOI: 10.1257/jel.20191450 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Machine Learning-Augmented Synthetic Control Method. ScholarGate. https://scholargate.app/tr/causal-inference/machine-learning-augmented-synthetic-control-method
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Nedensel Etki AnaliziNedensel çıkarım↔ karşılaştır
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Makine Öğrenmesi Destekli Farkların Farkı (ML-DiD)Nedensel çıkarım↔ karşılaştır
- Panel Veri Sentetik Kontrol YöntemiNedensel çıkarım↔ karşılaştır
- Sentetik Kontrol Yöntemi (SCM)Nedensel çıkarım↔ karşılaştır