Eşleştirme Tahmincisi
Nonparametric Matching Estimator for Average Treatment Effects · Ayrıca şöyle bilinir: nearest-neighbor matching, NNM, matching on covariates, covariate matching
Eşleştirme tahmincisi, her bir tedavi edilmiş birimi benzer gözlemlenen özelliklere sahip bir veya daha fazla tedavi edilmemiş birimle eşleştirerek tedavinin nedensel etkisini belirler. Rubin (1973) tarafından biçimlendirilmiş ve Abadie ile Imbens (2006) tarafından titiz büyük örneklem teorisi verilmiş olup, parametrik bir sonuç modeli gerektirmeden gözlemsel verilerden güvenilir bir kontrol grubu oluşturur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+15 tane daha
Ne zaman kullanılır
Gözlemsel verilerinizde ikili bir tedavi, sürekli veya ikili bir sonuç ve koşullu bağımsızlık (yanlısızlık) varsayımını makul bir şekilde karşılayan zengin bir gözlemlenen tedavi öncesi kovaryet kümesi olduğunda eşleştirme tahmincisini kullanın. Kovaryet örtüşmesinin iyi olduğu ve örneklemin yakın eşleşmelerin bulunabileceği kadar büyük olduğu durumlarda iyi çalışır. Önemli karıştırıcıların gözlemlenmediği durumlarda kullanmayın - eşleştirme gizli yanlılığı gideremez - veya tedavi atamasının bir eşik veya çalışma değişkenine bağlı olduğu durumlarda (bunun yerine regresyon süreksizliği kullanın). Boyut indirgeme (örneğin, eğilim skoru) ilk olarak uygulanmadıkça, çok yüksek boyutlu kovaryetlerle bundan kaçının.
Güçlü yönler & sınırlılıklar
- Parametrik Olmayan: Sonuç modeli hakkında fonksiyonel form varsayımı yapmaz, model yanlış belirtilme riskini azaltır.
- Şeffaf Karşı-Olgusal Oluşturma: Her tedavi edilmiş birimin kontrol eşleşmesi doğrudan incelenebilir, bu da tasarımı denetlenebilir kılar.
- Heterojen tedavi etkilerini doğal olarak ele alır; ATT, birim düzeyindeki etkilerin basit bir ortalaması olarak tahmin edilir.
- Çeşitli mesafe ölçülerine (Mahalanobis, eğilim skoru, anahtar değişkenlerde kesin) ve eşleşme sayısına esnektir.
- Yanlılık Düzeltmeli Varyans Tahmincisi (Abadie & Imbens), kusurlu eşleşmelerle bile asimptotik olarak geçerli çıkarım sağlar.
- Tamamen Yanlısızlığa Dayanır: Gözlemlenmeyen değişkenler hem tedavi seçimini hem de sonucu yönlendiriyorsa, tahminler yanlıdır ve yanlılık verilerden tek başına tespit edilemez.
- Çok sayıda sürekli kovaryetle performans düşer (boyutluluk laneti): yüksek boyutlu uzaylarda eşleşmeler zayıf kalır.
- Eşlenmemiş kontrol birimlerini atar, potansiyel olarak tüm gözlemleri kullanan ağırlık tahmincilerine kıyasla verimliliği azaltır.
- Değişme olmaksızın standart en yakın komşu eşleştirmesi, kontrol havuzu küçük olduğunda dengesizlik yaratabilir.
- Yanlılık düzeltmesi ek modelleme seçimleri gerektirir (hangi kovaryetler, hangi fonksiyonel form), araştırmacı serbestlik dereceleri ekler.
SSS
Yanlısızlık varsayımı nedir ve ne zaman güvenilirdir?
Yanlısızlık (gözlemlenenlere göre seçim veya koşullu bağımsızlık olarak da adlandırılır), gözlemlenen kovaryetlere göre koşullandıktan sonra, tedavi atamasının potansiyel sonuçlardan bağımsız olduğu durumlarda geçerlidir. En güvenilir olduğu durum, araştırmacıların seçimin tüm ana sürücülerini - örneğin, bir eğitim müdahalesini incelerken ayrıntılı önceki test puanları - yakalayan zengin idari veya anket verilerine erişebildiği durumlardır.
Eşleştirme, eğilim skoru eşleştirmesinden nasıl farklıdır?
Standart eşleştirme, birimleri çok değişkenli bir mesafeye göre doğrudan kovaryet vektöründe eşleştirir; eğilim skoru eşleştirmesi önce kovaryetleri tek bir skaler - tahmin edilen eğilim skoru - içine toplar ve buna göre eşleştirir. Her ikisi de yanlısızlığa dayanır. Doğrudan eşleştirme, eğilim modeli yanlış belirtilmesini önler ancak boyutluluk lanetinden muzdariptir; eğilim eşleştirmesi birçok kovaryeti daha kolay ele alır ancak eğilim modeli seçimine duyarlıdır.
Değişme ile mi yoksa değişmesiz mi eşleştirmeliyim?
Değişme ile eşleştirme, bir kontrol biriminin birden fazla tedavi edilmiş birim için eşleşme olarak kullanılmasına izin verir, bu da eşleşme kalitesini artırır ancak tekrarlanan kullanımı hesaba katan varyans tahmincileri gerektirir. Değişme olmaksızın eşleştirme daha basittir ancak kontrol havuzu sınırlı olduğunda kötü eşleşmeler üretebilir. Tedavi grubu kontrol grubundan önemli ölçüde daha fazla olduğunda genellikle değişme ile eşleştirme tercih edilir.
Kovaryet örtüşmesi zayıfsa ne yapmalıyım?
Zayıf örtüşme - kovaryet uzayının yalnızca tedavi edilmiş veya yalnızca kontrol birimlerinin olduğu bölgeler - oradaki tahminlerin dışdeğerlemeler olduğu anlamına gelir. Eşleştirmeden önce örneklemi ortak destek bölgesine kırpın ve ATT'nin yalnızca kırpılmış popülasyon için geçerli olduğunu açıkça bildirin. Alternatif olarak, örtüşme olmayan bölgede sonucu açıkça modelleyen bir yönteme (örneğin, çift sağlam tahmin) geçin.
Yanlılık düzeltme adımı her zaman gerekli midir?
Örneklem büyüdükçe eşleşme sayısı k sabit tutulduğunda ve kovaryetler sürekli olduğunda tutarlılık için gereklidir, çünkü o zaman kesin eşleştirme imkansızdır ve artık kovaryet dengesizliği birikir. Abadie ve Imbens (2006), düzeltilmemiş tahmincinin bu ortamda tutarsız olduğunu göstermektedir. Yanlılık düzeltmeli sürüm her zaman daha güvenlidir ve MatchIt ve Matching R paketleri gibi modern uygulamalarda varsayılan olarak kullanılır.
Kaynaklar
- Abadie, A., & Imbens, G. W. (2006). Large Sample Properties of Matching Estimators for Average Treatment Effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x ↗
- Rubin, D. B. (1973). Matching to Remove Bias in Observational Studies. Biometrics, 29(1), 159-183. DOI: 10.2307/2529684 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Nonparametric Matching Estimator for Average Treatment Effects. ScholarGate. https://scholargate.app/tr/causal-inference/matching-estimator
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
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır