Çok Dönemli Karşı-Olgusal Etki Değerlendirmesi
Multi-period Counterfactual Impact Evaluation · Ayrıca şöyle bilinir: multi-period CIE, longitudinal counterfactual evaluation, dynamic counterfactual impact evaluation, multi-wave CIE
Çok dönemli Karşı-Olgusal Etki Değerlendirmesi (CIE), müdahale edilmemiş olsalardı tedavi edilen birimlerde birden çok zaman periyodunda ne olacağını inşa ederek bir politikanın veya programın nedensel etkisini tahmin eder. Tek dönemli değerlendirmelerin aksine, tedavi etkilerini zamanla nasıl evrildiklerini izleyerek, iki dönemli bir karşılaştırmanın kaçıracağı dinamik, gecikmiş veya azalan etkileri yakalar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Panel veya tekrarlanan kesitsel verilerin birden çok dalga boyunca uzandığı ve bir programın etkisinin müdahale sonrası nasıl evrildiğini — sadece tek bir noktada bir etkisi olup olmadığını değil — izlemeniz gerektiğinde çok dönemli CIE'yi kullanın. Tedavinin emici olduğu (birimler tedavi edilmiş olarak kalır) veya kademeli benimsemenin periyot-periyot dökümüne ihtiyaç duyduğu durumlarda uygundur. Yalnızca tek bir müdahale öncesi ve tek bir müdahale sonrası periyodunuz olduğunda (standart iki dönemli DiD yeterlidir), sonucun çok seyrek ölçüldüğü için dinamikleri ortaya çıkaramadığı veya karşılaştırma grubunun tüm zaman dilimi boyunca tedavi edilen gruptan inanılmaz derecede farklı olduğu durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- Etkilerin arttığını, durağanlaştığını veya azaldığını — toplu tahminlerin gizlediği — tedavi etkilerinin zamansal dinamiklerini ortaya çıkarır.
- Müdahale öncesi periyot tahminleri, nedensel güvenilirliği güçlendiren yerleşik bir yanlışlama testi görevi görür.
- Çeşitli belirleme stratejileriyle uyumludur: eşleştirme, ters olasılık ağırlıklandırma, regresyon ayarlaması veya sentetik kontrol.
- Özellikle etkilerin gecikmeyle gerçekleşmesi beklenen politika değerlendirme bağlamları için çok uygundur.
- Kümülatif etki tahminleri, çok yıllık bir ufukta maliyet-fayda analiziyle doğrudan ilgilidir.
- Yeterli sayıda iyi ölçülmüş müdahale sonrası periyot gerektirir; seyrek veya gürültülü veriler periyot-spesifik tahminlerdeki belirsizliği artırır.
- Paralel-eğilimler (veya karışmamışlık) varsayımı, sadece ortalama olarak değil, her periyotta geçerli olmalıdır — herhangi bir periyottaki ihlaller o periyodun tahminini bozar.
- Kademeli benimseme ile, birimler farklı zamanlarda tedaviye girer, bu da periyot-spesifik tahminlerin toplanmasını karmaşıklaştırır ve karşılaştırma grubunu kirletmekten kaçınmak için dikkat gerektirir.
- Tahmin ve sunum, tek dönemli bir değerlendirmeden daha karmaşıktır, bu da pratik uygulama ve iletişim için engeli yükseltir.
- Dalgalar boyunca aşınma veya panel dengesizliği, zamanla karşılaştırılabilirliği zayıflatan seçim yanlılığına neden olabilir.
SSS
Çok dönemli CIE, standart farkların farkı yönteminden nasıl farklıdır?
Standart DiD, genellikle iki periyottan tek bir önce-sonra tahmini üretir. Çok dönemli CIE, tedavi etkisini her müdahale sonrası periyotta ayrı ayrı tahmin ederek dinamik bir etki profili çizer. Dinamik DiD yakın bir akrabadır, ancak CIE, regresyonun yanı sıra eşleştirme ve ağırlıklandırma yaklaşımlarını daha geniş bir şekilde kapsar ve özellikle Avrupa'daki politika değerlendirme pratiği ile ilişkilidir.
Kaç periyot gereklidir?
En az iki müdahale öncesi periyot (paralel müdahale öncesi eğilimleri doğrulamak için) ve iki veya daha fazla müdahale sonrası periyot (dinamikleri tespit etmek için). Pratikte, her iki tarafta beş veya daha fazla dalgadan oluşan daha zengin paneller daha güvenilir sonuçlar ve daha bilgilendirici dinamik profiller üretir.
Birimler farklı zamanlarda tedavi edildiğinde (kademeli benimseme) ne olur?
Kademeli giriş, çok dönemli CIE'yi karmaşıklaştırır çünkü geç adopters, kendileri tedavi edilene kadar erken adopters için kontrol görevi görebilirler. Callaway ve Sant'Anna (2021) veya Borusyak vd. (2024) tarafından geliştirilen modern tahmin ediciler, grup-zaman ATT'lerini oluşturarak ve bunları kirlilikten arındırılmış bir şekilde temizleyerek bununla başa çıkar.
Karşı-olgusalın geçerli olup olmadığını nasıl test ederim?
Tahmin ediciyi müdahale öncesi pencereye uygulayın: eğer müdahaleden önceki periyotlarda sıfırdan istatistiksel olarak ayırt edilemeyen etkiler üretiyorsa, karşı-olgusal yapı desteklenir. Ek olarak, gözlemlenen müdahale sonrası etkilerin şansın tek başına üreteceğinden daha fazla olup olmadığını kontrol etmek için tedaviyi rastgele yeniden atayarak permütasyon veya plasebo testleri çalıştırın.
Çok dönemli CIE, zamanla değişen kovaryantları işleyebilir mi?
Evet, ancak dikkatle. Kovaryantlar zamanla değişirse ve kendileri tedavi tarafından etkilenirse (müdahale sonrası değişkenler), onlara koşmak bir çarpışma yanlılığına neden olabilir. Zamanla değişen ters olasılık ağırlıklandırmalı marjinal yapısal modeller, tedavi ve kovaryantların birlikte evrildiği durumlarda uygun araçtır.
Kaynaklar
- Caliendo, M., & Kopeinig, S. (2008). Some Practical Guidance for the Implementation of Propensity Score Matching. Journal of Economic Surveys, 22(1), 31-72. DOI: 10.1111/j.1467-6419.2007.00527.x ↗
- Lechner, M. (2010). The Estimation of Causal Effects by Difference-in-Difference Methods. Foundations and Trends in Econometrics, 4(3), 165-224. DOI: 10.1561/0800000014 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multi-period Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/tr/causal-inference/multi-period-counterfactual-impact-evaluation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karşı-olgusal Etki Değerlendirmesi (CIE)Nedensel çıkarım↔ karşılaştır
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Dinamik Farkların FarkıNedensel çıkarım↔ karşılaştır
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır