Çok Dönemli Çift Sağlam Tahmin
Multi-period Doubly Robust Causal Effect Estimator · Ayrıca şöyle bilinir: longitudinal DR estimation, multi-period DR, multi-wave doubly robust, sequential doubly robust estimation
Çok dönemli çift sağlam (DR) tahmin, klasik çift sağlam yaklaşımı, birden çok tedavi dönemi ve zaman noktası içeren boyluna (longitudinal) ayarlar için genişletir. Her dönem için bir sonuç regresyon modelini ve bir eğilim skoru (propensity score) modelini birleştirir; her zaman noktasında iki modelden en az biri doğru şekilde belirtildiği sürece nedensel etki tahmininin tutarlılığını korur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Uzunlamasına veya panel veriye sahip olduğunuzda, birden çok zaman dönemi, farklı zamanlarda tedavi alan birimler (aşamalı benimseme - staggered adoption) ve tedavi zamanlamasını karıştırabilecek zengin zamanla değişen kovaryantlar kümesi olduğunda çok dönemli çift sağlam tahmin kullanın. Ne seçim sürecini ne de sonuç yörüngesini güvenle belirleyemediğiniz ancak en az birini makul bir şekilde belirleyebildiğiniz durumlarda iyi uyum sağlar. Çok az zaman döneminiz olduğunda (standart bir iki dönemli DiD yeterli olabilir), her dönem için örneklem büyüklükleri çok küçük olduğunda (grup başına 50 birimden az) veya tedavi gözlemlenen kovaryantlar tarafından mükemmel bir şekilde tahmin edildiğinde (pozitiflik ihlali - positivity violation) bundan kaçının.
Güçlü yönler & sınırlılıklar
- Her dönemde eğilim skoru modelinin veya sonuç regresyonunun doğru şekilde belirtildiği sürece tutarlıdır; tek bir modele dayanan yöntemlere göre önemli bir sağlamlık avantajı sağlar.
- Aşamalı tedavi benimsemesini ve heterojen tedavi zamanlamasını doğal olarak barındırır, grup-zaman özel nedensel etkileri hesaplar.
- Her iki modelin de doğru şekilde belirtilmesi durumunda yarı-parametrik olarak verimlidir, bu sınıfta mümkün olan en düşük asimptotik varyansı elde eder.
- Esnektir: modern uygulamalar, yüksek boyutlu kovaryant ayarlamasına olanak tanıyan, eğilim ve sonuç modellerini uydurmak için rastgele ormanlar (random forests) veya LASSO gibi makine öğrenmesi tahmin edicilerine izin verir.
- Kohortlar ve zaman ufukları boyunca heterojen etkileri ağırlıklı ortalamalar kullanarak toplamak için doğal olarak genişler.
- Her zaman noktasında en az bir yardımcı modelin (nuisance model) doğru şekilde belirtilmesini gerektirir; eğer birden fazla dönem boyunca her ikisi de hafifçe yanlış belirtilirse, yanlılık birikebilir.
- Özellikle çok sayıda dönem ve çapraz eşleme (cross-fitting) gerektiren makine öğrenmesi yardımcı modelleri ile tek dönemli DR veya standart DiD'den hesaplama açısından daha yoğundur.
- Çıkarım (inference) karmaşıktır: yardımcı model tahmin belirsizliğini göz ardı eden naif standart hatalar geçersizdir; etki fonksiyonu veya bootstrap tabanlı varyans tahmini gereklidir.
- Pozitiflik varsayımı her dönemde geçerli olmalıdır; ihlallere yakınlık, eğilim ağırlıklarının patlamasına ve varyansın dramatik şekilde artmasına neden olur.
- Toplanmış etki tahminlerinin yorumlanması, birimler arasında tedavi zamanlaması oldukça heterojen olduğunda dikkat gerektirir.
SSS
Çok dönemli DR, standart bir çift sağlam tahmin ediciden nasıl farklıdır?
Standart DR tahmin edicisi tek bir tedavi dönemi ve tek bir sonraki sonucu ele alır. Çok dönemli genişletme, tek seferlik bir DR tahmin edicisinin ele alamayacağı zamanla değişen kovaryantları ve aşamalı tedavi benimsemesini hesaba katarak, çift sağlamlık mantığını tüm zaman noktaları boyunca sıralı olarak uygular.
Makine öğrenmesi yardımcı modelleri ile çift sağlamlık garantisi hala geçerli mi?
Evet, çapraz eşleme (örneklem bölme - sample splitting) kullanıldığı sürece: yardımcı modelleri ayrılmış bir kat (fold) üzerinde tahmin edin ve tahminleri tamamlayıcı kat üzerinde değerlendirin. Çapraz eşleme olmadan, esnek modellerdeki aşırı uyum, çift sağlamlık özelliğini geçersiz kılar.
Pozitiflik varsayımı nedir ve neden önemlidir?
Pozitiflik, her birimin kovaryantları verildiğinde her dönemde tedavi edilme veya edilmeme olasılığının kesin olarak pozitif olmasını gerektirir. İhlaller, eğilim ağırlıklarının patlamasına ve tahminlerin son derece kararsız hale gelmesine neden olur. Tahmin edilen eğilim skorlarının dağılımını sıfıra veya bire yakın değerler için inceleyerek ampirik olarak kontrol edin.
Grup-zaman tedavi etkilerini tek bir özete nasıl toplarım?
Yaygın toplama işlemleri, genel bir ATT üretmek için grup-zaman etkilerini kohort büyüklüğüne göre veya dinamik etkileri vurgulamak için maruz kalma süresine göre ağırlıklandırır. csdid ve did R paketleri, Callaway ve Sant'Anna'nın çerçevesinden doğrudan bu toplamaları uygular.
Ne zaman çok dönemli DR'yi daha basit bir yığılmış DiD'ye tercih etmeliyim?
Ayarlamak istediğiniz zengin zamanla değişen karıştırıcılarınız olduğunda, tedavi zamanlaması rastgele olmaktan daha iyi olmadığında veya tek bir yanlış belirtilmiş modelin tüm analizi geçersiz kılmaması gibi bir sağlamlık garantisine ihtiyaç duyduğunuzda çok dönemli DR'yi seçin.
Kaynaklar
- Bang, H., & Robins, J. M. (2005). Doubly robust estimation in missing data and causal inference models. Biometrics, 61(4), 962-973. DOI: 10.1111/j.1541-0420.2005.00377.x ↗
- Callaway, B., & Sant'Anna, P. H. C. (2021). Difference-in-differences with multiple time periods. Journal of Econometrics, 225(2), 200-230. DOI: 10.1016/j.jeconom.2020.12.001 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multi-period Doubly Robust Causal Effect Estimator. ScholarGate. https://scholargate.app/tr/causal-inference/multi-period-doubly-robust-estimation
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
- Dinamik Farkların FarkıNedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır