Çoklu Dönem Kesintili Zaman Serisi
Multi-period Interrupted Time Series Analysis · Ayrıca şöyle bilinir: multi-period ITS, multiple-interruption ITS, segmented time series with multiple breakpoints, MITS
Çoklu Dönem Kesintili Zaman Serisi (MITS), aynı seri içinde bilinen zaman noktalarında iki veya daha fazla müdahalenin gerçekleştiği durumlar için klasik ITS çerçevesini genişletir. Birden fazla kırılma noktasına sahip kesikli bir regresyon uydurarak, MITS, her müdahaleye atfedilebilen seviye değişikliğini ve eğim değişikliğini, altta yatan seküler eğilimi ve önceki kesintilerin etkilerini kontrol ederken tahmin eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tek bir toplu veya bireysel düzeyde zaman serisi, segment başına en az 10-12 gözlem kapsayan ve bilinen, dışsal olarak tanımlanmış zaman noktalarında iki veya daha fazla müdahalenin gerçekleştiği durumlarda MITS'i kullanın. Sıralı politika değişiklikleri, klinik kılavuz güncellemeleri veya eşzamanlı bir kontrol grubu bulunmadığı durumlarda düzenleyici değişiklikler için uygundur. Kırılma noktalarının sonradan verileri tarayarak seçildiği, segment başına 8-10 gözlemden az olduğu, segmentler içindeki karıştırıcı olayların dışlanamadığı veya kontrol karşılaştırma serisinin mevcut olduğu ve kontrollü bir ITS'nin mümkün olacağı durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- Tek, tutarlı bir modelde birden fazla müdahalenin her birinden kaynaklanan ani seviye kaymalarını ve kademeli eğilim değişikliklerini yakalar.
- Müdahale dönemleri arasındaki gözlemleri atmadan zaman serisi verilerinden tam olarak yararlanır.
- Her müdahale için ayrı bir karşı-olgusal ekstrapolasyon ve etki tahmini sağlar, bu da politika aşamalarının doğrudan karşılaştırılmasına olanak tanır.
- Aynı regresyon çerçevesi içinde kontrol serilerini, mevsimsel terimleri veya otokorelasyon düzeltmelerini içerebilir.
- Rastgeleleştirme veya eşleştirilmiş kontrollerin bulunmadığı rutin olarak toplanan idari verilere uygulanabilir.
- Tüm kırılma noktası tarihlerinin önsel bilgisini gerektirir; veriye dayalı kırılma noktası araması, çıkarım çerçevesini geçersiz kılar.
- Paralel segmentler varsayımı, müdahaleler arasında gözlemlenmeyen şoklar meydana gelirse başarısız olabilir.
- Serbestlik dereceleri hızla tüketilir: K kırılma noktası 2K parametre ekler, bu nedenle birçok müdahalenin olduğu kısa seriler güçsüzleşir.
- Otokorelasyon düzeltmeleri karmaşıklık katar ve dikkatli model seçimi gerektirir; hata yapısının yanlış belirtilmesi standart hataları yanlı hale getirir.
- Daha sonraki müdahaleler için etki tahminleri, önceki kırılma noktalarının nasıl modellendiğine duyarlı olabilir.
SSS
Segment başına kaç gözleme ihtiyacım var?
Hem seviye hem de eğim değişikliğini güvenilir bir şekilde tahmin etmek için segment başına en az 10-12 gözlem. Daha az nokta çok geniş güven aralıkları üretir ve seviye-eğim ayrımını güvenilmez hale getirir. Segmentler kısaysa, bitişik müdahaleleri birleştirmeyi veya yalnızca seviye değişiklikleri olan daha basit bir model kullanmayı düşünün.
Kırılma noktalarını verilerin en çok değiştiği yerlere bakarak seçebilir miyim?
Hayır. Kırılma noktaları, politika tarihleri veya kılavuz yayın tarihleri gibi harici bilgilerden önsel olarak belirlenmelidir. Seriyi büyük kaymalar için tarayarak seçmek, veriler tarafından üretilen hipotezleri test etmeye eşdeğerdir, bu da Tip I hata oranını artırır ve tahminleri nedensel nicelikler olarak yorumlanamaz hale getirir.
MITS, her müdahale için ayrı ITS modelleri çalıştırmaktan nasıl farklıdır?
Ayrı ITS modelleri, sonraki segmentlerin önceki segmentlerden yörüngeyi miras aldığını göz ardı eder. MITS, tüm kesintileri ortaklaşa modeller, mevcut eğilimi her bir sonraki segmentin karşı-olgusal durumuna doğru bir şekilde yayar. Ayrı analizler, sonraki müdahaleleri önceki müdahalelerden kalan etkiler veya eğilim değişiklikleriyle karıştırır.
Zaman serim mevsimsel desenler gösteriyorsa ne olur?
Kırılma noktası etkilerini tahmin etmeden önce mevsimselliği gidermek için regresyona harmonik terimler veya aylık kukla değişkenler ekleyin. Modellenmemiş mevsimsellik, özellikle müdahaleler mevsimsel dip veya zirvelere denk geldiğinde, yanlış seviye veya eğim tahminleri üretebilir.
Bir kontrol grubu gerekli mi?
Kesinlikle değil, ancak eşzamanlı bir kontrol serisi, müdahalelerden bağımsız olarak sonuca etki eden karıştırıcı olayları dışlayarak nedensel yorumlamayı büyük ölçüde güçlendirir. Makul bir kontrol serisi mevcut olduğunda, kontrollü bir MITS, kontrolsüz tek serili analize şiddetle tercih edilir.
Kaynaklar
- Kontopantelis, E., Doran, T., Springate, D. A., Buchan, I., & Reeves, D. (2015). Regression based quasi-experimental approach when randomisation is not an option: interrupted time series analysis. BMJ, 350, h2750. DOI: 10.1136/bmj.h2750 ↗
- Bernal, J. L., Cummins, S., & Gasparrini, A. (2017). Interrupted time series regression for the evaluation of public health interventions: a tutorial. International Journal of Epidemiology, 46(1), 348-355. DOI: 10.1093/ije/dyw098 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multi-period Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/tr/causal-inference/multi-period-interrupted-time-series
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
- Dinamik Kesintili Zaman SerileriNedensel çıkarım↔ karşılaştır
- Kesintili Zaman Serisi (KZS) AnaliziNedensel çıkarım↔ karşılaştır
- Kesintili Zaman Serisi Panel VerileriNedensel çıkarım↔ karşılaştır
- Panel Olay ÇalışmasıNedensel çıkarım↔ karşılaştır