Çok Dönemli Eğilim Skoru Ağırlıklandırması
Multi-period Propensity Score Weighting for Causal Inference · Ayrıca şöyle bilinir: longitudinal propensity score weighting, multi-wave PSW, time-varying propensity score weighting, sequential propensity score weighting
Çok dönemli eğilim skoru ağırlıklandırması, standart eğilim skoru ağırlıklandırma çerçevesini tekrarlanan ölçümler ve zamana bağlı tedaviler içeren ayarlar için genişletir. Her zaman noktasında, ağırlıklandırılmış örneklemin bir dizi rastgeleleştirilmiş deneye benzemesini sağlayan, zamana bağlı karıştırıcıların etkilerini ortadan kaldırarak nedensel etkilerin yanlı olmayan tahminine izin veren stabilize edilmiş ters olasılık ağırlıkları (IPW) oluşturur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Birimlerin üç veya daha fazla zaman noktasında gözlemlendiği, tedavi atamasının gelişen kovaryet değerlerine göre her dönemde yeniden kararlaştırıldığı ve zamana bağlı bir tedavi dizisinin nedensel etkisini tahmin etmek istediğinizde çok dönemli PSW kullanın. Epidemiyolojik kohort çalışmaları, yuvarlanan kayıtlı program değerlendirmeleri ve kademeli benimseme ile politika analizleri için uygundur. Tedavinin başlangıçta sabit olduğu durumlarda (standart PSW yeterlidir), güçlü ölçülmemiş zamana bağlı karıştırıcıların olduğu durumlarda (yöntem bunları işleyemez) veya örneklem boyutuna göre zaman periyodu sayısının çok büyük olduğu ve ağırlık çarpımı kararsızlığına neden olduğu durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- Zamana bağlı karıştırıcıları hesaba katar — zamanla değişen ve tedavi-sonuç yolunu aracılık eden kovaryetler, sıralı yeniden ağırlıklandırma yoluyla doğru şekilde ele alınır.
- Sıralı rastgeleleştirilmiş bir denemeye analog bir sözde popülasyon oluşturur, tahmin edilen etkinin net bir nedensel yorumunu sağlar.
- Stabilize edilmiş ağırlıklar, ham IPW'ye göre daha düşük varyansa sahiptir, bu da sonlu örneklem performansını iyileştirir.
- Geniş bir sonuç modeli yelpazesiyle (doğrusal, lojistik, Cox) uyumludur ve ek sağlamlık için çift sağlam tahmincilerle birleştirilebilir.
- Tedavi sonrası değişkenlere koşullandırmaz, standart regresyonda aracılara ayarlamadan kaynaklanacak çarpışan katmanlama yanlılığını önler.
- Her dönemde ardışık göz ardı edilebilirliğe (ölçülmemiş zamana bağlı karıştırıcı olmaması) dayanır — verilerden tam olarak doğrulanamayan güçlü bir varsayım.
- Birçok dönem boyunca ağırlık çarpımları, özellikle uzun takip çalışmalarında, son derece değişken veya aşırı hale gelebilir, bu da dikkatli kırpma ve tanı gerektirir.
- Her dönemde eğilim modelini doğru bir şekilde belirtmeyi gerektirir; herhangi bir dönemin modelinin yanlış belirtilmesi, kümülatif ağırlığa yanlılık yayar.
- Ağırlıklandırmadan sonra etkili örneklem boyutunu önemli ölçüde kaybedebilir, bu da ağırlıklandırılmamış analize kıyasla istatistiksel gücü azaltır.
- Uygulama karmaşıklığı, dönem sayısı ve kovaryet geçmişinin zenginliği ile artar.
SSS
Çok dönemli PSW, standart eğilim skoru ağırlıklandırmasından nasıl farklıdır?
Standart PSW, başlangıçta tahmin edilen tek bir eğilim modelinden tek bir ağırlık oluşturur. Çok dönemli PSW, her zaman diliminde ayrı bir eğilim modeli oluşturur ve dönemlere özgü ağırlıkları çarparak, standart PSW'nin ele alamadığı zamana bağlı tedavileri ve zamana bağlı karıştırıcıları ele almasını sağlar.
Ardışık göz ardı edilebilirlik nedir ve neden önemlidir?
Ardışık göz ardı edilebilirlik, her zaman diliminde, tedavi atamasının, gözlemlenen tedavi ve kovaryet geçmişine koşullu olarak gelecekteki potansiyel sonuçlardan bağımsız olduğu anlamına gelir. Bu, göz ardı edilemezlik varsayımının çok dönemli analoğudur. Önemli herhangi bir zamana bağlı karıştırıcı ölçülmemişse, kümülatif ağırlıklar yanlılığı gideremez ve nedensel tahmin geçersizdir.
Aşırı ağırlıklarla nasıl başa çıkmalıyım?
Sonuç modelini uydurmadan önce kümülatif ağırlıkların dağılımını kontrol edin. Yaygın bir kural, 99. yüzdelik dilimin üzerindeki veya 10 veya 20 gibi sabit bir tavan değerindeki ağırlıkları kırpmaktır. Kırpmadan sonra, kovaryet dengesini ve etkili örneklem boyutunu yeniden kontrol edin. Çok sayıda ağırlık aşırı kalırsa, eğilim modeli yanlış belirtilmiş olabilir veya pozitiflik ihlal edilmiş olabilir.
Çok dönemli PSW'yi çift sağlam yöntemlerle birleştirebilir miyim?
Evet. Çok dönemli ortamda Artırılmış IPW (AIPW) veya hedeflenmiş maksimum olabilirlik tahmini (TMLE), ağırlıklandırma adımını bir sonuç modeliyle birleştirir, böylece eğilim modeli veya sonuç modeli doğru bir şekilde belirtilirse tahmin tutarlı kalır ve yanlış belirtmeye karşı ek koruma sağlar.
Çok dönemli PSW kaç zaman periyodu gerektirir?
Teknik olarak T = 2'den itibaren geçerlidir, ancak yöntemin standart PSW'ye göre avantajı, tedavinin değişebileceği üç veya daha fazla dönemde anlamlı hale gelir. Çok sayıda dönemde (örn. T > 20), ağırlık çarpımı kararsızlığı ciddi bir endişe haline gelir ve g-tahmini veya TMLE gibi alternatif tahminciler tercih edilebilir.
Kaynaklar
- Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC. link ↗
- Cole, S. R., & Hernán, M. A. (2008). Constructing inverse probability weights for marginal structural models. American Journal of Epidemiology, 168(6), 656-664. DOI: 10.1093/aje/kwn164 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multi-period Propensity Score Weighting for Causal Inference. ScholarGate. https://scholargate.app/tr/causal-inference/multi-period-propensity-score-weighting
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır
- Panel Veri Eğilim Puanı AğırlıklandırmasıNedensel çıkarım↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır