Panel Veri Nedensel Etki Analizi
Panel Data Causal Impact Analysis · Ayrıca şöyle bilinir: Panel CausalImpact, multi-unit causal impact, panel BSTS causal inference, panel structural time-series causal analysis
Panel veri nedensel etki analizi, Brodersen ve ark. (2015) tarafından geliştirilen Bayesci yapısal zaman serisi yaklaşımını çok birimli panel ortamlarına genişleterek, kontrol birimlerini bir kaynak havuzu olarak kullanarak birden fazla müdahale edilmiş birim için eş zamanlı olarak karşı-olguyu tahmin eder. Müdahale sonrası her zaman noktası için, birimler ve dönemler üzerinden toplulaştırılmış nedensel etkinin güvenilir aralıklarını üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Birden fazla müdahale edilmiş birimi eş zamanlı olarak etkileyen bir müdahaleniz olduğunda, net bir müdahale öncesi ve sonrası penceresi olan panel zaman serisi verileriniz olduğunda ve bir kaynak havuzu olarak hizmet veren müdahale edilmemiş kontrol birimleriniz olduğunda panel veri nedensel etki analizini kullanın. Özellikle müdahale edilmiş birim sayısı orta düzeyde (2-30) olduğunda ve tek bir birimin güvenilir çıkarım için yeterli veri sağlamadığı durumlarda özellikle değerlidir. Temiz bir müdahale tarihi olmadığında, kontrol havuzu küçük veya yetersiz eşleşmiş olduğunda, müdahale öncesi dönem çok kısa olduğunda (20 zaman noktasından az) veya birimlerin paylaşılan bir modelin bozacağı derecede yüksek derecede heterojen dinamiklere sahip olduğu durumlarda uygun değildir.
Güçlü yönler & sınırlılıklar
- Eş zamanlı olarak birden fazla müdahale edilmiş birimi ele alır, istatistiksel gücü havuzlar ve hem birim-özgü hem de toplu etki tahminleri üretir.
- Sivri ve plakalı önsel olasılıklar aracılığıyla otomatik kovaryet seçimi, çok sayıda kontrol birimi mevcut olduğunda aşırı uyum riskini azaltır.
- Tam Bayesci posterior, asimptotik yaklaşımlar yerine gerçek güvenilir aralıklar üretir, karşı-olgu hakkındaki belirsizliği yansıtır.
- Yapısal zaman serisi bileşenleri aracılığıyla yerel eğilimleri ve mevsimsel örüntüleri barındırır, bu da onu durağan olmayan sonuçlara karşı dayanıklı kılar.
- Her birim için gözlemlenen ve karşı-olgu yörüngeleri ile kümülatif etki grafiklerini içeren sezgisel görselleştirmeler üretir.
- Güvenilir durum-uzay bileşenlerini ve kovaryet ağırlıklarını uydurmak için yeterli bir müdahale öncesi dönem (tipik olarak en az 20 zaman noktası) gerektirir.
- Hesaplama açısından yoğundur: Çok sayıda birim ve zaman noktası üzerinde MCMC uydurma, ayarlanmış örnekleyiciler olmadan yavaş olabilir.
- Karşı-olgu geçerliliği, kontrol kaynak havuzunun kalitesine bağlıdır; yetersiz eşleşmiş kontrol birimleri yanıltıcı aralıklar üretir.
- Tüm nedensel etki yöntemleri gibi, müdahale edilmemiş kontrol birimlerine sıçramaları, kararlı birim tedavi değeri varsayımını ihlal ettiği için ele alamaz.
SSS
Bu, her müdahale edilmiş birim için ayrı ayrı CausalImpact çalıştırmaktan nasıl farklıdır?
Ayrı modeller çalıştırmak, müdahale edilmiş birimler arasındaki korelasyonları göz ardı eder ve müdahale öncesi dönemdeki paylaşılan bilgiyi atar. Panel versiyonu, kovaryet ağırlıklarını ve durum-uzay parametrelerini havuzlar, daha kararlı tahminler sağlar - özellikle bireysel müdahale öncesi dönemler kısa olduğunda - ve belirsizliği doğru bir şekilde yayarak etkileri birimler üzerinden doğal olarak toplar.
Kaç adet müdahale öncesi zaman noktası gereklidir?
Pratik bir kural olarak, BSTS modelinin eğilim ve mevsimsel yapıyı güvenilir bir şekilde öğrenebilmesi için birim başına en az 20 müdahale öncesi zaman noktası önerilir. Daha kısa müdahale öncesi dönemler, geniş, bilgilendirici olmayan güvenilir aralıklara yol açar.
İyi bir kaynak havuzunu ne oluşturur?
Kontrol birimleri, müdahaleden makul bir şekilde etkilenmemiş olmalı, müdahale edilmiş birimlerle benzer müdahale öncesi dinamiklere sahip olmalı ve aynı popülasyondan çekilmiş olmalıdır. Kötü bir kaynak havuzu - yapısal olarak farklı eğilimlere sahip birimler - model ne kadar sofistike olursa olsun karşı-olgu değerini baltalar.
Nedensel iddiayı nasıl doğrulamalıyım?
Müdahale tarihini yapay olarak müdahale öncesi döneme kaydırarak ve modelin yanlış bir etki tespit etmediğini kontrol ederek plasebo testleri yapın. Ayrıca modeli bilinen-sıfır kontrol birimlerine uygulayın ve sıfıra yakın tahmin edilen etkileri doğrulayın.
Dengesiz bir panel ile kullanabilir miyim?
Evet, ancak eksik gözlemler MCMC'yi karmaşıklaştırabilir ve birim-özgü atama veya durum-uzay çerçevesi içinde rastgele eksik varsayımların dikkatli bir şekilde ele alınmasını gerektirebilir.
Kaynaklar
- Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N., & Scott, S. L. (2015). Inferring causal impact using Bayesian structural time-series models. Annals of Applied Statistics, 9(1), 247-274. DOI: 10.1214/14-AOAS788 ↗
- Abadie, A., Diamond, A., & Hainmueller, J. (2010). Synthetic control methods for comparative case studies: Estimating the effect of California's tobacco control program. Journal of the American Statistical Association, 105(490), 493-505. DOI: 10.1198/jasa.2009.ap08746 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Panel Data Causal Impact Analysis. ScholarGate. https://scholargate.app/tr/causal-inference/panel-data-causal-impact-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Nedensel Etki AnaliziNedensel çıkarım↔ karşılaştır
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Panel Veri Farkların Farkı (Panel DiD / TWFE)Nedensel çıkarım↔ karşılaştır
- Kesintili Zaman Serisi Panel VerileriNedensel çıkarım↔ karşılaştır
- Panel Veri Sentetik Kontrol YöntemiNedensel çıkarım↔ karşılaştır
- Sentetik Kontrol Yöntemi (SCM)Nedensel çıkarım↔ karşılaştır