Panel Veri Marjinal Yapısal Modeli (MSM)
Panel Data Marginal Structural Model with Inverse Probability Weighting · Ayrıca şöyle bilinir: MSM panel, longitudinal MSM, panel MSM, time-varying treatment MSM
Bir panel veri marjinal yapısal modeli (MSM), zamanla değişen bir tedavinin nedensel etkisini tahmin etmek için birden çok zaman periyodu boyunca ters olasılıkla tedavi ağırlıklandırmasını (IPTW) kullanır, aynı zamanda önceki tedaviden etkilenen zamanla değişen karıştırıcıları uygun şekilde ayarlarken — bu, geleneksel regresyonun başa çıkamayacağı bir yanlılık kaynağıdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Zamanla değişen tedavinin ve zamanla değişen karıştırıcıların tekrarlanan ölçümlerine sahip olduğunuzda ve bu karıştırıcılar nedensel yol üzerinde olduğunda (yani, önceki tedavi gelecekteki karıştırıcıları etkiler) bir panel MSM kullanın. Bu durum, longitudinal klinik çalışmalarda, gözlemsel kohort çalışmalarında ve tedavi atamasının dalgalar arasında değiştiği sosyo-bilimsel panel çalışmalarında ortaya çıkar. Tedavi ve karıştırıcılar arasında geri bildirim olduğunda standart panel regresyonuna tercih edilir. Tüm karıştırıcılar zamanla değişmez olduğunda (sabit etkili panel modeli yeterlidir), panel dalgalarının sayısı çok az olduğunda (kesitsel karıştırıcılarla iki periyot) veya ölçülmemiş karıştırmanın şiddetli olması muhtemel olduğunda (hiçbir ağırlıklandırma yöntemi ölçülmemiş karıştırmayı çözmez) kullanmayın.
Güçlü yönler & sınırlılıklar
- Önceki tedavinin aracılık ettiği veya neden olduğu zamanla değişen karıştırıcıları doğru bir şekilde ele alır — standart regresyonun yanlı olduğu bir senaryo.
- Koşullu bir etki yerine marjinal (popülasyon-ortalama) bir nedensel etki üretir, bu da sonuçları daha doğrudan politika açısından ilgili hale getirir.
- Stabilize edilmiş ağırlıklar, aşırı ağırlıklandırma sorunlarını azaltır ve stabilize edilmemiş IPW'ye kıyasla sonlu örnek verimliliğini artırır.
- Ağırlıklar hesaplandıktan sonra standart GEE veya WLS yazılımlarıyla uyumludur, bu da uygulamayı erişilebilir kılar.
- Zamanla doz-yanıt ve çok değerli tedavi rejimlerine doğal olarak genişler.
- Her zaman noktasında ölçülmemiş karıştırma olmaması (sıralı değişebilirlik) varsayımını gerektirir — konu alanına dayalı olarak savunulması gereken, test edilemeyen bir koşul.
- Aşırı ters olasılık ağırlıkları (sıfıra yakın eğilim skorları) oldukça kararsız tahminlere yol açabilir; ağırlık kesilmesi yaygındır ancak yanlılık getirir.
- Her dalgada tedavi modellerini iyi tahmin etmek için büyük örnekler gerektirir; dönem başına seyrek veri ile performans düşer.
- Tedavi eğilim modelindeki model yanlış belirtilmesi, yanlı ağırlıklara ve yanlı nedensel tahminlere doğrudan yayılır.
SSS
Standart regresyon, zamanla değişen karıştırıcıları kovaryant olarak dahil ederek koşullandırır, bu da bu karıştırıcılar önceki tedavi tarafından etkilendiğinde nedensel yolları engeller. MSM'ler bunun yerine karıştırıcıların koşullandırma olmadan dengelenmesini sağlamak için gözlemleri yeniden ağırlıklandırır, tedavi-karıştırıcı geri bildirimi varlığında bile nedensel etkiyi doğru bir şekilde tahmin eder.
Sıralı değişebilirlik varsayımı nedir ve neden önemlidir?
Sıralı değişebilirlik (her zaman noktasında ölçülmemiş karıştırma olmaması), t zamanına kadar olan gözlemlenen tedavi ve kovaryant geçmişine koşullu olarak, t'deki tedavi atamasının potansiyel sonuçlardan bağımsız olduğunu belirtir. Bu herhangi bir dalgada başarısız olursa, IPTW ağırlıkları tüm karıştırmayı gidermez ve nedensel tahmin yanlı olur. Yalnızca verilerden test edilemez.
Aşırı ters olasılık ağırlıkları nasıl ele alınmalıdır?
Her dalgada ağırlık dağılımını inceleyin. Yaygın stratejiler arasında stabilize edilmiş ağırlıklar (pay ve payda eğilim skorlarını bölme), seçilen bir yüzdelik dilimde (örneğin, %99) ağırlık kesilmesi ve sıfıra yakın eğilim skorlarına sahip birimleri kırpma yer alır. Her yaklaşım, varyans için yanlılık takası yapar, bu nedenle farklı eşiklerde duyarlılık analizleri tavsiye edilir.
Sadece iki zaman periyodu ile panel MSM kullanabilir miyim?
Teknik olarak evet, ancak yalnızca iki dalga ile düzeltilecek çok az tedavi-karıştırıcı geri bildirimi vardır. Bu durumda, çift-sağlam bir tahmin edici, eğilim skoru ağırlıklandırmalı DiD veya tek bir zaman noktasında daha basit bir IPW yaklaşımı daha verimli ve eşit derecede geçerli olabilir.
Ağırlıklı sonuç modeli için standart hataları ve güven aralıklarını nasıl tahmin ederim?
Ağırlıklı modelden gelen sıradan regresyon standart hataları yanlıştır çünkü tahmin edilen ağırlıklardaki değişkenliği hesaba katmazlar. Geçerli güven aralıkları elde etmek için GEE aracılığıyla sağlam sandviç standart hataları kullanın veya tüm prosedürü — hem ağırlık tahminini hem de sonuç modelini — önyükleyin.
Personel-dönem panel veri kümenizi yükleyerek, zamanla değişen tedavi, sonuç ve kovaryant sütunları belirterek ve MSM modülünü seçerek StatWise'da bir panel MSM çalıştırın. StatWise, dalga dalga stabilize edilmiş IPTW ağırlıklarını tahmin eder, ağırlıklı GEE sonuç modelini uydurur ve sağlam güven aralıkları ve bir ağırlık dağılımı tanısal grafiği ile marjinal nedensel etkiyi raporlar.
Kaynaklar
- Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560. DOI: 10.1097/00001648-200009000-00011 ↗
- Hernan, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Panel Data Marginal Structural Model with Inverse Probability Weighting. ScholarGate. https://scholargate.app/tr/causal-inference/panel-data-marginal-structural-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır
- Panel Veri Farkların Farkı (Panel DiD / TWFE)Nedensel çıkarım↔ karşılaştır
- Panel Veri Ters Olasılık AğırlıklandırmasıNedensel çıkarım↔ karşılaştır
- Panel Veri Sabit Etkiler ModeliEkonometri↔ karşılaştır