Panel Veri Eğilim Puanı Ağırlıklandırması
Panel Data Propensity Score Weighting Estimator · Ayrıca şöyle bilinir: panel PSW, panel IPW, longitudinal propensity score weighting, panel inverse probability weighting
Panel Veri Eğilim Puanı Ağırlıklandırması (panel PSW), aynı birimlerin birden çok zaman periyodunda gözlemlendiği boylamsal ortamlara ters olasılık ağırlıklandırmasını genişletir. Her birimin zamana bağlı tedavi alma olasılığının tersiyle gözlemleri yeniden ağırlıklandırarak, her periyotta gözlemlenen kovaryetler üzerinde tedavinin dengelendiği bir sözde popülasyon oluşturur ve ardından tekrarlanan ölçümler verilerinden nedensel etkileri 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
Uzunlamasına verileriniz aynı birimler üzerinde birden çok periyot boyunca olduğunda ve rastgele atanmamış bir tedavinin nedensel etkisini tahmin etmek istediğinizde panel veri PSW'yi kullanın. Tedavi alımının ölçülebilen zamana bağlı kovaryetlere bağlı olduğu ve tedavi etkisinin, tedavi alanlarla değil, tüm popülasyon için (ATE) ilgi çekici olduğu durumlarda iyi uygundur. Önemli karıştırıcıların gözlemlenmediği veya ölçülmediği durumlarda kullanmayın, çünkü PSW yalnızca gözlemlenen kovaryetler üzerinde dengeler. Çok az tekrarlanan periyot veya aşırı ağırlıklara yol açan çok yüksek tedavi değişkenliği ile bundan kaçının; bunun yerine çift sağlam veya farklar-içinde-farklar alternatiflerini düşünün.
Güçlü yönler & sınırlılıklar
- Boylamsal ortamlarda gözlemlenen zamana bağlı kovaryetlere bağlı seçim yanlılığını düzeltir.
- Açık eşleştirme gerektirmeden her zaman noktasında ölçülen karıştırıcılara dengelenmiş bir sözde popülasyon oluşturur.
- Eşleştirmeden farklı olarak, tipik olarak ATT'yi hedefleyen eşleştirmeden farklı olarak, tüm popülasyon için ortalama tedavi etkisini (ATE) hedefleyebilir.
- Ağırlıklar oluşturulduktan sonra, doğrusal, lojistik ve hayatta kalma modelleri dahil olmak üzere geniş bir sonuç modeli yelpazesiyle uyumludur.
- Stabilize edilmiş ağırlıklar, uzun panellerde varyansı azaltır ve sayısal kararlılığı iyileştirir.
- Ölçülmemiş karıştırma varsayımı yoktur — anahtar kovaryetler gözlemlenmezse, ağırlıklı tahminler yanlı kalır.
- 0 veya 1'e yakın aşırı eğilim puanları çok büyük ağırlıklar ve oldukça değişken tahminler üretir; kırpma bir çözümdür ancak yanlılık getirir.
- Eğilim modeli doğru bir şekilde belirtilmelidir; lojistik regresyondaki yanlış belirtme doğrudan yanlı ağırlıklara yayılır.
- Zamana bağlı tedavilere sahip uzun paneller, varyansı hızla birleştiren, periyotlar boyunca ağırlıkları çarpmayı gerektirebilir (marjinal yapısal modellerde olduğu gibi).
- Küme-sağlam veya bootstrap çıkarımı zorunludur, standart OLS'ye kıyasla karmaşıklık ekler.
SSS
Panel PSW, sıradan (kesitsel) PSW'den nasıl farklıdır?
Kesitsel PSW'de her gözlem bağımsızdır ve birim başına tek bir eğilim puanı tahmin edilir. Panel PSW'de her birim birden çok kez gözlemlenir, bu nedenle eğilim puanı değişen kovaryetlerle zamanla değişebilir, birim içindeki gözlemler ilişkilidir ve çıkarım küme-sağlam veya bootstrap standart hataları kullanmalıdır.
Pozitiflik varsayımı nedir ve neden önemlidir?
Pozitiflik, her kovaryet profilinin tedavi alma ve almamaya sıfır olmayan bir olasılığa sahip olmasını gerektirir (0 < e < 1). Bazı profiller yalnızca tedavi edilmiş veya yalnızca tedavi edilmemiş birimlerde ortaya çıkarsa, ağırlıklar sonsuz olur ve nedensel tanımlama başarısız olur. 0 veya 1'e yakın ağırlık dağılımları bir uyarı işaretidir.
Stabilize edilmiş veya stabilize edilmemiş ağırlıklar kullanmalı mıyım?
Genellikle stabilize edilmiş ağırlıklar önerilir. Doğru model belirtimi altında stabilize edilmemiş ağırlıklarla aynı beklentiye sahiptirler ancak daha düşük varyansa sahiptirler, bu da tahminleri daha sayısal olarak kararlı hale getirir. Eğilim puanları 0 veya 1'e yakın olduğunda stabilize edilmemiş ağırlıklar son derece büyük olabilir.
Panel PSW'yi regresyon ayarlamasıyla birleştirebilir miyim?
Evet. Ağırlıklandırmayı regresyon ayarlamasıyla birleştirmek çift sağlam tahmin sağlar: eğilim modeli veya sonuç modeli doğru bir şekilde belirtilmişse nedensel tahmin tutarlıdır. Bu, modelin yanlış belirtilmesine karşı ek koruma sunar.
Neden farklar-içinde-farklar'ı panel PSW'ye tercih etmeliyim?
Bir gruba etki eden bir politika veya olayla net bir ön/son yapısı olduğunda ve göz ardı edilebilir tedavi seçimi yerine paralel trendleri varsaymaya istekli olduğunuzda DiD'yi tercih edin. Tedavi ataması gözlemlenen zamana bağlı özellikler tarafından yönlendirildiğinde ve temiz bir önce/sonra yapısı mevcut olmadığında Panel PSW tercih edilir.
Kaynaklar
- Hirano, K., Imbens, G. W., & Ridder, G. (2003). Efficient Estimation of Average Treatment Effects Using the Estimated Propensity Score. Econometrica, 71(4), 1161-1189. DOI: 10.1111/1468-0262.00442 ↗
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Panel Data Propensity Score Weighting Estimator. ScholarGate. https://scholargate.app/tr/causal-inference/panel-data-propensity-score-weighting
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır
- Panel Veri Farkların Farkı (Panel DiD / TWFE)Nedensel çıkarım↔ karşılaştır
- Panel Veri Ters Olasılık AğırlıklandırmasıNedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır