Politika Değerlendirmesi Nedensel Etki Analizi
Policy Evaluation Causal Impact Analysis via Bayesian Structural Time-Series · Ayrıca şöyle bilinir: policy causal impact, BSTS policy evaluation, Bayesian policy impact assessment, CIA policy evaluation
Politika Değerlendirmesi Nedensel Etki Analizi, bir politika müdahalesinin toplu sonuçlar üzerindeki nedensel etkisini tahmin etmek için Brodersen ve diğerlerinin (2015) Bayesçi yapısal zaman serileri (BSTS) çerçevesini uygular. Politika öncesi verilerden ve kontrol kovaryatlarından sentetik bir karşıolgusal oluşturarak şu soruyu sorar: Politika yürürlüğe girmeseydi ne olurdu? Gözlemlenen ve tahmin edilen politika sonrası sonuçlar arasındaki fark, tahmin edilen politika etkisidir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Politika Değerlendirmesi Nedensel Etki Analizini şu durumlarda kullanın: (1) bir politika veya düzenleme belirli bir tarihte tüm birime (ülke, eyalet, şehir, sektör) uygulandıysa; (2) sonuç verileri yeterli bir politika öncesi taban çizgisi ile zaman serisi olarak mevcutsa (genellikle en az 30-50 politika öncesi gözlem); ve (3) politikadan etkilenmeyen ve politika öncesi dönemde sonuçla ilişkili en az birkaç birlikte değişen kontrol zaman serisi mevcutsa. Politika öncesi seri çok kısaysa (yaklaşık 20'den az gözlem), geçerli kontrol kovaryatları yoksa, müdahale kademeli ise ve başlangıç tarihi belirsizse veya sonuç zamansal değil kesitsel ise kullanmayın.
Güçlü yönler & sınırlılıklar
- Birçok aday kovaryat arasında Bayesçi değişken seçimi kullanarak, elle seçilmiş bir kontrol grubuna ihtiyaç duymadan veriye dayalı bir karşıolgusal oluşturur.
- Hem noktasal hem de kümülatif etki için tam sonsal dağılımlar üreterek, aşırı güvenli p-değerleri yerine dürüst güvenilirlik aralıkları sağlar.
- Yapısal zaman serileri ayrıştırması aracılığıyla toplu politika verilerinde doğal olarak bulunan karmaşık mevsimsel ve eğilim dinamiklerini ele alır.
- Politika hedef kitlesi için erişilebilir, gözlemlenen ve tahmin edilen grafikler ile kümülatif etki özetleri gibi hemen yorumlanabilir çıktılar sağlar.
- Birim düzeyinde randomizasyonun imkansız olduğu toplu düzeydeki verileri barındırır, bu da onu gerçek dünya politika bağlamları için pratik hale getirir.
- Politika öncesi sonucu takip eden ancak politika sonrası etkilenmeyen geçerli kontrol kovaryatları gerektirir; eğer böyle bir seri yoksa, karşıolgusal zayıf bir şekilde tanımlanır.
- Kısa bir politika öncesi taban çizgisi, modelin mevsimselliği ve eğilimleri yakalama yeteneğini sınırlar, bu da karşıolgusal doğruluğunu düşürür.
- Müdahale ile çakışan eşzamanlı politika değişikliklerini veya karıştırıcı olayları ayırt edemez; tahmin edilen etki birden fazla nedeni karıştırabilir.
- Bayesçi BSTS çerçevesi hesaplama açısından yoğundur ve standart regresyon çıktısının ötesinde model teşhislerine aşinalık gerektirir.
SSS
Bu, standart Kesintili Zaman Serisi analizinden nasıl farklıdır?
Standart kesintili zaman serileri, tek bir sonuç serisini modeller ve müdahale noktasında bir seviye veya eğim değişikliği tahmin eder. Nedensel Etki, ek olarak kontrol kovaryatlarını — politikadan etkilenmeyen ilgili zaman serilerini — daha zengin bir sentetik karşıolgusal oluşturmak için kullanır, bu da politika öncesi dönem orta derecede kısa veya değişken olduğunda hassasiyeti genellikle artırır.
Kaç tane politika öncesi gözleme ihtiyacım var?
Eğilim ve mevsimsel bileşenleri güvenilir bir şekilde tanımlamak için pratik minimum yaklaşık 30-50 gözlemdir. Daha az gözlem, BSTS modelini zayıf bir şekilde kısıtlar ve güvenilirlik aralıklarını sınırlı fayda noktasına kadar genişletir.
Geçerli bir kontrol kovaryatını ne yapar?
Bir kontrol serisi (1) politika öncesi dönemde sonuçla ilişkili olmalı, (2) politikanın kendisinden etkilenmemiş olmalı ve (3) sonucun nedensel olarak aşağı akışında olmamalıdır. Örnekler arasında etkilenmemiş bir bölgede ölçülen aynı sonuç veya müdahaleyle bağlantısız, yakından ilişkili toplu bir gösterge bulunur.
Politika kademeli olarak uygulandıysa bu yöntemi kullanabilir miyim?
Kademeli uygulamalar sorunludur çünkü müdahale tarihi belirsizdir, bu da modelin gerektirdiği keskin politika öncesi/sonrası ayrımını zayıflatır. Bu gibi durumlarda, doz-yanıt spesifikasyonlu kesintili zaman serileri veya birimler arası uygulama zamanlamasındaki varyasyondan yararlanan farkların farkı yöntemi genellikle daha uygundur.
Politika ile çakışan eşzamanlı bir olayı nasıl ele alırım?
Sadece müdahale edilen birimi etkileyen ve kontrol kovaryatlarını etkilemeyen eşzamanlı bir şok, politika etkisinden ayrılamaz; tahmin her ikisini de karıştırır. Karıştırıcı olayı açıkça belgeleyin, farklı müdahale sonrası pencereler üzerinde duyarlılık analizleri raporlayın ve nedensel dili buna göre yumuşatın.
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). Policy Evaluation Causal Impact Analysis via Bayesian Structural Time-Series. ScholarGate. https://scholargate.app/tr/causal-inference/policy-evaluation-causal-impact-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesci Nedensel Etki AnaliziNedensel çıkarım↔ karşılaştır
- Nedensel Etki AnaliziNedensel çıkarım↔ karşılaştır
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Kesintili Zaman Serisi (KZS) AnaliziNedensel çıkarım↔ karşılaştır
- Politika Değerlendirmesi İçin Kesintili Zaman SerileriNedensel çıkarım↔ karşılaştır
- Sentetik Kontrol Yöntemi (SCM)Nedensel çıkarım↔ karşılaştır