CEM ile Politika Değerlendirmesi
Coarsened Exact Matching for Policy Evaluation · Ayrıca şöyle bilinir: CEM, Coarsened Exact Matching, CEM policy evaluation, coarsening-based matching
Coarsened Exact Matching (CEM), gözlemsel verilerden geçici olarak kovaryetleri gruplara ayırarak, bu gruplar içindeki birimleri tam olarak eşleştirerek ve ardından politika etkilerini tahmin etmeden önce eşleşmeyen gözlemleri budayarak dengeli tedavi ve kontrol grupları oluşturan yarı-deneysel nedensel çıkarım tekniğidir. Iacus, King ve Porro tarafından tanıtılan CEM, monotonik dengesizlik sınırlama ailesine ait eşleştirme yöntemlerinden biridir ve özellikle politika değerlendirmelerinde popülerdir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gözlemsel verilerinizde bir politika veya müdahale hakkında, eşleştirmek için zengin bir tedavi öncesi kovaryet seti ve eşleşmeleri bulmak için yeterli sayıda tedavi edilmeyen birim olduğunda CEM'i kullanın. İteratif kontrol gerektirmeyen açık kovaryet denge garantileri istediğinizde ve veri kümesi orta derecede büyük olduğunda (yüzlerce ila binlerce birim) uygundur. Kovaryet uzayı çok yüksek boyutlu ve az sayıda kontrol birimi olduğunda CEM'den kaçının, çünkü birçok tabaka boş olacaktır ve çoğu tedavi edilen birim budanacaktır, bu da tam tedavi edilen nüfusu temsil etmeyebilecek çok küçük bir eşleşen örneklem bırakacaktır.
Güçlü yönler & sınırlılıklar
- Monotonik dengesizlik sınırlaması sağlar: grupların kabalaştırılması yalnızca ölçülen dengesizliği azaltabilir, asla artırmaz. Bu, kullanıcılara iteratif kontrol gerektirmeyen, kanıtlanabilir, monoton bir denge kontrolü sağlar.
- Eğilim modeli için doğru bir şekilde belirtilmeye bağımlılığı ortadan kaldırır, nedensel tahminleri model yanlış belirtilmesine karşı daha sağlam hale getirir.
- Kullanıcılar kabalaştırma kesme noktaları üzerinde tam kontrole sahiptir, bu da eşleştirme varsayımlarını açık ve denetlenebilir hale getirir.
- Sürekli, sıralı ve nominal kovaryetlerle tek bir eşleştirme adımında eş zamanlı olarak çalışır.
- Sonuç analizinden önce ortak destek bölgesine örneklemi budayarak model bağımlılığını azaltır.
- Yüksek boyutlu kovaryet uzayları birçok boş tabaka üretebilir, bu da eşleşen örneklem boyutunu önemli ölçüde azaltır ve dış geçerliliği tehdit eder.
- Sonuçlar kullanıcı tarafından seçilen kabalaştırma kesme noktalarına bağlıdır; farklı seçimler farklı eşleşen örneklemlere ve ATT tahminlerine yol açabilir.
- Eşleşmeyen birimleri budamak, tahmin edilen ATT'nin yalnızca eşleşen tedavi edilen birimler için geçerli olduğu, tüm tedavi edilen birimler için geçerli olmadığı anlamına gelir.
- Gözlemlenmeyen karıştırıcıları ele almaz; nedensel geçerlilik, tüm ilgili karıştırıcıların gözlemlendiği ve dahil edildiği varsayımını gerektirir.
SSS
CEM, eğilim puanı eşleştirmesinden nasıl farklıdır?
Eğilim puanı eşleştirmesi (PSM), tüm kovaryetleri tek bir tahmin edilen puana indirger ve bu skaler üzerinde eşleştirme yapar, bu da bireysel kovaryetler üzerindeki dengenin garanti edilmediği ve model doğruluğuna bağlı olduğu anlamına gelir. CEM, kaba kovaryet grupları içinde tam olarak eşleştirme yapar, her dahil edilen kovaryet üzerinde eş zamanlı olarak yerel dengeyi garanti eder ve doğru bir şekilde belirtilmiş bir eğilim modeline dayanmaz.
Monotonik dengesizlik sınırlaması ne anlama gelir?
Bu, grupları daha fazla kabalaştırmanın (daha geniş hale getirmenin) yalnızca ölçülen dengesizliği azaltabileceği, asla artıramayacağı anlamına gelir. Bu, kullanıcılara, eğilim puanı veya mesafe tabanlı hiçbir yöntemin sağlamadığı, eşleştirme sonrası kovaryet dengesi üzerinde kanıtlanabilir, monoton bir kontrol sağlar.
Kabalaştırma kesme noktalarını nasıl seçmeliyim?
Kesme noktaları, hangi kovaryet değerlerinin çalışma sorusu için eşdeğer olarak kabul edilecek kadar 'yeterince yakın' olduğuna dair özlü bilgileri yansıtmalıdır. Otomatik kesme noktaları (örneğin, nicelemlere veya Sturges kuralına göre) savunulabilir bir varsayılan değerdir, ancak araştırmacılar alternatif kabaştırmalarla duyarlılık analizleri yapmaya ve her biri için eşleşen örneklem boyutunu rapor etmeye teşvik edilir.
Çok sayıda tedavi edilen birim budanırsa ne olur?
Tedavi edilen birimlerin büyük bir kısmı eşleşen bir kontrole sahip değilse, kalan eşleşen örneklem tam tedavi edilen nüfusu temsil etmeyebilir ve ATT tahmini yalnızca seçilmiş bir alt gruba uygulanır. Bu, dış geçerliliği azaltır. Daha fazla kontrol birimi eklemek, kabalaştırmayı gevşetmek veya CEM'i regresyon ayarlamasıyla birleştirmek yardımcı olabilir.
CEM panel verileri için uygun mudur?
Evet. CEM tipik olarak dengeli bir eşleşen örneklem oluşturmak için tedavi öncesi kesitsel kovaryetlere uygulanır ve politika sonucu daha sonra panel veya tekrarlanan kesitsel verilerde zaman içinde gözlemlenebilir. Ek sağlamlık için genellikle eşleşen örneklemde farklar-farklar yöntemi ile birleştirilir.
Kaynaklar
- Iacus, S. M., King, G., & Porro, G. (2012). Causal inference without balance checking: Coarsened exact matching. Political Analysis, 20(1), 1-24. DOI: 10.1093/pan/mpr013 ↗
- Iacus, S. M., King, G., & Porro, G. (2011). Multivariate matching methods that are monotonic imbalance bounding. Journal of the American Statistical Association, 106(493), 345-361. DOI: 10.1198/jasa.2011.tm09599 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Coarsened Exact Matching for Policy Evaluation. ScholarGate. https://scholargate.app/tr/causal-inference/policy-evaluation-coarsened-exact-matching
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Entropi DengelemeNedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Sentetik Kontrol Yöntemi (SCM)Nedensel çıkarım↔ karşılaştır