Politika Değerlendirmesi Çift Sağlam Tahmin
Doubly Robust Estimation for Policy Evaluation · Ayrıca şöyle bilinir: DR estimation for policy, augmented IPW for policy evaluation, AIPW policy evaluation, doubly robust policy analysis
Politika Değerlendirmesi Çift Sağlam Tahmin, kamu politikası veya programının nedensel etkisini değerlendirmek için çift sağlam (DR) tahmin edicisini uygular. Tedavi atama modelini (eğilim skoru) sonuç modeliyle birleştirir ve ortalama tedavi etkisinin tutarlı bir tahminini üretmek için iki modelden yalnızca birinin doğru şekilde belirtilmesini gerektirir, bu da onu program değerlendirmesi için dirençli bir araç haline getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bu yöntemi, tedavinin rastgele atanmadığı ve eğilim skoru modelinin veya sonuç modelinin doğru şekilde belirtildiğinden emin olamadığınız gözlemsel verilerle bir politikayı veya programı değerlendirirken kullanın. Sonuç sürekli veya ikili olduğunda, örnek boyutları en az orta düzeyde olduğunda (istikrarlı ağırlıklandırma için n > 100) ve pozitiflik varsayımı geçerli olduğunda (tüm birimlerin tedavi alma olasılığı sıfır değil) uygundur. Sonuç modeli bilgisi mevcut olduğunda, düz IPW'ye tercih edilir. Pozitifliğin neredeyse ihlal edildiği (eğilim skorları 0 veya 1'e yakın), politikanın evrensel kapsama alanı olduğu (tedavi edilmeyen karşılaştırma grubu yok) veya aşırı ağırlıklar tahmin ediciyi istikrarsızlaştırabileceğinden örnek boyutlarının çok küçük olduğu durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- Çift sağlam: eğilim modeli veya sonuç modeli doğru şekilde belirtilmişse tutarlıdır, ikisi de değil.
- Her iki model de doğru olduğunda yarı-parametrik olarak verimlidir, kendi sınıfında mümkün olan en düşük asimptotik varyansı verir.
- Nüans tahmini için esnek makine öğrenmesi modelleriyle uyumludur, veri uyarlanabilir yanlılık azaltmaya olanak tanır.
- Standart politika değerlendirme hedeflerine doğrudan uygulanabilir: ATE, ATT ve nüfus alt grup etkileri.
- Sonuç modeli kusurlu olduğunda ortalama kare hatayı saf sonuç regresyonuna kıyasla azaltan artık düzeltme terimleri.
- Her iki bileşen modelinin de şeffaf raporlanmasına izin verir, bu da değerlendirme denetim izini politika kitleleri için netleştirir.
- Pozitiflik varsayımını gerektirir: her birimin tedavi olasılığı sıfırdan büyük olmalıdır; neredeyse ihlaller aşırı ağırlıklara ve şişirilmiş varyansa neden olur.
- Çift sağlamlık, ölçülmeyen karıştırma (ölçülmeyen karıştırma yok) varsayımının ihlallerine karşı koruma sağlamaz; ihmal edilen karıştırıcılar hala tahmini yanlı hale getirir.
- Her iki model de yanlış belirtildiğinde, tutarlılık kaybolur ve tahmin edici daha basit alternatiflerden daha kötü performans gösterebilir.
- Regresyon ayarlaması veya basit eşleştirmeden daha karmaşık uygulama ve teknik olmayan politika kitlelerine açıklama.
- Aşırı eğilim skoru ağırlıkları, sonlu örneklerde sayısal olarak kararsız tahminler ve şişirilmiş standart hatalar üretebilir.
SSS
Çift sağlam' aslında ne anlama geliyor?
Bu, tahmin edicinin eğilim skoru modeli veya sonuç regresyon modeli doğru şekilde belirtilmişse tutarlı olduğu anlamına gelir - ancak ikisi de değil. Bu, model belirsizliği yüksek olduğunda değerli olan, tahmini doğru yapma şansı verir.
Bu, düz ters olasılık ağırlıklandırmadan nasıl farklıdır?
Düz IPW yalnızca eğilim modelini kullanır; bu model yanlış belirtilmişse, tahmin tutarsızdır. Çift sağlam tahmin, ikinci bir koruma katmanı sağlayan bir sonuç modeli düzeltmesi ekler. Ayrıca, sonuç modeli bilgilendirici olduğunda IPW'den daha düşük varyansa sahip olma eğilimindedir.
Nüans fonksiyonlarını tahmin etmek için makine öğrenmesi modellerini kullanabilir miyim?
Evet, ancak çapraz uydurma (örnek bölme) kullanmalısınız: nüans modellerini verinin bir kısmına uydurun ve DR tahmin edicisini diğerinde hesaplayın, ardından katlar arasında ortalama alın. Bu, aşırı uydurmadan kaynaklanan yanlılığı önler ve esnek öğrenicilerin kullanımını doğrular.
Pozitiflik varsayımı nedir ve neden önemlidir?
Pozitiflik, çalışma popülasyonundaki her birimin tedavi alma ve almamaya sıfır olmayan bir olasılığa sahip olmasını gerektirir. Olmadan, bazı birimler karşılaştırılamaz ve ters olasılık ağırlıkları tanımsız veya aşırı hale gelir, bu da tahmin ediciyi istikrarsızlaştırır.
Çift sağlam tahmin TMLE ile aynı mı?
İlgilidirler ancak farklıdırlar. Her ikisi de sonuç ve eğilim modellerini kullanır ve çift sağlamlık ve yarı-parametrik verimlilik elde eder. TMLE (hedefli maksimum olabilirlik tahmini), nedensel tahmin ediciyi doğrudan optimize etmek için sonuç modelini güncelleyen bir hedefleme adımı kullanır, bu da daha iyi sonlu örnek performansı sunabilir. Standart AIPW ve TMLE, çift sağlam ailedeki tamamlayıcı yaklaşımlardır.
Kaynaklar
- Bang, H., & Robins, J. M. (2005). Doubly robust estimation in missing data and causal inference models. Biometrics, 61(4), 962-973. DOI: 10.1111/j.1541-0420.2005.00377.x ↗
- Robins, J. M., Rotnitzky, A., & Zhao, L. P. (1994). Estimation of regression coefficients when some regressors are not always observed. Journal of the American Statistical Association, 89(427), 846-866. DOI: 10.1080/01621459.1994.10476818 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Doubly Robust Estimation for Policy Evaluation. ScholarGate. https://scholargate.app/tr/causal-inference/policy-evaluation-doubly-robust-estimation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır
- Politika Değerlendirmesi Eğilim Skoru EşleştirmesiNedensel çıkarım↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır