Politika Değerlendirmesi Ters Olasılık Ağırlıklandırması
Inverse Probability Weighting for Policy Evaluation · Ayrıca şöyle bilinir: IPW policy evaluation, propensity-weighted policy analysis, inverse probability of treatment weighting
Politika değerlendirmesi ters olasılık ağırlıklandırması (IPW), gözlemlenen birimleri ağırlıklandırarak, ağırlıklandırılmış örneklemin rastgele bir deneyi taklit etmesini sağlamak için tahmin edilen eğilim skorlarını kullanır. Her birim, aldığı politikanın olasılığının tersiyle ağırlıklandırılır, bu da tedavi atamasının gözlemlenen kovaryetlerden bağımsız olduğu ve ortalama tedavi etkisinin (ATE) doğrudan okunabildiği bir sözde-popülasyon oluşturur.
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 ikili bir politika veya program, ihmal edilebilirlik (ölçülmemiş karıştırma yok) varsayımını makul bir şekilde karşılayan zengin bir politika öncesi kovaryet seti olduğunda ve yalnızca tedavi edilenler için değil, tam popülasyon için ortalama tedavi etkisini (ATE) tahmin etmek istediğinizde politika değerlendirmesi IPW'sini kullanın. Orta ila büyük örneklemler (her kol için en az 100 birim tavsiye edilir) ile kesitsel veya havuzlanmış panel verileri için uygundur. Eğilim skorlarının çoğu birim için 0 veya 1'e yakın olduğunda (aşırı ağırlıklar varyansı şiddetle şişirir), önemli karıştırıcılar gözlemlenmediğinde veya tedavi ikili yerine sürekli olduğunda (uyarlama olmadan) kullanmayın.
Güçlü yönler & sınırlılıklar
- Yalnızca tedavi edilenler için değil, genellikle ilgili politika miktarı olan tam popülasyon için ortalama tedavi etkisini (ATE) doğrudan hedefler.
- Esnek eğilim skoru modeli: e(X)'i tahmin etmek için lojistik regresyon, rastgele ormanlar veya gradyan artırma kullanılabilir.
- Tasarım aşamasını (eğilim tahmini ve denge kontrolü) analiz aşamasından ayırır, bu da araştırmacının sonuçları incelemeden önce dengeyi doğrulamasına olanak tanır.
- Doğru şekilde belirtildiğinde hem eğilim hem de sonuç modeli doğru şekilde belirtildiğinde tutarlı kalan çift sağlam tahmin edicilerle uyumludur.
- Kesitsel ve panel ortamlarında uygulanabilir ve marjinal yapısal modeller aracılığıyla zamana bağlı tedavilere genişletilebilir.
- İhmal edilebilirlik varsayımına (ölçülmemiş karıştırma yok) dayanır: önemli kovaryetler eksikse, tahmin yanlıdır ve bunu tespit etmek için bir tanı yöntemi yoktur.
- Aşırı eğilim skorları (0 veya 1'e yakın) çok büyük ağırlıklar üretir, varyansı şişirir ve tahminleri kararsız hale getirir; stabilize edilmiş veya kırpılmış ağırlıklar yardımcı olur ancak sorunu tam olarak çözmez.
- Eğilim skoru modelinin yanlış belirtilmesi, kötü kovaryet dengesine ve yanlı tahminlere yol açar; yöntem kendi kendini doğrulamaz.
- Sonuç modeli doğru şekilde belirtildiğinde, çift sağlam veya regresyon tabanlı yöntemlere göre verimlilik genellikle daha düşüktür.
- Çok küçük örneklemlerde, eğilim modeli hassas bir şekilde tahmin edilmez, bu da denge ve çıkarım kalitesini düşürür.
SSS
İhmal edilebilirlik varsayımı nedir ve neden önemlidir?
İhmal edilebilirlik (karıştırılmamışlık veya gözlemlenenler üzerinde seçim olarak da adlandırılır), gözlemlenen kovaryetlere koşullu olarak, tedavi atamasının rastgele olduğu kadar iyi olduğunu belirtir. Bunun yokluğunda, IPW tahmini politika etkisini seçim yanlılığı ile karıştırır. Verilerden test edilemez, bu nedenle program katılımını neyin yönlendirdiği hakkında alan bilgisi esastır.
Aşırı eğilim skorlarıyla nasıl başa çıkarım?
0 veya 1'e çok yakın skorlara sahip birimler, tahmin ediciyi istikrarsızlaştıran muazzam ağırlıklar alır. Yaygın çözümler arasında stabilize edilmiş ağırlıklar kullanmak, belirli bir yüzdelik dilimin üzerindeki ağırlıklara sahip gözlemleri kırpmak veya aşırı skorlara daha az duyarlı olan çift sağlam bir tahmin ediciye geçmek yer alır.
ATE ve ATT arasındaki fark nedir ve IPW bana hangisini verir?
ATE, tüm popülasyonun tedavi edildiği ortalama etkidir; ATT, aslında tedavi edilenler arasındaki ortalama etkidir. Standart Horvitz-Thompson IPW, ATE'yi tahmin eder. ATT'yi hedeflemek için, yalnızca tedavi edilmemiş birimleri e(X)/(1-e(X)) ile yeniden ağırlıklandırın ve bunları doğrudan tedavi edilmiş grupla karşılaştırın.
Politika değerlendirmesi için IPW mi yoksa eğilim skoru eşleştirmesi mi kullanmalıyım?
IPW tüm gözlemleri kullanır ve tam popülasyon için ATE'yi hedefler; eşleştirme eşleşmeyen birimleri atar ve tipik olarak ATT'yi tahmin eder. Politika sorusu popülasyon çapındaki etkilerle ilgili olduğunda ve eğilim modeli iyi uyduğunda IPW tercih edilir. Eşleştirme aşırı skorlara karşı daha sağlamdır ancak birçok birim atıldığında verimlilik kaybı yaşar.
Eğilim skorunu tahmin etmek için makine öğrenmesi kullanabilir miyim?
Evet. Rastgele ormanlar, gradyan artırma ve lasso lojistik regresyon, özellikle çok sayıda kovaryet olduğunda, standart lojistik regresyona kıyasla kovaryet dengesini iyileştirir. Ancak, standart bir IPW tahmin edicisinde ML tarafından tahmin edilen skorların kullanılması düzenlileştirme yanlılığına neden olabilir; bu durumda çapraz eşlenmiş çift sağlam tahmin ediciler (örneğin, çift makine öğrenmesi) daha uygundur.
Kaynaklar
- Imbens, G. W., & Wooldridge, J. M. (2009). Recent Developments in the Econometrics of Program Evaluation. Journal of Economic Literature, 47(1), 5-86. DOI: 10.1257/jel.47.1.5 ↗
- 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). Inverse Probability Weighting for Policy Evaluation. ScholarGate. https://scholargate.app/tr/causal-inference/policy-evaluation-inverse-probability-weighting
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
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır