Politika Değerlendirme Eşleştirme Tahmincisi
Policy Evaluation Matching Estimator · Ayrıca şöyle bilinir: matching estimator, program evaluation matching, treatment effect matching, Abadie-Imbens estimator
Politika değerlendirme eşleştirme tahmincisi, her katılımcıyı ön-tedavi özelliklerini paylaşan bir veya daha fazla katılımcı olmayanla eşleştirerek bir programın veya politikanın tedavi edilen birimler üzerindeki nedensel etkisini tahmin eder. Heckman, Ichimura & Todd (1998) ve Abadie & Imbens (2006) tarafından titizlikle geliştirilen bu yöntem, parametrik sonuç modellerinden kaçınır ve program ve politika değerlendirmesi için standart parametrik olmayan araçtır.
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 verilerden bir tedavi veya program etkisi tahmin etmeniz gerektiğinde ve gözlemlenenlere göre seçilim varsayımı yapabiliyorsanız — yani, program katılımını yönlendiren tüm değişkenler ölçülmüşse — politika değerlendirme eşleştirme tahmincisini kullanın. Kovaryant uzayında tedavi edilen ve edilmemiş birimlerin önemli ölçüde örtüştüğü kesitsel veya kısa panel veriler için en uygundur. Önemli karıştırıcıların gözlemlenmediği durumlarda (bu durumda bir araç veya DiD tasarımı tercih edilir), gruplar arasındaki örtüşmenin çok ince olduğu veya örneklem grubun yaklaşık 50'sinden küçük olduğu durumlarda kullanmayın, çünkü seyrek eşleştirmeler büyük varyans üretir.
Güçlü yönler & sınırlılıklar
- Parametrik Olmayan: Sonuç denklemi üzerinde bir fonksiyonel form dayatmaz, bu da onu model yanlış belirtimine karşı dayanıklı kılar.
- Şeffaf: Eşleştirilmiş çiftler gözlemlenebilir, bu nedenle karşı-olgusal yapının kalitesi doğrudan incelenebilir.
- Doğrudan ATT yorumu: 'Program katılımcılara ne yaptı?' sorusunu yanıtlar.
- Kalan yanlılığı azaltmak için regresyon ayarlamasıyla (yanlılık düzeltilmiş eşleştirme) birleştirilebilir.
- Program değerlendirmesi, ekonomi ve politika araştırmalarında yaygın olarak kabul görmüş, iyi kurulmuş çıkarım teorisine sahip bir yöntemdir.
- Koşullu bağımsızlık varsayımı gerektirir (gözlemlenenlere göre seçilim): gözlemlenmeyen karıştırıcılar seçilimi yönlendiriyorsa, tahminci yanlıdır ve hiçbir teşhis bunu tam olarak ortaya çıkaramaz.
- Tedavi edilen ve kontrol kovaryant dağılımları arasında yeterli örtüşme gerektirir; ortak destek bölgelerinin ince olduğu bölgelerdeki birimler kırpılmalıdır, bu da genelleştirilebilirliği sınırlayabilir.
- Küçük örneklemlerde çok sayıda kovaryant üzerinde eşleştirme yapmak, kötü eşleştirmelere, yüksek varyansa ve güvenilmez tahminlere yol açar.
- En yakın komşu eşleştirmesi için standart bootstrap çıkarımı geçersizdir; analistler Abadie-Imbens analitik varyansını veya yanlılık düzeltilmiş varyantlarını kullanmalıdır.
SSS
Koşullu bağımsızlık varsayımı nedir ve test edilebilir mi?
Gözlemlenen kovaryantlara koşullu olarak, potansiyel sonuçların tedavi atamasından bağımsız olduğunu belirtir. Karşı-olgusal gözlemlenmediği için doğrudan test edilemez. Tüm olası karıştırıcıları dahil ederek, dengeyi kontrol ederek ve sonucunuzu tersine çevirmek için ne kadar büyük bir gözlemlenmeyen karıştırıcının gerektiğini ölçmek için bir Rosenbaum sınırları duyarlılık analizi yaparak destekleyebilirsiniz.
Tedavi edilen birim başına kaç eşleştirme kullanmalıyım?
Bir eşleştirme (k=1) kullanmak yanlılığı en aza indirir ancak varyansı en üst düzeye çıkarır. Daha fazla eşleştirme (k=3 veya 5) kullanmak, biraz daha kötü eşleştirmeler ve bazı ek yanlılıklar pahasına varyansı azaltır. Çoğu politika değerlendirme örneği için, eğilim puanı üzerinde bir kalibre ile birlikte k=1 ila 4, yanlılık düzeltilmiş Abadie-Imbens tahmincisi ile birlikte makul bir varsayılan değerdir.
Eğilim puanı eşleştirmesi politika değerlendirme eşleştirme tahmincisi ile aynı mıdır?
Eğilim puanı eşleştirmesi bir varyanttır: eşleştirmeler, ham kovaryant mesafeleri yerine tedavi olasılığının tahmin edilen olasılığına (eğilim puanı) dayanarak bulunur. Abadie-Imbens çerçevesi tipik olarak kovaryantlar üzerinde doğrudan Mahalanobis mesafesini kullanır, bu da eğilim modelinden gelen ek tahmin belirsizliğini önler. Her ikisi de aynı ATT tahmin amacını hedefler.
Tedavi edilen ve kontrol grupları zar zor örtüşüyorsa ne olur?
Kötü örtüşme (ince ortak destek), büyük kovaryant mesafeleri boyunca eşleştirmeleri zorlar, yanlı karşı-olgusallar üretir. Standart çözüm, ortak destek bölgesi dışındaki birimleri — kovaryant değerleri karşılaştırılabilir kontrollere sahip olmayan tedavi edilen birimleri — kırpmak ve çıkarımı örtüşen alt popülasyona sınırlamaktır.
Eşleştirmeyi regresyon ayarlamasıyla birleştirebilir miyim?
Evet. Yanlılık düzeltilmiş eşleştirme tahmincisi (Abadie & Imbens 2011), kusurlu eşleştirmelerden kaynaklanan artık yanlılığı gidermek için eşleştirilmiş gruplar içinde regresyon tabanlı bir düzeltme ekler. Bu çift yönlü sağlam yaklaşım, sürekli kovaryant sayısı örneklem büyüklüğüne göre büyük olduğunda önerilir.
Kaynaklar
- Abadie, A., & Imbens, G. W. (2006). Large sample properties of matching estimators for average treatment effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x ↗
- Heckman, J. J., Ichimura, H., & Todd, P. (1998). Matching as an econometric evaluation estimator. Review of Economic Studies, 65(2), 261-294. DOI: 10.1111/1467-937X.00044 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Policy Evaluation Matching Estimator. ScholarGate. https://scholargate.app/tr/causal-inference/policy-evaluation-matching-estimator
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Coarsened Exact Matching (CEM)Nedensel çıkarım↔ karşılaştır
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Regresyon Kesintili Tasarımı (RDD)Nedensel çıkarım↔ karşılaştır