Politika Değerlendirmesi Eğilim Skoru Eşleştirmesi
Propensity Score Matching for Policy Evaluation · Ayrıca şöyle bilinir: PSM policy evaluation, policy PSM, propensity matching for program evaluation, PSM treatment evaluation
Politika değerlendirmesi eğilim skoru eşleştirmesi, eğilim skoru çerçevesini — orijinal olarak Rosenbaum ve Rubin (1983) tarafından geliştirilmiş ve Heckman vd. (1997) tarafından program değerlendirmesi için işlevselleştirilmiş — bir politika müdahalesinin nedensel etkisini tahmin etmek için uygular. Katılımcı olmayanlardan, onları tedavi görme olasılıklarına göre tahmin edilen olasılıklarına göre eşleştirerek güvenilir bir karşılaştırma grubu oluşturur, bu da rastgele atama olmaksızın yanlı olmayan etki tahminini mümkün kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gözlemlenen özellikler üzerindeki seçim yanlılığını, regresyon modeli gerektirmeyen karşılaştırılabilir bir kontrol grubu oluşturarak ortadan kaldırır.
Güçlü yönler & sınırlılıklar
- Şeffaf ve yorumlanabilir: eğilim skoru, kovaryat dengesini ve eşleştirme kalitesini tek bir teşhisle özetler.
- Esnek eşleştirme algoritmaları (en yakın komşu, kalibre, çekirdek), araştırmacıların veri yapısına göre yanlılık ve verimlilik arasında denge kurmasına olanak tanır.
- Politika değerlendirmesi, kalkınma ekonomisi ve halk sağlığı alanlarında yaygın olarak kabul görmüş, iyi geliştirilmiş yazılım uygulamalarına sahiptir.
- Gözlemlenen seçimden ziyade zamana-bağlı olmayan gözlemlenmeyenleri kontrol etmek için farklar-içinde-farklar ile birleştirilebilir.
- Yalnızca gözlemlenen karıştırıcılardan kaynaklanan yanlılığı giderir; gözlemlenmeyen seçim (örn. motivasyon üzerindeki kendi kendine seçim) ele alınmaz ve nedensel iddiaları geçersiz kılabilir.
- Ortak destek gerektirir: tedavi edilmiş ve kontrol birimleri farklı kovaryat bölgelerini işgal ederse, eşleştirme tedavi edilmiş birimleri atar veya kötü eşleştirmelere dayanır.
- Test edilemeyen ve alan bilgisi ve hassasiyet analizleri ile savunulması gereken bir varsayımdır.
- Verimlilik kaybı: eşleştirilmiş örneklemler orijinal verilerden daha küçüktür, bu da regresyon tabanlı yaklaşımlara kıyasla istatistiksel gücü azaltır.
- Sonuçlar, eğilim skoru modeli spesifikasyonu ve eşleştirme algoritmasının seçimine duyarlı olabilir.
- Eşleştirmeden sonra bile artık seçim yanlılığını bırakan, eğilim skoru modelinden önemli karıştırıcıların çıkarılması.
SSS
Eğilim skoru, gözlemlenen kovaryatlar verildiğinde tedaviyi alma koşullu olasılığıdır. Rosenbaum ve Rubin (1983), tedavi ataması kovaryatlar X verildiğinde göz ardı edilebilirse, eğilim skoru p(X) skalerine de göz ardı edilebilir olduğunu kanıtladı. Bu nedenle p(X) üzerinde eşleştirme, her değişkende tam eşleştirme gerektirmeden, tedavi edilmiş ve eşleştirilmiş kontroller arasındaki tam kovaryat dağılımını dengeler.
Göz ardı edilebilirlik varsayımı nedir ve politikalar için ne zaman makuldür?
Göz ardı edilebilirlik (koşullu bağımsızlık veya gözlemlenebilirlik üzerindeki seçim olarak da adlandırılır), gözlemlenen tedavi öncesi kovaryatlara koşulduktan sonra, tedavi atamasının potansiyel sonuçlardan bağımsız olduğunu belirtir. Araştırmacıların hem program katılımının hem de sonucun temel belirleyicilerini — bir iş programı değerlendirmesindeki başlangıç geliri, önceki istihdam ve demografik bilgiler gibi — gözlemlediği durumlarda makuldür. Katılımın ana itici gücü gözlemlenmeyen motivasyon veya yetenek üzerindeki kendi kendine seçim olduğunda makul değildir.
En yakın komşu, kalibre ve çekirdek eşleştirmesi arasında nasıl seçim yapmalıyım?
En yakın komşu eşleştirmesi, en yakın kontrolü kullanarak yanlılığı en aza indirir ancak kontrollerin az olduğu durumlarda kötü eşleştirmeleri içerebilir. Bir kalibre eklemek (örn. log-olasılık skorunun 0.25 standart sapması), bazı tedavi edilmiş birimleri atmak pahasına kötü eşleştirmeleri hariç tutar. Çekirdek eşleştirmesi, mesafeye göre ağırlıklandırılmış tüm kontrolleri kullanır, verimliliği artırır ancak daha az benzer birimleri ortalamaya katar. Her biri için denge teşhislerini kontrol edin ve en önemli kovaryatlarda en iyi dengeyi sağlayan algoritmayı tercih edin.
PSM'yi farklar-içinde-farklar ile birleştirebilir miyim?
Evet. Karşılaştırma grubunu seçmek için tedavi öncesi kovaryatları eşleştirmek ve ardından eşleştirilmiş örneklem üzerinde DiD uygulamak, çift yönlü sağlam bir stratejidir. Gözlemlenen kovaryatlar üzerindeki seçimi eşleştirme yoluyla ortadan kaldırır ve zamana-bağlı olmayan gözlemlenmeyen karıştırıcıları öncesi-sonrası farklılaştırması yoluyla ortadan kaldırır, bu da nedensel tahmini her iki yöntemden daha güvenilir hale getirir.
Gizli yanlılığa karşı hassasiyeti nasıl değerlendiririm?
Rosenbaum sınırları, tahmin edilen tedavi etkisini istatistiksel olarak anlamsız hale getirecek maksimum ölçülmemiş karıştırıcı miktarını (birbirine benzeyen iki birim için tedavi atamasının olasılık oranı olarak ifade edilir) hesaplar. Büyük bir sınır, bulguların sağlam olduğunu gösterir; küçük bir sınır, hafif bir gizli yanlılığın bile sonucu açıklayabileceğini gösterir.
Politika değerlendirmesi eğilim skoru eşleştirmesini doğrudan StatWise'da çalıştırın: katılımcı ve karşılaştırma grubu verilerinizi yükleyin, tedavi öncesi kovaryatları seçin, bir eşleştirme algoritması ve kalibre seçin ve tahmini ATT'yi güven aralıkları, kovaryat denge teşhisleri (Love grafiği, standartlaştırılmış farklar), ortak destek kontrolü ve bir Rosenbaum hassasiyet analizi ile alın.
Kaynaklar
- Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41-55. DOI: 10.1093/biomet/70.1.41 ↗
- Heckman, J. J., Ichimura, H., & Todd, P. E. (1997). Matching as an econometric evaluation estimator: Evidence from evaluating a job training programme. Review of Economic Studies, 64(4), 605-654. DOI: 10.2307/2971733 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Propensity Score Matching for Policy Evaluation. ScholarGate. https://scholargate.app/tr/causal-inference/policy-evaluation-propensity-score-matching
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
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır