Politika Değerlendirmesi Eğilim Skoru Ağırlıklandırması
Propensity Score Weighting for Policy Evaluation · Ayrıca şöyle bilinir: PSW policy evaluation, inverse probability weighting for policy, IPW policy evaluation, policy PSW
Politika değerlendirmesi eğilim skoru ağırlıklandırması, nedensel bir politika programının etkisini tahmin etmek için gözlemsel verilere ters olasılık ağırlıklandırması uygular. Katılımcıları ve katılmayanları hedef bir nüfusa benzeyecek şekilde yeniden ağırlıklandırarak, rastgeleleştirme gerektirmeden gönüllü veya idari olarak tahsis edilmiş program atamasından kaynaklanan seçim yanlılığını ortadan kaldırır.
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 yaklaşımı, bir politika veya program rastgele atanmadan uygulandığında ve programda seçimi makul bir şekilde yakalayan zengin bir tedavi öncesi kovaryet setine sahip olduğunuz varsayımıyla gözlemsel veya idari verilerden nedensel bir etkiyi geri kazanmak istediğinizde kullanın. Açıkça tanımlanmış bir tedavi göstergesi ve sürekli veya ikili sonuçları olan kesitsel, panel veya tekrarlanan kesitsel veriler için uygundur. Minimum örneklem kılavuzu: en az 100 tedavi edilen birim, herhangi bir eğilim skorunun 0 veya 1'e yakın olmaması için yeterli örtüşme ile. Ölçülmemiş karıştırıcıların seçimin birincil sürücüsü olduğu durumlarda KULLANMAYIN (bir enstrüman veya farklar-arasında-farklar tasarımı tercih edilir), örtüşmenin ciddi şekilde ihlal edildiği durumlarda (0 veya 1'e yakın birçok skor, aşırı ağırlıklara neden olur) veya tedavinin ikili yerine sürekli olduğu durumlarda (marjinal yapısal modeller daha uygundur).
Güçlü yönler & sınırlılıklar
- Tek bir skaler kullanarak çok sayıda gözlemlenen karıştırıcıyı eş zamanlı olarak ayarlar, bu da onu yüksek boyutlu kovaryet kümeleri için pratik hale getirir.
- Karar vericinin sorusuna uyan açıkça politika ile ilgili tahmin edicileri (ATE, ATT, ATU) hedeflemeye olanak tanır.
- Eşleştirme gibi gözlemleri atmadan tam örneklemi korur, büyük idari veri kümeleri için hassasiyeti artırır.
- Sonuç regresyonu ile kolayca birleştirilerek, eğilim modeli veya sonuç modeli doğru bir şekilde belirtilmişse tutarlı kalan çift sağlam tahmin ediciler oluşturulur.
- Şeffaf ve denetlenebilir: tahmin edilen eğilim skorları ve kovaryet denge istatistikleri, çoğaltma için sonuçlarla birlikte raporlanabilir.
- Gözlemlenmişlere göre seçime (unconfoundedness) dayanır: önemli karıştırıcılar gözlemlenmemişse, eğilim modeli ne kadar iyi uyarsa uyusun tahminler yanlı kalır.
- Tedavi edilen ve kontrol grupları arasındaki zayıf örtüşmeden kaynaklanan aşırı ağırlıklar, varyansı keskin bir şekilde artırır ve sonuçları az sayıda etkili gözleme duyarlı hale getirir.
- Eğilim modeli yanlış belirtilirse ağırlıklar yanlı olur; esnek yöntemler (rastgele orman, CBPS) bu riski azaltır ancak ortadan kaldırmaz.
- Çok küçük tedavi grupları için, doğru modellerde bile ağırlıklı tahmin ediciler kararsız hale gelebilir.
- Standart hatalar, iki aşamalı (skor tahmini + ağırlıklandırma) prosedürü hesaba katmak için önyükleme veya sandviç tahmin edicileri gerektirir.
SSS
Gözlemlenmemişlere göre seçim (unconfoundedness) varsayımı nedir ve ne zaman geçerlidir?
Gözlemlenmemişlere göre seçim (gözlemlenmişlere göre seçim olarak da adlandırılır), gözlemlenen kovaryetlere koşullu olarak, tedavi atamasının potansiyel sonuçlardan bağımsız olmasını gerektirir. Hem politikaya katılımı hem de sonucu ortaklaşa etkileyen tüm değişkenlerin ölçüldüğü durumlarda geçerlidir. İdari kayıtların zengin tedavi öncesi geçmişi, demografik bilgileri ve önceki sonuçları içerdiği durumlarda daha makuldür.
Politika değerlendirmesinde ATE mi yoksa ATT mi hedeflemeliyim?
Politikanın evrensel olarak yaygınlaştırılmasının etkisini bilmek istiyorsanız, ATE'yi tahmin edin. Katılımcıların bundan ne kazandığını bilmek istiyorsanız — ki bu program değerlendirmesi ve hesap verebilirlik için tipiktir — ATT'yi tahmin edin. Seçim, ağırlıklandırma formülünü ve sonuçların yorumlanmasını değiştirir.
Aşırı ağırlıklarım olursa ne yapmalıyım?
Öncelikle örtüşmeyi kontrol edin: eğer eğilim skorları 0 veya 1'e yakın kümeleniyorsa, örneklem amaçlanan tahmin ediciyi desteklemeyebilir. Seçenekler arasında, örneği ortak destek bölgesine kırpmak, ağırlıkları bir eşikle (örneğin, 99. yüzdelik dilim) sınırlamak, stabilize edilmiş ağırlıklar kullanmak veya örtüşmenin yeterli olduğu bir nüfusu yeniden tanımlamak yer alır.
Bu, eğilim skoru eşleştirmesinden nasıl farklıdır?
Eşleştirme, eşleşmeyen birimleri atar ve eşleşen örneklem üzerindeki yerel bir etkiyi tahmin ederken, ağırlıklandırma tam örneklemi korur ve önceden belirlenmiş bir nüfus tahmin edicisini hedefler. Ağırlıklandırma genellikle büyük veri kümelerinde daha verimlidir; eşleştirme daha şeffaftır ve aşırı ağırlık sorunlarından kaçınır ancak veri kaybına neden olur.
Ağırlıklandırmayı regresyon ayarlamasıyla birleştirebilir miyim?
Evet — bu, eğilim modeli veya sonuç regresyon modeli doğru bir şekilde belirtilmişse tutarlı olan çift sağlam bir tahmin edici verir. Bu, kısmi model yanlış belirtilmesine karşı korunmak için uygulamalı politika değerlendirmelerinde genellikle önerilir.
Kaynaklar
- Hirano, K., Imbens, G. W., & Ridder, G. (2003). Efficient Estimation of Average Treatment Effects Using the Estimated Propensity Score. Econometrica, 71(4), 1161-1189. DOI: 10.1111/1468-0262.00442 ↗
- Caliendo, M., & Kopeinig, S. (2008). Some Practical Guidance for the Implementation of Propensity Score Matching. Journal of Economic Surveys, 22(1), 31-72. DOI: 10.1111/j.1467-6419.2007.00527.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Propensity Score Weighting for Policy Evaluation. ScholarGate. https://scholargate.app/tr/causal-inference/policy-evaluation-propensity-score-weighting
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
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Politika Değerlendirmesi Farkların FarkıNedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır