Eğitim Araştırmalarında Eğilim Puanı Eşleştirmesi
Propensity Score Matching Applied to Education Research · Ayrıca şöyle bilinir: PSM in education, educational PSM, PSM for program evaluation in schools, propensity matching education
Eğitim araştırmalarında Eğilim Puanı Eşleştirmesi (PSM), gözlemsel öğrenci, öğretmen veya okul verilerinden karşılaştırılabilir işlem gören ve kontrol grupları oluşturan yarı-deneysel bir tekniktir. Gözlemlenen arka plan özelliklerinde grupları dengeleyerek, rastgele atamanın uygulanamadığı durumlarda eğitim müdahalelerinin – örneğin özel ders programları, okul seçimi politikaları veya öğretmen mesleki gelişimi gibi – güvenilir nedensel tahminler yapılmasını sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Yeterince büyük bir gözlemsel veri kümesine sahip olduğunuz ve işlem öncesi zengin kovaryetlere sahip olduğunuz ve rastgeleleştirme mümkün olmadığında bir program veya müdahale grubunu katılmayan bir grupla karşılaştırmanız gerektiğinde eğitim araştırmalarında PSM kullanın. Okul programlarının, öğretmen eğitim etkilerinin veya burs alımının kesitsel çalışmalarına uygundur. Anahtar karıştırıcıların gözlemlenmediği (örneğin, ölçülmemiş motivasyon veya yetenek), örneklemin küçük olduğu (her grupta yaklaşık 100'den az), işlem gören ve kontrol eğilim puanı dağılımları arasında yetersiz örtüşme olduğu veya regresyon süreksizliği veya farklar-içinde-farklar gibi daha güçlü bir tasarım mevcut olduğunda PSM kullanmayın.
Güçlü yönler & sınırlılıklar
- Rastgele bir deney gerektirmeden gözlemlenen karıştırıcılardan kaynaklanan seçim yanlılığını azaltır, bu da onu mevcut idari ve anket veri kümelerine uygulanabilir hale getirir.
- Şeffaf kovaryet denge kontrolleri (SMD), araştırmacıların ve hakemlerin tahminleri raporlamadan önce grupların karşılaştırılabilirliğini doğrulamasına olanak tanır.
- Esnek: birçok eşleştirme algoritmasıyla uyumludur ve ek kesinlik için regresyon ayarlamasıyla (çift taraflı sağlam) birleştirilebilir.
- Varsayımlar belgelendiğinde eğitim politikası kitleleri ve What Works Clearinghouse inceleme standartları tarafından iyi kabul edilir.
- Gerçek dünya program katılımcılarını kullandığı için ekolojik geçerliliği korur, yapay olarak kısıtlanmış bir deney yerine.
- Yalnızca gözlemlenen karıştırıcıları kontrol eder; öğrenci motivasyonu, ebeveyn katılım kalitesi veya öğretmen coşkusu gibi ölçülmemiş değişkenler yanlılık kaynakları olmaya devam eder.
- Yeterli ortak desteğe ihtiyaç duyar – işlem gören ve kontrol eğilim puanı dağılımları zar zor örtüşüyorsa, eşleştirilmiş örneklemler küçük ve temsilci olmayabilir.
- Sonuçlar kovaryet belirtimine duyarlıdır: önemli bir işlem atama tahmincisini atlamak nedensel yorumu geçersiz kılabilir.
- Eşleştirme, eşlenmemiş kontrol birimlerini atar, potansiyel olarak tam örneklem regresyonuna kıyasla istatistiksel gücü azaltır.
- Kazançlar üzerindeki seçimi ele almaz – en çok fayda sağlayacağını öngören öğrenciler kendi kendini seçebilir, bu eşleştirmenin tam olarak ortadan kaldıramayacağı bir modeldir.
SSS
PSM, bir regresyonda kovaryetleri basitçe kontrol etmekten nasıl farklıdır?
Her iki yaklaşım da karıştırıcıları ayarlar, ancak PSM açıkça benzer eğilim puanlarına sahip eşleştirilmiş birimlerle karşılaştırmaları sınırlar, örtüşmeyi zorlar ve model bağımlılığını azaltır. Regresyon, tam kovaryet uzayında ekstrapolasyon yapar, bu da işlem gören ve kontrol gruplarının temel değişkenlerde zar zor örtüştüğü durumlarda yanıltıcı olabilir.
Bir eğitim çalışması için eğilim modeline hangi kovaryetleri dahil etmeliyim?
Hem program katılımını hem de sonucu tahmin eden tüm işlem öncesi değişkenleri dahil edin: önceki test puanları, demografik bilgiler (ırk, cinsiyet, ücretsiz öğle yemeği uygunluğu), önceki katılım ve davranış ve okul düzeyindeki özellikler. Yanlılık oluşturacak işlem sonrası değişkenleri dahil etmekten kaçının.
Eşleştirmeden sonra dengenin yeterince iyi olduğunu nasıl anlarım?
Standart ölçüt, tüm kovaryetler için 0.10'un altındaki standartlaştırılmış ortalama farkıdır (SMD). Love plot'lar gibi grafiksel kontroller dengeyi görsel olarak doğrular. Herhangi bir temel değişken için denge zayıfsa, daha sıkı bir kalibre, çekirdek eşleştirmesi deneyin veya dengesiz kovaryeti eşleştirilmiş örneklem üzerinde bir regresyon kovaryeti olarak ekleyin.
PSM, öğrenci düzeyindeki veriler yerine okul düzeyindeki verilerle kullanılabilir mi?
Evet. PSM, herhangi bir analiz biriminde – öğrenci, öğretmen, sınıf veya okul – uygulanabilir. Ancak, okul düzeyinde örneklem büyüklükleri genellikle küçüktür, bu da istatistiksel gücü sınırlar ve eşleştirme varyansını artırır; güvenilir tahminler için daha fazla okula ihtiyaç vardır.
Gözlemlenmemiş karıştırma olduğundan şüphelenirsem ne yapmalıyım?
Sonucunuzu tersine çevirmek için ölçülmemiş karıştırmanın ne kadar güçlü olması gerektiğini değerlendirmek için bir hassasiyet analizi (örneğin, Rosenbaum sınırları) çalıştırın. Tahmin, küçük miktarda gizli yanlılığa karşı kırılgan ise, dikkatle raporlayın ve bir araç değişkeni veya regresyon süreksizliği gibi daha güçlü bir tasarımla desteklemeyi düşünün.
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 ↗
- Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and Quasi-Experimental Designs for Generalized Causal Inference. Houghton Mifflin. ISBN: 978-0395615560
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Propensity Score Matching Applied to Education Research. ScholarGate. https://scholargate.app/tr/causal-inference/propensity-score-matching-in-education-research
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
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Eşleştirme TahmincisiNedensel çıkarım↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır