Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)
Propensity Score Weighting Estimator · Ayrıca şöyle bilinir: PSW, inverse probability weighting, IPW, propensity-based weighting
Mülkiyet puanı ağırlıklandırma, gözlemsel verilerden ortalama tedavi etkilerinin yanlı tahminini mümkün kılarak, tedavi edilmiş ve edilmemiş birimlerin kovaryant dağılımlarını değişebilir gibi gösterecek şekilde gözlemleri yeniden ağırlıklandıran bir nedensel çıkarım yöntemidir. Her birim, aldığı tedaviyi alma olasılığının tersini alan bir ağırlık alır; bu strateji Rosenbaum ve Rubin (1983) tarafından biçimlendirilmiş ve Hirano, Imbens ve Ridder (2003) tarafından verimli yarı parametrik biçimi verilmiştir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+32 tane daha
Ne zaman kullanılır
Gözlemsel verilerden ortalama tedavi etkisi (ATE veya ATT) tahmin etmek istediğinizde, tedavinin ikili veya kategorik olduğu ve yeterli sayıda ölçülmüş karıştırıcıya sahip olduğunuz durumlarda mülkiyet puanı ağırlıklandırmayı kullanın. Tüm birimleri atmak yerine korumak istediğinizde veya hedef tahmin edicinin ATT yerine ATE olduğu durumlarda mülkiyet puanı eşleştirmeye tercih edilir. Önemli karıştırıcıların ölçülmediği (göz ardı edilebilirlik varsayımı başarısız olur), mülkiyet puanlarının birçok birim için aşırı (0 veya 1'e yakın) olduğu ve kararsız ağırlıklar oluşturduğu veya tedavi edilmiş ve kontrol gruplarının kovaryantlar üzerinde çok az örtüştüğü durumlarda uygun değildir; bu durumlarda, enstrümantal değişkenler veya duyarlılık analizleri gereklidir.
Güçlü yönler & sınırlılıklar
- Eşleştirmeden farklı olarak, tüm birimlerin tahmine katkıda bulunmasını sağlayarak verimliliği artırır.
- Doğrudan ağırlık seçimi ile popülasyon düzeyinde nedensel tahmin edicileri (ATE, ATT, ATC) hedefler.
- Analiz aşamasından tasarım aşamasını (mülkiyet modeli ve denge kontrolü) ayırarak, sonuç odaklı model avcılığını önler.
- Çift sağlam tahmin için uyumludur — sonuç regresyonu ile birleştirildiğinde, modellerden biri doğru bir şekilde belirtilmişse tahminci tutarlı kalır.
- Stabilize edilmiş IPW kullanarak marjinal yapısal modeller aracılığıyla zamanla değişen tedavilere doğal olarak genişler.
- Tamamen ölçülmemiş karıştırma olmaması varsayımına (güçlü göz ardı edilebilirlik) dayanır; ihlaller yalnızca verilerden tespit edilemez.
- Aşırı mülkiyet puanları (0 veya 1'e yakın) varyansı artıran ve tahmini domine edebilen büyük, kararsız ağırlıklar üretir.
- Yanlış belirtilmiş bir model, tüm karıştırıcılar ölçülmüş olsa bile yanlı ağırlıklar ürettiğinden, doğru bir şekilde belirtilmiş bir mülkiyet modeli gerektirir.
- Ölçülmüş kovaryantlar üzerindeki denge, ölçülmemiş olanlar üzerindeki dengeyi garanti etmez ve pratikte duyarlılık analizi esastır.
SSS
Mülkiyet puanı ağırlıklandırma ile mülkiyet puanı eşleştirme arasındaki fark nedir?
Eşleştirme, eşleştirilemeyen birimleri atar ve eşleştirilmiş çiftler üzerindeki ATT'yi tahmin eder. Ağırlıklandırma tüm birimleri korur ve uygun ağırlık formülünü seçerek ATE veya ATT'yi hedefleyebilir. Ağırlıklandırma genellikle daha verimlidir ancak aşırı puanlara daha duyarlıdır; eşleştirme daha şeffaftır ancak bilgiyi atar.
Ağırlıklandırmanın işe yaradığını nasıl kontrol ederim?
Ağırlıklandırılmış örneklemdeki her kovaryant için standartlaştırılmış ortalama farkları (SMD) hesaplayın. Tüm kovaryantlar için 0.10'un altındaki bir SMD, yeterli denge için geleneksel ölçüttür. Ağırlıklı Love grafikleri veya denge tabloları, herhangi bir PSW analizinin yanı sıra raporlanmalıdır.
Bazı mülkiyet puanları 0 veya 1'e çok yakın olduğunda ne yapmalıyım?
Neredeyse aşırı puanlar, tahminciyi kararsızlaştıran büyük ağırlıklar üretir. Öncelikle, stabilize edilmiş ağırlıkları kullanın. Dengesizlik devam ederse, örneği ortak destek bölgesine kırpmayı (örneğin, [0.01, 0.99] dışındaki puanlara sahip birimleri hariç tutarak) veya çift sağlam veya eşleştirme tahmin edicisine geçmeyi düşünün.
PSW ölçülmemiş karıştırıcıları işleyebilir mi?
Hayır. PSW güçlü göz ardı edilebilirliği varsayar — hem tedavi hem de sonucu etkileyen tüm karıştırıcılar X'e dahil edilir. Önemli karıştırıcılar ölçülmemişse, ağırlıklı tahmin yanlı kalır. Bir duyarlılık analizi (örneğin, Rosenbaum sınırları), sonucu tersine çevirmek için ne kadar gizli yanlılığın gerektiğini ölçebilir.
PSW bir lojistik regresyon mülkiyet modeli gerektirir mi?
Zorunlu değil. Lojistik regresyon en yaygın seçenektir, ancak herhangi bir ikili sınıflandırıcı — gradyan artırma, rastgele ormanlar veya LASSO cezalı lojistik regresyon — kullanılabilir. Model seçimi için kriter, örnek içi uyum değil, ağırlıklandırılmış örneklemdeki kovaryant dengesi olmalıdır.
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 ↗
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Propensity Score Weighting Estimator. ScholarGate. https://scholargate.app/tr/causal-inference/propensity-score-weighting
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
- Entropi DengelemeNedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır