Sağlam Kesintili Zaman Serisi Analizi
Robust Interrupted Time Series Analysis · Ayrıca şöyle bilinir: robust ITS, outlier-robust ITS, robust segmented regression, robust ITSA
Sağlam Kesintili Zaman Serisi Analizi (Robust Interrupted Time Series Analysis), aykırı değerlere dayanıklı veya değişen varyansa (heteroskedasticity) karşı tutarlı standart hatalarla donatılmış kesikli regresyon kullanılarak, bir politikanın veya müdahalenin zaman içindeki toplu bir sonuç üzerindeki nedensel etkisini tahmin eden yarı-deneysel bir yöntemdir. Zaman serisi etkili gözlemler, sabit olmayan varyans veya hafif otokorelasyon içerdiğinde sağlık hizmetleri araştırmaları ve halk sağlığı değerlendirmelerinde yaygın olarak kullanılır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Her segment için en az 8-12 gözlem (daha fazla daha iyidir; 50+ idealdir), açıkça tanımlanmış bir müdahale tarihi ve standart ITS'yi baltalayacak aykırı değerler, sabit olmayan varyans veya hafif seri korelasyon şüphesi olduğunda Sağlam ITS'yi kullanın. Verilerin kayıt anomalilerine eğilimli idari sistemlerden geldiği veya pilot dönemlerin müdahale sonrası erken dönemde dalgalanmalara neden olduğu durumlarda tercih edilen formülasyondur. Ciddi otokorelasyonu gidermek için bir ikame olarak kullanmayın — orada ARIMA düzeltmeli bir ITS daha uygundur. Seri çok kısaysa (segment başına 6'dan az nokta) kaçının, çünkü sağlam tahminciler küçük örneklemlerde güvenilmezdir.
Güçlü yönler & sınırlılıklar
- Standart ITS'nin sezgisel nedensel mantığını korurken, değişen varyans ve hafif otokorelasyon altında geçerli çıkarım üretir.
- Bir avuç aykırı zaman noktasının seviye değişimi ve eğim değişimi tahminlerini bozmasına karşı korur.
- Sandviç (HC/HAC) standart hataları, doğru şekilde belirtilmiş bir ortalama fonksiyonu dışında hiçbir dağılım varsayımı gerektirmez.
- Hem tek gruplu hem de kontrollü ITS tasarımlarına (eş zamanlı bir karşılaştırma serisi ile) uygulanabilir.
- Standart ITS'ye göre minimum ek çabayla standart istatistiksel yazılımlarda (R itsadug, Stata itsa, Python statsmodels) yaygın olarak mevcuttur.
- Sağlam yöntemler çıkarımı düzeltir ancak modelin yanlış belirtilmesinden kaynaklanan yanlılığı ortadan kaldırmaz — kesikli-doğrusal biçim yanlışsa, ne standart ne de sağlam ITS geçerlidir.
- Çok kısa segmentlerde (segment başına n < 6), sağlam sandviç tahmincileri güvenilmezdir ve OLS standart hatalarından daha kötü kapsama alanı üretebilir.
- Sağlam ITS, güçlü otokorelasyonu tam olarak ele almaz; Newey-West gecikmeleri dikkatlice seçilmelidir ve ciddi AR yapısı açık ARIMA modellemesi gerektirir.
- Yöntem hala tek, bilinen bir kırılma noktası gerektirir; birden fazla veya kademeli müdahaleler, çoklu kırılma noktası veya dinamik ITS gibi uzantılar gerektirir.
SSS
Sağlam ITS standart ITS'den nasıl farklıdır?
Nedensel model ve tanımlama mantığı aynıdır. Fark tamamen istatistikseldir: Sağlam ITS, hata varyansı sabit olmadığında veya birkaç zaman noktası anormal olduğunda çıkarımın geçerli kalması için OLS standart hatalarını değişen varyansa karşı tutarlı (sandviç) veya aykırı değer ağırlığını azaltan (M-tahmini) alternatiflerle değiştirir.
Ne zaman Newey-West HAC yerine M-tahminini kullanmalıyım?
Değişen varyans ve hafif otokorelasyon şüphesi olduğunda ancak verilerde ciddi aykırı değerler olmadığında Newey-West (HAC) kullanın. Açıkça anormal zaman noktalarının OLS üzerinde aşırı kaldıraç etkisi yaratacağı durumlarda M-tahminini (veya MM-tahminini) kullanın. Hassasiyet analizi için her ikisini de uygulayabilirsiniz.
Ne kadar zaman noktasına ihtiyacım var?
Yaygın olarak belirtilen minimum, segment başına 8 gözlemdir (önce ve sonra), ancak kararlı sandviç tahminleri için segment başına 12-20 tercih edilir. Segment başına 6'dan az gözlemle ne standart ne de sağlam ITS güvenilir değildir — bunun yerine tek-durum tasarım yöntemlerini düşünün.
Sağlam ITS bir karşılaştırma grubu gerektirir mi?
Hayır, önemli eş zamanlı olaylar müdahale ile çakışmadığı sürece tek gruplu tasarım geçerlidir. Ancak, eş zamanlı bir kontrol serisi (kontrollü ITS) eklemek, özellikle artık çizimlerin karıştırıcıları gizleyebileceği sağlam varyantlar için nedensel iddiaları büyük ölçüde güçlendirir.
Sağlam ITS'yi panel verilere uygulayabilir miyim?
Evet — panel (çok birimli) ITS, küme-sağlam veya birim-sabit etkili sağlam standart hatalarla doğrudan bir uzantıdır ve genellikle birden fazla bölgeyi veya tesisi kapsayan politika değerlendirmeleri için tercih edilir.
Kaynaklar
- Bernal, J. L., Cummins, S., & Gasparrini, A. (2017). Interrupted time series regression for the evaluation of public health interventions: a tutorial. International Journal of Epidemiology, 46(1), 348-355. DOI: 10.1093/ije/dyw098 ↗
- Linden, A. (2015). Conducting interrupted time-series analysis for single- and multiple-group comparisons. Stata Journal, 15(2), 480-500. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Interrupted Time Series Analysis. ScholarGate. https://scholargate.app/tr/causal-inference/robust-interrupted-time-series
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
- Dinamik Kesintili Zaman SerileriNedensel çıkarım↔ karşılaştır
- Kesintili Zaman Serisi (KZS) AnaliziNedensel çıkarım↔ karşılaştır
- Kesintili Zaman Serisi Panel VerileriNedensel çıkarım↔ karşılaştır
- Sağlam Farkların Farkı YöntemiNedensel çıkarım↔ karşılaştır