Sağlam Eşleştirme Tahmincisi (Düzeltilmiş Eşleştirme)
Bias-Corrected Robust Matching Estimator · Ayrıca şöyle bilinir: bias-corrected matching, Abadie-Imbens matching, AI matching estimator, robust nearest-neighbor matching
Abadie ve Imbens (2006, 2011) tarafından geliştirilen sağlam eşleştirme tahmincisi, en yakın komşu eşleştirmesini, eşleştirilen birimlerin tam olarak benzemediği durumlarda ortaya çıkan sonlu örneklem yanlılığını ortadan kaldıran regresyon tabanlı bir yanlılık düzeltmesi ekleyerek genişletir. Bu, heteroskedastiklik-sağlam bir varyans formülü ile ortalama tedavi etkilerinin tutarlı, asimptotik olarak normal tahminlerini verir ki bu formül, sürekli kovaryat sayısından bağımsız olarak geçerlidir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gözlemsel verilerden nedensel bir tedavi etkisini tahmin etmeniz gerektiğinde ve güçlü göz ardı edilebilirlik varsayımı (tedavi ataması, kovaryatlara bağlı olarak potansiyel sonuçlardan bağımsızdır) makul olduğunda sağlam eşleştirme tahmincisini kullanın. Özellikle orta düzeyde sürekli kovaryat sayısına sahip olduğunuzda, kesin veya kaba kesin eşleştirmeyi zorlaştıran durumlarda değerlidir. Resmi yanlılık düzeltmeleri ve sağlam çıkarım istediğinizde standart eşleştirmeye tercih edin. Örtüşme varsayımı kötü olduğunda (tedavi ve kontrol kovaryat dağılımları örtüşmez), kovaryat sayısı çok yüksek olduğunda (boyutluluk laneti eşleşme kalitesini ve yanlılık düzeltmesini bozar) veya tedavi ataması verilerinizde gözlemlenmeyen değişkenlere bağlı olduğunda uygun değildir.
Güçlü yönler & sınırlılıklar
- Sonlu örneklem eşleştirme yanlılığını, standart eşleştirmede bulunmayan kusurlu eşleştirmelerden kaynaklanan yanlılığı gideren resmi bir yanlılık düzeltmesi sağlar.
- Sağlam varyans tahmincisi heteroskedastiklik tutarlıdır ve gözlemlerin eşleşme olarak birden çok kez kullanılmasını hesaba katar.
- Doğru şekilde belirtilmiş bir eğilim skoru modeli gerektirmez — eşleştirme doğrudan kovaryatlar üzerinde yapılır.
- Tek bir çerçeve altında hem ATE hem de ATT tahminini destekler.
- Asimptotik olarak normaldir, standart güven aralıklarına ve hipotez testlerine olanak tanır.
- Boyutluluk laneti: sürekli kovaryat sayısı arttıkça, eşleşme kalitesi bozulur ve yanlılık düzeltmesi yetersiz kalabilir.
- Güçlü göz ardı edilebilirlik varsayımı gerektirir — hem tedaviyi hem de sonucu etkileyen gözlemlenmeyen karıştırıcılar nedensel yorumu geçersiz kılar.
- M'nin (eşleşme sayısı) ve mesafe metriğinin seçimi, sonuçları etkileyebilecek araştırmacı takdirini beraberinde getirir.
- Yerel regresyon adımı nedeniyle basit en yakın komşu eşleştirmesinden hesaplama açısından daha yoğundur.
SSS
Sağlam eşleştirme tahmincisi standart en yakın komşu eşleştirmesinden nasıl farklıdır?
Standart en yakın komşu eşleştirmesi, tedavi etkisini eşleştirilmiş çiftler arasındaki ham sonuç farkı olarak alır. Sağlam versiyon, her eşleştirilmiş çift içindeki kalan kovaryat farkını hesaba katan regresyon tabanlı bir yanlılık düzeltmesi ekler ve çokluğu (aynı kontrolün birden çok tedavi edilen birime eşlenmesi) doğru bir şekilde ele alan bir varyans formülü kullanır. Bu, sürekli kovaryatlar varlığında çıkarım için geçerli olmasını sağlar.
Kaç eşleşme M kullanmalıyım?
M = 1 kullanmak minimum yanlılık ancak maksimum varyans verir; daha büyük M varyansı azaltır ancak zorlanan uzak eşleşmeler varsa yanlılığı artırabilir. Yaygın uygulama M'nin {1, 2, 4} olmasıdır. Abadie ve Imbens, yanlılık düzeltmesinin kusurlu olmayan eşleşmelerden kaynaklanan yanlılığı kısmen dengelediği için M değerleri üzerinden duyarlılık kontrolü yapmayı önermektedir.
Bu yöntem için bir eğilim skoruna ihtiyacım var mı?
Hayır. Sağlam eşleştirme tahmincisi, tipik olarak Mahalanobis olan bir mesafe metriği kullanarak doğrudan kovaryatlar üzerinde eşleştirme yapar ve eğilim skorunu atlar. Bu, eğilim skoru modeli belirsiz olduğunda bir avantaj olabilir, ancak aynı zamanda çok sayıda kovaryatla boyutluluk laneti endişelerinin neden ilgili olduğu şeydir.
Neden çift sağlam tahmin yerine çift sağlam tahmini tercih etmeliyim?
Çift sağlam yöntemler, çok sayıda kovaryatınız olduğunda veya hem sonuç hem de eğilim modelinin yanlış belirtilmesine karşı koruma istediğinizde tercih edilir. Sağlam eşleştirme tahmincisi, kovaryat boyutu düşük ila orta düzeyde olduğunda ve nedensel çıkarım için modele dayalı olmayan, modelden bağımsız bir yaklaşım istediğinizde rekabetçidir.
Yanlılık düzeltmesi her zaman yeterli midir?
Örtüşme zayıf olduğunda veya sürekli kovaryat sayısı büyük olduğunda değil. Yanlılık düzeltmesi, eşleştirilmiş birimler birbirinden uzaksa kendisi de hassas olabilen yerel bir regresyon kullanır. Bu gibi durumlarda, ortak destek üzerinde kırpma veya eğilim skoru ağırlıklandırma yöntemlerine geçmek tavsiye edilir.
Kaynaklar
- Abadie, A., & Imbens, G. W. (2011). Bias-Corrected Matching Estimators for Average Treatment Effects. Journal of Business & Economic Statistics, 29(1), 1-11. DOI: 10.1198/jbes.2009.07333 ↗
- Abadie, A., & Imbens, G. W. (2006). Large Sample Properties of Matching Estimators for Average Treatment Effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bias-Corrected Robust Matching Estimator. ScholarGate. https://scholargate.app/tr/causal-inference/robust-matching-estimator
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
- Eşleştirme TahmincisiNedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır