Sağlam Eğilim Skoru Eşleştirmesi
Robust Propensity Score Matching Estimator · Ayrıca şöyle bilinir: robust PSM, PSM with robust variance, bias-corrected PSM, matching with robust inference
Sağlam Eğilim Skoru Eşleştirmesi (sağlam PSM), tedavi görme olasılığı (eğilim skoru) tahmin edilen birimlere göre tedavi görmüş ve kontrol birimlerini eşleştiren ve ardından eğilim skorunun kendisini tahmin etmekten kaynaklanan belirsizliği hesaba katan varyans tahmin edicileri kullanarak ortalama tedavi etkisini tahmin eden yarı-deneysel nedensel çıkarım yöntemidir. Abadie ve Imbens (2016) tarafından geliştirilen düzeltme, eşleştirmeden sonra naif olarak uygulanan standart bootstrap veya analitik formüllerin ürettiği yanıltıcı çıkarımı önler.
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 ikili tedavi ve ön-tedavi kovaryetlerinden oluşan zengin bir kümesi olan ve varsayılan olarak kabul edilebilen durumlarda nedensel tedavi etkisi tahmini istediğinizde sağlam PSM kullanın. Özellikle eşleştirilmiş örneklem boyutu mütevazı (< 500 eşleştirilmiş çift) olduğunda ve yalnızca bir nokta tahmini yerine çıkarım için güvenilir standart hatalara ihtiyaç duyduğunuzda uygundur. Güven aralıkları veya p-değerleri raporlamayı planladığınız her durumda naif PSM yerine sağlam PSM'yi tercih edin. Anahtar karıştırıcıların gözlemlenmediği durumlarda kullanmayın — eşleştirme yalnızca gözlemlenen seçim yanlılığını giderir. Tedavi ve kontrol kovaryet dağılımlarının zar zor örtüştüğü (zayıf ortak destek) veya sonuç veya tedavinin önemli ölçüde hata ile ölçüldüğü durumlarda kaçının.
Güçlü yönler & sınırlılıklar
- Standart PSM varyans tahmin edicilerindeki bilinen aşağı yönlü yanlılığı düzeltir ve doğru kapsama oranına sahip güven aralıkları üretir.
- Parametrik bir sonuç modeli gerektirmeden gözlemlenen karıştırıcıları dengeler, bu da tahmini sonuç modeli yanlış belirtilmesine karşı daha sağlam hale getirir.
- Şeffaf: denge tanıları (SMD grafikleri, love grafikleri) karıştırmanın ne kadar iyi giderildiğinin doğrudan incelenmesine olanak tanır.
- Çift sağlam veya yarı-parametrik alternatiflere kıyasla büyük örneklem gereksinimleri olmadan birçok disiplinde uygulanabilir.
- Esnek kalibre ve eşleştirme oranı seçenekleri, uygulayıcıların veri yapısına göre yanlılık karşılığında varyansı takas etmelerine olanak tanır.
- Varsayılan olarak (ölçülmemiş karıştırıcı yok) verilerden tek başına test edilemez; yöntem gizli yanlılığı gideremez.
- Eşleştirme, eşlenmemiş kontrol birimlerini atar, potansiyel olarak bilgi israf eder ve etkili örneklem boyutunu azaltır.
- Abadie-Imbens sağlam varyansı, en yakın komşu eşleştirmesine uygulanır; ek adaptasyon olmadan çekirdek veya yarıçap eşleştirmesine otomatik olarak genişletilmez.
- Sonuç modeli varsayılmasa bile, eğilim modeli önemli ölçüde yanlış belirtildiğinde performans düşer.
SSS
Sağlam eğilim skoru eşleştirmesi standart PSM'den nasıl farklıdır?
Eşleştirme prosedürü ve ATT nokta tahmini aynıdır. Fark, standart hatalardadır: standart PSM tipik olarak eğilim skorlarını bilinen olarak kabul eden naif analitik formülleri veya bootstrap'i kullanır, belirsizliği hafife alır. Sağlam PSM, eğilim skorlarının tahmin edilmesinden kaynaklanan varyans için bir düzeltme terimi ekleyerek geçerli güven aralıkları ve p-değerleri üretir.
Abadie-Imbens düzeltmesi yerine bootstrap kullanabilir miyim?
Son eşleştirilmiş veri kümesinin bootstrap'lenmesi geçerli değildir çünkü her bootstrap alt örneği eğilim skorlarını farklı şekilde yeniden tahmin eder, ancak orijinal örneklemdeki eşleşmeler sabittir. Abadie ve Imbens, vahşi bootstrap yöntemlerinin bile en yakın komşu eşleştirmesi için asimptotik olarak geçersiz olduğunu gösterdi. Bunun yerine analitik varyans düzeltmesini kullanın.
Eşleştirmeden sonra kovaryetlerim iyi dengelenmezse ne olur?
Kalibreyi sıkın (örneğin, log-olasılık skorunun 0.1 veya 0.2 standart sapmasına), eşleşme sayısını artırın veya etkileşimler veya doğrusal olmayan terimler ekleyerek eğilim modelini yeniden belirtin. Denge zayıf kalırsa, alternatif olarak entropi dengeleme veya çift sağlam tahminini düşünün.
Tedavi başına kaç eşleşme kullanmalıyım?
Bire-bir eşleştirme yanlılığı en aza indirir ancak varyansı en üst düzeye çıkarır. 2-1 veya 3-1'e artırmak, daha uzak kontroller kullanıldığı için potansiyel olarak daha kötü denge maliyetiyle varyansı azaltır. Pratikte, bire-bir ile başlayın ve dengeyi değerlendirin; yalnızca varyans sorunluysa ve denge tanıları kabul edilebilir kalırsa daha fazla eşleşme ekleyin.
Sağlam PSM gözlemlenmeyen karıştırıcıları ele alır mı?
Hayır. Tüm eşleştirme yöntemleri gibi, sağlam PSM de varsayılan varsayımına dayanır — tüm karıştırıcıların ölçüldüğü ve eğilim modeline dahil edildiği. Gözlemlenmeyen karıştırıcılar bir tehdit olmaya devam ediyor. Hassasiyet analizi (örneğin, Rosenbaum sınırları), sonucun tersine çevrilmesi için gizli bir karıştırıcının ne kadar güçlü olması gerektiğini nicelendirebilir.
Kaynaklar
- Abadie, A., & Imbens, G. W. (2016). Matching on the Estimated Propensity Score. Econometrica, 84(2), 781-807. DOI: 10.3982/ECTA11293 ↗
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Propensity Score Matching Estimator. ScholarGate. https://scholargate.app/tr/causal-inference/robust-propensity-score-matching
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
- 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
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır