Sağlam Eğilim Skoru Ağırlıklandırması
Robust Propensity Score Weighting Estimator · Ayrıca şöyle bilinir: robust PSW, robust IPW, robustness-augmented propensity score weighting, misspecification-robust weighting
Sağlam Eğilim Skoru Ağırlıklandırması, eğilim skoru modelinin yanlış belirtilmesi ve aşırı ağırlıklar gibi durumlara karşı koruma sağlayarak standart ters olasılık ağırlıklandırmasını genişletir. Eğilim skoru modeli kusurlu bir şekilde belirtilmiş olsa bile nedensel etki tahminlerinin güvenilir kalmasını sağlamak için ağırlık kırpma, örtüşme ağırlıklandırması veya artırılmış sonuç modelleri gibi teknikleri birleştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Eğilim skoru modelinin kusurlu bir şekilde belirtilmiş olabileceğinden şüpheleniyorsanız veya tanısal kontroller varyansı veya yanlılık tahminlerini artıran aşırı ağırlıkları ortaya çıkarıyorsa Sağlam Eğilim Skoru Ağırlıklandırması kullanın. Gözlemsel kesitsel veya panel verileri, sürekli veya ikili bir sonuç ve bootstrap çıkarımını destekleyecek yeterli örneklem büyüklüğü ile uygundur. Tedavi ve kontrol grupları arasındaki temel örtüşme eksikliğini gidermek için bir ikame olarak kullanmayın — kovaryat dağılımları zar zor örtüştüğünde, sağlam ağırlıklandırma sorunu hafifletebilir ancak ortadan kaldıramaz ve farklı bir tasarıma ihtiyaç duyulabilir.
Güçlü yönler & sınırlılıklar
- Tahmini yanlış fonksiyonel form varsayımlarına daha az duyarlı hale getirerek eğilim skoru modelinin yanlış belirtilmesine karşı koruma sağlar.
- Örtüşme ağırlıkları ve kırpma, aşırı ağırlıkların neden olduğu varyans artışını azaltarak sonlu örneklem performansını iyileştirir.
- Çift sağlam artırma, eğilim modeli veya sonuç modeli — ancak ikisi birden değil — doğru bir şekilde belirtilmişse tutarlılığı sağlar.
- Duyarlılık analizi araçları, sonucun ölçülmemiş karıştırıcı faktörlere karşı ne kadar sağlam olduğunu açıkça nicel olarak belirler.
- Ağırlıklı ortalama tedavi etkisinin yorumlanabilirliğini korurken, yaygın hata modlarına karşı koruyucu katmanlar ekler.
- Kırpma veya örtüşme ağırlıklandırması hedef popülasyonu değiştirir, bu nedenle tahmin edici artık tam örneklem için ATE veya ATT olmayabilir — tahmin edici kayması rapor edilmelidir.
- Çift sağlam varyantlar, ikinci bir (sonuç) modelin belirtilmesini ve uyarlanmasını gerektirir, bu da model karmaşıklığını ve hesaplama maliyetini artırır.
- Sağlam ağırlıklandırma bile ölçülmemiş karıştırıcı faktörleri düzeltemez; duyarlılık analizleri bu tehdidi sınırlar ancak ortadan kaldırmaz.
- Kırpma eşiklerinin veya ağırlıklandırma şemalarının seçimi, önceden kaydedilmemişse belirtim aramasına yol açabilecek araştırmacı takdirini içerir.
SSS
Eğilim skoru ağırlıklandırmasını 'sağlam' yapan nedir?
Sağlamlık, bir veya daha fazla strateji aracılığıyla elde edilir: aykırı gözlemlerin etkisini sınırlamak için aşırı ağırlıkları kırpmak veya sınırlamak; tahminin en güvenilir olduğu orta düzey eğilim skorlarına sahip birimlere odaklanan örtüşme ağırlıkları kullanmak; veya IPW tahmincisini bir sonuç modeliyle artırmak, böylece modellerden herhangi birinin tek başına yanlış belirtilmesi tutarlılığı bozmaz.
Sağlam PSW, çift sağlam tahminden nasıl farklıdır?
Çift sağlam tahmin, ters olasılık ağırlıklı sonucu bir sonuç modeliyle artıran bir sağlam PSW türüdür. Sağlam PSW, bir sonuç modeli gerektirmeyen ancak ağırlık modifikasyonu yoluyla sağlamlık elde eden kırpma tabanlı ve örtüşme ağırlıklandırma yaklaşımlarını da içeren daha geniş bir ailedir.
Ağırlıkları ne zaman kırpmalıyım veya örtüşme ağırlıkları kullanmalıyım?
Kırpma, ara sıra ortaya çıkan aşırı ağırlıklar için basit bir düzeltmedir ve orijinal örneklemin çoğunu korur. Örtüşme ağırlıkları, birimlerin önemli bir kısmının eğilim skorları 0 veya 1'e yakın olduğunda tercih edilir, çünkü bunlar zayıf örtüşen birimleri sorunsuz bir şekilde daha az ağırlıklandırır ve açıkça yorumlanabilir bir tahmin edici (örtüşme popülasyonu) tanımlar. Eğer örtüşme popülasyonu politika sorusuna göre çok darsa, iki yaklaşım da yeterli değildir.
Sağlam PSW, paralel eğilimler veya karıştırıcı faktörsüzlük varsayımına olan ihtiyacı ortadan kaldırır mı?
Hayır. Sağlam PSW hala gözlemlenebilirler üzerine seçim (karıştırıcı faktörsüzlük) varsayımını gerektirir — yani tedavi ataması, gözlemlenen kovaryatlar koşullu olarak potansiyel sonuçlardan bağımsızdır. Sağlamlık, eğilim modeli yanlış belirtimine karşı dayanıklılığı ifade eder, ölçülmemiş karıştırıcı faktörlere karşı değil. Bir duyarlılık analizi ikincisini değerlendirir.
Ne kadar büyük bir örnekleme ihtiyacım var?
Standart PSW ile aynı minimum — en az 40 gözlem kabaca bir alt sınırdır — ancak çift sağlam veya bootstrap tabanlı çıkarım, iki model tahmin ettiği ve kararlı bootstrap yeniden örnekleme dağılımları gerektirdiği için daha büyük örneklemlerle (n > 200) en iyi şekilde çalışır.
Kaynaklar
- Robins, J. M., Rotnitzky, A., & Zhao, L. P. (1994). Estimation of regression coefficients when some regressors are not always observed. Journal of the American Statistical Association, 89(427), 846-866. DOI: 10.1080/01621459.1994.10476818 ↗
- Zhao, Q., Small, D. S., & Bhattacharya, B. B. (2019). Sensitivity analysis for inverse probability weighting estimators via the percentile bootstrap. Journal of the Royal Statistical Society: Series B, 81(4), 735-761. DOI: 10.1111/rssb.12327 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Propensity Score Weighting Estimator. ScholarGate. https://scholargate.app/tr/causal-inference/robust-propensity-score-weighting
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır
- Nedensellik için Duyarlılık AnaliziNedensel çıkarım↔ karşılaştır