Nedensellik için Duyarlılık Analizi
Sensitivity Analysis for Hidden Bias in Causal Inference · Ayrıca şöyle bilinir: sensitivity analysis, hidden-bias sensitivity analysis, Rosenbaum sensitivity analysis, omitted-variable sensitivity
Nedensellik için duyarlılık analizi, nedensel bir sonucun gözlemlenmemiş karıştırıcı faktörlere (confounder) karşı ne kadar sağlam olduğunu değerlendirir. Tüm karıştırıcı faktörlerin kontrol edildiği varsayımı yerine, ölçülmemiş bir değişkenin tahmin edilen etkiyi tersine çevirmek için ne kadar güçlü olması gerektiği sorusunu sorar. Herhangi bir yarı-deneysel veya gözlemsel nedensel analizden sonra vazgeçilmez bir sağlamlık kontrolüdür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+4 tane daha
Ne zaman kullanılır
Tedavi atamasının tam olarak rastgeleleştirilemediği gözlemsel veya yarı-deneysel verilere dayanan bir nedensel iddia olduğunda duyarlılık analizini kullanın. Önemli bir karıştırıcı faktörün ölçülmemiş olabileceği eğilim skoru eşleştirmesi (propensity score matching), ters olasılık ağırlıklandırması (inverse probability weighting), DiD veya regresyon ayarlamasından sonra özellikle önemlidir. İyi bir araştırma tasarımının yerini tutmaz — kötü tasarlanmış bir çalışmayı kurtarmak yerine onu güçlendirir. Ayrıca, tasarım gereği karıştırıcı faktörlerin ortadan kaldırıldığı iyi yürütülmüş bir rastgele kontrollü denemeden (randomized controlled trial) sonra gerekli değildir.
Güçlü yönler & sınırlılıklar
- Bir bulguyu tersine çevirmek için ne kadar ölçülmemiş karıştırıcı faktör gerektiğini tam olarak ölçer ve okuyuculara güvenilirlik konusunda kalibre edilmiş bir his verir.
- Birincil analizi yeniden çalıştırmadan, birçok farklı nedensel tahminciye — eşleştirme, ağırlıklandırma, DiD, regresyon — uygulanabilir.
- Rosenbaum'un Gamma'sı ve Cinelli-Hazlett'in sağlamlık değerleri yorumlanabilir ve gözlemlenen kovaryetlerle karşılaştırılabilir.
- Nedensel iddialardaki belirsizliğin yanlış güven yerine şeffaf, dürüst raporlanmasını teşvik eder.
- Ekonomide, epidemiyolojide ve sosyal bilimlerde hakemler tarafından standart bir sağlamlık kontrolü olarak yaygın kabul görmüştür.
- Gerçekte ölçülmemiş karıştırıcı faktörü tanımlamaz — yalnızca endişe eşiğini ölçer, bu eşiğin aşılıp aşılmadığını değil.
- Rosenbaum'un yaklaşımı belirli bir en kötü durum (worst-case) düşmanca yapı varsayar; gerçek karıştırıcı faktörler farklı çalışabilir.
- Yüksek bir kritik Gamma güvence verir ancak gizli yanlılığı dışlamaz — yalnızca yanlılığın çok büyük olması gerektiğini gösterir.
- Yorumlama, 'makul' karıştırıcı faktör seviyelerinin ne olduğuna dair yargı gerektirir; bu, alana göre değişir ve hesaplanmak yerine tartışılmalıdır.
SSS
Rosenbaum'un çerçevesinde Gamma'nın 2'ye eşit olması ne anlama gelir?
Bu, ölçülmemiş bir karıştırıcı faktör nedeniyle iki eşleştirilmiş birimin tedavi görme olasılıklarında 2 kat farklılık gösterebileceği anlamına gelir. Eğer sonucunuz Gamma = 2'yi atlatırsa, bulgunuz kaybolmadan önce gizli yanlılığın tedavi olasılığını en az iki katına çıkarması gerekir.
Duyarlılık analizi plasebo testinden nasıl farklıdır?
Bir plasebo testi, tahminciyi tedavi edilmemesi gereken bir gruba veya sonuca uygulayarak yanlış sonuçları kontrol eder. Duyarlılık analizi bunun yerine, gerçek tahmini geçersiz kılmak için ölçülmemiş karıştırıcı faktörün ne kadar güçlü olması gerektiğini ölçer. Her ikisi de sağlamlık kontrolüdür ancak farklı geçerlilik tehditlerine hitap ederler.
Rastgele bir deneyden sonra duyarlılık analizi yapmam gerekir mi?
Genellikle hayır. Rastgeleleştirme, tasarım gereği sistematik karıştırıcı faktörleri ortadan kaldırır, bu nedenle duyarlılık analizini motive eden endişe geçerli değildir. Tedavi atamasının rastgele yapılmadığı gözlemsel ve yarı-deneysel çalışmalar için geçerlidir.
Hangi duyarlılık çerçevesini kullanmalıyım — Rosenbaum mu yoksa Cinelli-Hazlett mi?
Eşleştirilmiş tasarımlardan sonra Rosenbaum'un Gamma yaklaşımını kullanın. Regresyon tabanlı analizlerden sonra Cinelli ve Hazlett'in ölçülmemiş değişken sağlamlık değerlerini kullanın, çünkü kısmi R-kare parametrelendirmeleri bu bağlamda doğaldır ve gözlemlenen kovaryetlerle karşılaştırmaya olanak tanır.
Ne 'sağlam' bir bulgu olarak kabul edilir?
Evrensel bir eşik yoktur, ancak yaygın bir sezgisel kural, 1.5–2'nin (Rosenbaum) üzerindeki bir Gamma veya en güçlü ölçülen kovaryetin (Cinelli-Hazlett) değerlerini aşan sağlamlık değerlerinin makul bir sağlamlık gösterdiği yönündedir. Nihai argüman, makul ölçülmemiş karıştırıcı faktörlerin ne kadar güçlü olabileceğine dair alan bilgisine dayanmalıdır.
Kaynaklar
- Rosenbaum, P. R. (2002). Observational Studies (2nd ed.). Springer. ISBN: 978-0387989679
- Cinelli, C., & Hazlett, C. (2020). Making sense of sensitivity: Extending omitted variable bias. Journal of the Royal Statistical Society: Series B, 82(1), 39-67. DOI: 10.1111/rssb.12348 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Sensitivity Analysis for Hidden Bias in Causal Inference. ScholarGate. https://scholargate.app/tr/causal-inference/sensitivity-analysis-for-causality
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
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır