Mekansal Kaba Eşleştirme (Mekansal CEM)
Spatial Coarsened Exact Matching Estimator · Ayrıca şöyle bilinir: Spatial CEM, Geographic CEM, Spatial exact matching, CEM with spatial covariates
Mekansal Kaba Eşleştirme, Coarsened Exact Matching (CEM) çerçevesini coğrafi birimleri içeren çalışma tasarımlarına uygulamaktadır – mahalleler, nüfus sayım bölgeleri, belediyeler veya grid hücreleri. Kovaryetler ayrık kutulara kaba hale getirilir ve birimler bu kutular üzerinde tam olarak eşleştirilir; mekansal karıştırıcıları kontrol etmek için mekansal öznitelikler (konum, komşuluk, coğrafi özellikler) eşleştirme boyutları olarak dahil edilir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Birimleriniz coğrafi alanlar veya konumlarsa, işlem ataması mekansal olarak değişiyorsa ve konuma özgü özelliklerin (kentsel yoğunluk, altyapıya yakınlık, bölgesel politika rejimleri) işlem-sonuç ilişkisini karıştırdığından şüpheleniyorsanız Mekansal CEM'i kullanın. Özellikle mekansal birim sayısı orta düzeydeyse (kabaca 50 ila birkaç bin), kovaryet dağılımları işlem görmüş ve kontrol alanları arasında yeterince örtüşüyorsa ve model tabanlı eğilim skorları yerine şeffaf, varsayımları hafif denge istiyorsanız uygundur. Coğrafi birimler eşleştirilmiş tabakalar oluşturamayacak kadar azsa, mekansal yayılmalar işlem görmüşten kontrol birimlerine yaygınsa (SUTVA ihlalleri) veya tam tabaka eşleştirmesi kalan örneği temsilci olmaktan çıkaracak kadar çok birimi budayacaksa kullanmayın.
Güçlü yönler & sınırlılıklar
- Eşleştirilmiş tabakalar içinde tam kovaryet dengini garanti eder, coğrafi veya kovaryet uzayında modele bağlı ekstrapolasyonu ortadan kaldırır.
- Coğrafi kovaryetleri zorunlu eşleştirme boyutları olarak dahil ederek mekansal karıştırıcıları şeffaf bir şekilde kontrol eder.
- Parametrik olmayan: eğilim skoru modeli belirtilmesini gerektirmez, fonksiyonel form varsayımlarına duyarlılığı azaltır.
- Eşleştirilmemiş tabakaların budanması, çıkarımın kapsamını açık hale getirir – araştırmacılar, mekansal örneğin hangi kısmının tahmini desteklediğini tam olarak bilirler.
- R'de (MatchIt, CEM paketleri) uygulaması basittir ve mekansal veri araçlarıyla (sf, sp, GeoDa) kolayca birleştirilebilir.
- Kaba hale getirme seçimleri (kutu sınırları) özneldir ve hangi birimlerin eşleştirildiğini ve hangi etkinin tahmin edildiğini önemli ölçüde etkileyebilir.
- Çok sayıda mekansal kovaryet dahil edildiğinde veya kutular ince taneli olduğunda, tabakalar seyrek hale gelir, örneğin büyük kesirlerini budar ve dış geçerliliği azaltır.
- Mekansal CEM, gözlemlenen mekansal karıştırıcıları kontrol eder ancak dahil edilen kovaryetler tarafından yakalanmayan gözlemlenmemiş mekansal heterojenliğe karşı savunmasız kalır.
- Mekansal yayılmaları doğrudan modellemez; bir alandaki işlem, komşu kontrol alanlarındaki sonuçları etkilerse, ATT tahmini kirlenir.
- Mekansal kutular üzerinde eşleştirme, eşleştirilmiş tabaka içindeki artık coğrafi değişimi göz ardı eder, bu da hala karıştırıcı olabilir.
SSS
Mekansal CEM standart CEM'den nasıl farklıdır?
Standart CEM, herhangi bir gözlemlenen kovaryet kümesi üzerinde eşleştirme yapar. Mekansal CEM, bölge, kentsel-kırsal sınıflandırma, uzaklık desilleri veya mekansal küme göstergeleri gibi coğrafi kovaryetleri zorunlu eşleştirme boyutları olarak açıkça dahil eder. Bu, eşleştirilmiş çiftlerin hem gözlemsel hem de coğrafi olarak karşılaştırılabilir olmasını sağlar ve standart CEM'in mekansal değişkenler dahil edilmediğinde göz ardı edeceği konuma dayalı karıştırmayı kontrol eder.
Mekansal kovaryetler için kaba hale getirme kutularını nasıl seçerim?
Kutular, sonuçlara bakılmadan önce belirlenen özsel olarak anlamlı coğrafi tabakaları yansıtmalıdır – örneğin, idari bölgeler, kentsel-banliyö-kırsal sınıflandırma veya bir dönüm noktasından uzaklık dörtte birlikleri. Veri güdümlü kutu seçiminden kaçının, çünkü bu belirtim aramasını içerir. Sağlanan çıkarımın sağlamlığını değerlendirmek için makul kaba hale getirme şemaları boyunca duyarlılık analizleri önerilir.
Eşleştirme sırasında birçok birim budanırsa ne olur?
Büyük budama, işlem görmüş ve kontrol kovaryet dağılımlarının yalnızca coğrafi-kovaryet uzayının dar bir bölgesinde örtüştüğü anlamına gelir. Ortaya çıkan ATT, o örtüşen alt popülasyon için geçerlidir ancak tüm işlem görmüş alanlara genellenmeyebilir. Budanan kesri bildirin ve tutulan ve budanan işlem görmüş birimlerin nasıl farklılaştığını karakterize edin, böylece okuyucular çıkarımın kapsamını anlar.
Mekansal olarak kümelenmiş standart hataları kullanmalı mıyım?
Evet, eğer kalanlar eşleştirilmiş tabakalar içinde mekansal olarak otokorelasyonlu ise. Eşleştirmeden sonra, kalan mekansal otokorelasyonu test edin (örneğin, kalanlar üzerinde Moran'ın I'i). Anlamlıysa, standart hataları mekansal blok veya coğrafi birim düzeyinde kümeleyin veya mekansal HAC tahmincileri kullanın. Mekansal otokorelasyonu göz ardı etmek, muhafazakar olmayan çıkarıma yol açar.
Mekansal CEM, işlem görmüş ve kontrol birimleri arasındaki mekansal yayılmaları idare edebilir mi?
Hayır – tüm standart eşleştirme tahmincileri gibi, Mekansal CEM de Kararlı Birim İşlem Değeri Varsayımını (SUTVA) varsayar: bir birimin sonucu yalnızca kendi işlem durumuna bağlıdır. İşlem görmüş alanlar komşu kontrol alanlarına dışsallıklar (örneğin, yerinden edilme etkileri, bilgi yayılmaları) üretiyorsa, kontrol grubu sonuçları kirlenir. Bu gibi durumlarda, mekansal fark-farklar ve yayılma-dayanıklı tahmincilerle veya potansiyel olarak kirlenmiş kontrol birimlerini hariç tutan coğrafi tamponlar tanımlayarak düşünün.
Kaynaklar
- Iacus, S. M., King, G., & Porro, G. (2012). Causal Inference without Balance Checking: Coarsened Exact Matching. Political Analysis, 20(1), 1-24. DOI: 10.1093/pan/mpr013 ↗
- Anselin, L., & Rey, S. J. (Eds.) (2014). Modern Spatial Econometrics in Practice: A Guide to GeoDa, GeoDaSpace and PySAL. GeoDa Press. ISBN: 978-0986342103
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Spatial Coarsened Exact Matching Estimator. ScholarGate. https://scholargate.app/tr/causal-inference/spatial-coarsened-exact-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
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Uzamsal Çift Sağlam TahminNedensel çıkarım↔ karşılaştır
- Mekansal Eğilim Puanı EşleştirmesiNedensel çıkarım↔ karşılaştır
- Mekansal Regresyon Kesinti Tasarımı (Mekansal RDD)Nedensel çıkarım↔ karşılaştır