Uzamsal Çift Sağlam Tahmin
Spatial Doubly Robust Causal Estimation · Ayrıca şöyle bilinir: Spatial DR, Spatial AIPW, Spatial augmented IPW, Doubly robust spatial causal estimation
Uzamsal çift sağlam tahmin, eğilim puanı ağırlıklandırmayı sonuç regresyon modellemesiyle birleştiren, her iki bileşenin de yanlış belirtilmesine karşı koruma sağlayan ve birimler arasındaki uzamsal otokorelasyonu açıkça hesaba katan yarı parametrik bir nedensel çıkarım yöntemidir. Klasik artırılmış ters olasılık ağırlıklandırma (AIPW) tahmincisini, tedavi ataması ve sonuçların coğrafi olarak kümelendiği veya uzamsal olarak bağımlı olduğu ayarlara genişletir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Coğrafi olarak referanslanmış gözlemsel verileriniz, ikili veya sürekli bir tedavinizi ve (a) sonucun veya tedavi atamasının uzamsal otokorelasyonunun naif nedensel tahminleri yanlı hale getirebileceği ve (b) tek bir yardımcı modelin doğru belirtildiğinden emin olamayacağınız konusunda nedenleriniz olduğunda uzamsal çift sağlam tahmini kullanın. Çevresel epidemiyoloji (örn. kirlilik maruziyeti etkileri), kentsel ekonomi, tarım denemeleri ve bölgesel politika değerlendirmeleri için uygundur. Örneklem, hem bir eğilim modeli hem de bir uzamsal sonuç regresyonunu güvenilir bir şekilde tahmin etmek için çok küçükse veya birimler gerçekten bağımsızsa bundan kaçının - bu durumda standart bir AIPW veya IPW tahmincisi ek uzamsal karmaşıklık olmadan yeterlidir.
Güçlü yönler & sınırlılıklar
- Çift sağlam koruma: eğilim puanı modeli veya sonuç regresyonu doğru belirtildiği sürece tutarlıdır, bireysel model yanlış belirtilmesine duyarlılığı azaltır.
- Uzamsal bağımlılık altında geçerli çıkarım: otokorelasyonu hesaba katan varyans tahmincileri kullanır, uzamsal olarak ilişkili verilerde yaygın olan yanıltıcı derecede dar güven aralıklarından kaçınır.
- Esnek yardımcı modelleme: makine öğrenmesi sonuç ve eğilim modellerini (çapraz katlama yoluyla) barındırır, bu da onu karmaşık, yüksek boyutlu karıştırıcılara karşı dayanıklı hale getirir.
- Uzamsal karıştırıcıları ele alır: coğrafi olarak değişen kovaryantları ve tedavi atamasındaki uzamsal desenleri açıkça modeller, standart yöntemlerin kaçırdığı karıştırıcıları yakalar.
- Yarı parametrik verimlilik: her iki modelin de doğru belirtilmesi durumunda, ortalama tedavi etkisi için yarı parametrik verimlilik sınırına ulaşır.
- Hem uzamsal yapıyı içermesi gereken iki ayrı modelin (eğilim ve sonuç) belirtilmesini ve tahmin edilmesini gerektirir - bu da modelleme karmaşıklığını önemli ölçüde artırır.
- Uzamsal olarak duyarlı varyans tahmini (örn. uzamsal bir HAC tahmincisi için bir bant genişliği seçmek), çıkarımı maddi olarak etkileyebilecek ayarlama kararları içerir.
- Makine öğrenmesi yardımcıları için çapraz katlama, verileri katlamalara ayırırken uzamsal otokorelasyonu dikkate almalıdır; naif rastgele bölmeler bağımsızlık varsayımlarını ihlal eder.
- Ölçülmemiş uzamsal karıştırıcıların olmadığını varsayar - eğer uzamsal karıştırma gözlenmeyen bir değişken tarafından yönlendiriliyorsa, her iki yardımcı model de birlikte yanlış belirtilir ve çift sağlam garanti başarısız olur.
- Büyük uzamsal veri kümeleriyle hesaplama açısından yoğundur: uzamsal olarak değişen katsayı veya Gauss süreci sonuç modelleri, yaklaşımlar olmadan kötü ölçeklenir.
SSS
Uzamsal çift sağlam tahmin, standart AIPW'den nasıl farklıdır?
Standart AIPW, bağımsız birimleri varsayar ve geleneksel varyans tahmincileriyle uzamsal olmayan eğilim ve sonuç modellerini kullanır. Uzamsal DR, her iki yardımcı bileşene de coğrafi kovaryantları veya uzamsal olarak değişen modelleri dahil eder ve otokorelasyon altında geçerli kalan uzamsal HAC veya kümelenmiş bootstrap gibi varyans tahmincileri kullanır.
Bu bağlamda 'çift sağlam' ne anlama geliyor?
Tahminci, eğilim puanı modeli veya sonuç regresyon modeli doğru belirtilmişse ortalama tedavi etkisi için tutarlıdır, ancak her ikisi de doğru belirtilmişse değil. Bu, bir bileşenin yanlış belirtilmesine karşı koruma sağlar, ancak her ikisinin de aynı anda yanlış belirtilmesine karşı koruma sağlamaz.
Uzamsal bir ayarda çapraz katlama için verileri nasıl bölmeliyim?
Uzamsal katlamalar kullanın - rastgele bölmeler yerine bitişik coğrafi bloklar - böylece tutulan katlamadaki gözlemler eğitim katlamasından uzamsal olarak ayrılır. Rastgele bölmeler katlamalar arasında uzamsal sızıntıya izin verir, yardımcı tahminleri yanlı hale getirir ve çapraz katlama garantisini geçersiz kılar.
Uzamsal etkileşim (yayılmalar) varsa ne olur?
Standart SUTVA ihlal edilir ve tahminci tanımlanmamış bir bireysel tedavi etkisini hedefler. Tahmincinizi (örn. doğrudan vs. yayılma etkileri) açıkça tanımlamalı ve ağ nedensel çıkarımı veya kısmi popülasyon deneyleri gibi etkileşimi açıkça modelleyen bir tahmin çerçevesi kullanmalısınız.
Uzamsal bir HAC varyans tahmincisi için bant genişliğini nasıl seçerim?
Yaygın seçimler, artıklar içindeki uzamsal otokorelasyonun ampirik aralığına (örn. bir variogramdan) veya zaman serisi HAC tahmininde kullanılanlara benzer veri güdümlü bant genişliği seçme yöntemlerine dayanır. Olası bant genişliği değerleri boyunca duyarlılık analizi şiddetle tavsiye edilir.
Kaynaklar
- Papadogeorgou, G., Mealli, F., & Zigler, C. M. (2019). Causal inference with interfering units for cluster and population level treatment allocation programs. Biometrics, 75(3), 778-787. DOI: 10.1111/biom.13049 ↗
- Kennedy, E. H. (2016). Semiparametric theory and empirical processes in causal inference. In H. He, P. Wu, & D.-G. Chen (Eds.), Statistical Causal Inferences and Their Applications in Public Health Research (pp. 141-167). Springer. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Spatial Doubly Robust Causal Estimation. ScholarGate. https://scholargate.app/tr/causal-inference/spatial-doubly-robust-estimation
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
- Coğrafi Ağırlıklı Regresyon (GWR)Mekânsal analiz↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır