Mekansal Ters Olasılık Ağırlıklandırma (Mekansal IPW)
Spatial Inverse Probability Weighting Estimator · Ayrıca şöyle bilinir: Spatial IPW, Geographic IPW, Spatially-weighted IPW, SIPW
Mekansal Ters Olasılık Ağırlıklandırma, klasik IPW tahmin edicisini, birimlerin coğrafi olarak referanslandığı ve mekansal konumun karıştırıcı bir boyut olduğu ortamlara genişletir. Coğrafi koordinatları veya mekansal yakınlığı eğilim skoru modeline dahil ederek, gözlemlenen örneği yeniden ağırlıklandırır, böylece tedavi ve kontrol grupları yalnızca ölçülen kovaryetlere göre değil, aynı zamanda mekansal yapıya göre de dengelenir, bu da mekansal olarak dizinlenmiş gözlemsel verilerden güvenilir nedensel çıkarım yapmayı sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Geo-referanslı gözlemsel verileriniz olduğunda ve coğrafi konumun tedavi-sonuç ilişkisini karıştırdığından şüphelendiğinizde Mekansal IPW kullanın — örneğin, endüstriyel tesisler belirli bölgelerde kümelenir, çevresel maruziyetler mekansal gradyanları takip eder veya politika benimsemesi mekansal olarak yayılır. Mekansal karıştırma sinyalini ölçebildiğiniz ve eğilim modeline dahil edebildiğiniz durumlarda uygundur. Gizli mekansal karıştırıcılar ölçülmemiş ve vekil olarak kullanılamadığı durumlarda rastgeleleştirmenin yerine kullanmayın; bu durumda, mekansal araç değişkenleri veya coğrafi sınırlara dayalı regresyon kesme tasarımlarını düşünün.
Güçlü yönler & sınırlılıklar
- Standart IPW'nin göz ardı ettiği mekansal karıştırmayı açıkça hesaba katar, coğrafi olarak yapılandırılmış gözlemsel çalışmalarda yanlılığı azaltır.
- Esnek: mekansal bilgi, koordinatlar, uzaklık ölçümleri, mekansal gecikmeler veya alan düzeyindeki agregalar aracılığıyla eğilim modeline girebilir.
- Çift sağlam tahmin ile doğal olarak birleşir, eğilim veya sonuç modeli yanlış belirtilmesine karşı korumasını miras alır.
- Parametrik olmayan eğilim modelleri (örneğin, mekansal özelliklere sahip gradyan artırma), güçlü fonksiyonel form varsayımları olmadan karmaşık coğrafi desenleri yakalayabilir.
- Geniş bir sonuç yelpazesine (sürekli, ikili, sayım) ve mekansal veri yapılarına (noktalar, poligonlar, rasterler) uygulanabilir.
- Yalnızca dahil edilen mekansal özellikler tarafından yakalanan mekansal karıştırmayı kontrol eder; ölçülmemiş mekansal heterojenlik geçerlilik için bir tehdit olmaya devam eder.
- Çok sayıda mekansal değişken içeren eğilim skoru modelleri aşırı ağırlık riskini taşır, bu da yanlılık getirebilecek kırpma veya stabilizasyon gerektirir.
- Mekansal çıkarım (HAC veya küme sağlam standart hataları), bir mekansal ağırlık matrisi veya bant genişliği belirlemeyi gerektirir ve sonuçlar bu seçime duyarlı olabilir.
- Büyük mekansal veri kümeleri için coğrafi olarak ağırlıklandırılmış eğilim tahmini hesaplama açısından yoğundur.
- Yakındaki birimler arasındaki müdahaleyi (taşmayı) işlemez; bir konumdaki tedavi komşu konumlardaki sonuçları etkilerse, SIPW tahminleri yanlı olur.
SSS
Mekansal IPW standart IPW'den nasıl farklıdır?
Standart IPW, eğilim modeline yalnızca bireysel düzeyde ölçülen kovaryetleri dahil eder. Mekansal IPW, tedavinin coğrafi kümelenmesinden kaynaklanan karıştırmayı emmek için ek olarak coğrafi bilgileri — koordinatlar, mekansal gecikmeler, uzaklık ölçümleri veya alan düzeyindeki değişkenler — içerir. Bunun olmadan, konum hem tedavinin bir tahmincisi hem de sonucun bağımsız bir tahmincisi olduğunda standart IPW yanlı tahminler üretebilir.
Eğilim modeline hangi mekansal özellikler dahil edilmelidir?
Hem tedavi atamasını hem de sonucu bağımsız olarak yönlendirdiğine inandığınız herhangi bir coğrafi değişkeni dahil edin: merkez koordinatları (muhtemelen spline'lar veya taban fonksiyonları aracılığıyla), odak tesise veya sınıra uzaklık, tedavinin mekansal gecikmesi veya alan düzeyindeki özellikler (nüfus yoğunluğu, gelir endeksi). Amaç, tedavi atamasını dahil edilen özellikler göz önüne alındığında konumdan koşullu olarak bağımsız hale getirmektir.
Mekansal bir ortamda aşırı IPW ağırlıkları nasıl ele alınır?
Stabilize edilmiş ağırlıklar kullanın (marjinal tedavi olasılığına bölün) ve belirli bir yüzdede (genellikle %1-99) kırpma uygulayın. Mekansal ortamlarda, aşırı ağırlıklar genellikle coğrafi olarak kümelenir — ağırlıkların mekansal dağılımını inceleyin, çünkü yoğun aşırı ağırlıklar, eğilim modelinin çok farklı tedavi eğilimlerine sahip bölgeler arasında dışa doğru ekstrapolasyon yaptığını gösterir.
Bir konumdaki tedavinin yakındaki konumlardaki sonuçları etkilemesi durumunda ne olur?
Mekansal müdahale (taşma), IPW'nin gerektirdiği SUTVA'yı ihlal eder. Bu durumda, tedaviyi komşuluk maruziyet seviyesinin bir fonksiyonu olarak tanımlayan müdahale-sağlam tahmin edicileri veya açıkça taşmaları modelleyen mekansal panel yöntemlerini düşünün. Standart Mekansal IPW, doğrudan ve dolaylı tedavi etkilerini karıştıracaktır.
Hangi yazılım Mekansal IPW'yi uygulayabilir?
WeightIt (eğilim ağırlıklandırması için) ve spdep veya spatialreg (mekansal standart hatalar için) gibi R paketleri yaygın olarak kullanılır. Python kullanıcıları, mekansal özelliklerle eğilim tahmini için scikit-learn'ü ve mekansal teşhisler için PySAL'ı birleştirebilir. Mekansal özellik mühendisliği, eğilim tahmini, ağırlık oluşturma, ağırlıklı sonuç regresyonu ve mekansal standart hatalar gibi temel adımlar, her iki dilde de modüler olarak uygulanabilir.
Kaynaklar
- Hirano, K., Imbens, G. W., & Ridder, G. (2003). Efficient Estimation of Average Treatment Effects Using the Estimated Propensity Score. Econometrica, 71(4), 1161-1189. DOI: 10.1111/1468-0262.00442 ↗
- Papadogeorgou, G., Choirat, C., & Zigler, C. M. (2019). Adjusting for unmeasured spatial confounding with distance adjusted propensity score matching. Biostatistics, 20(2), 256-272. DOI: 10.1093/biostatistics/kxx074 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Spatial Inverse Probability Weighting Estimator. ScholarGate. https://scholargate.app/tr/causal-inference/spatial-inverse-probability-weighting
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
- Mekansal Regresyon (Mekansal Gecikme ve Mekansal Hata Modelleri)Ekonometri↔ karşılaştır