Mekansal Marjinal Yapısal Model
Spatial Marginal Structural Model with Inverse Probability Weighting · Ayrıca şöyle bilinir: Spatial MSM, Geospatial MSM, Spatial IPW-MSM, Space-time marginal structural model
Mekansal Marjinal Yapısal Model (Mekansal MYM), klasik marjinal yapısal modeli, birimlerin coğrafi olarak dağıldığı ve komşuluk yayılımları, kümelenme ve mekansal karıştırıcılık gibi mekansal bağımlılıkların nedensel tahminleri yanıltabileceği durumları kapsayacak şekilde genişletir. Bireysel kovaryatları ve mekansal konumu dikkate alan ters olasılık ağırlıkları oluşturarak, mekansal olarak değişen maruziyetlerin nedensel etkilerini tahmin eder ve ardından ortaya çıkan sözde popülasyonda ağırlıklı bir sonuç modeli uydurur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Mekansal olarak yapılandırılmış bir maruziyetin (örn. kirlilik seviyeleri, hizmetlere erişim, mahalle müdahaleleri) coğrafi olarak referanslandırılmış birimlerde ölçülen bir sonuç üzerindeki nedensel etkisini tahmin ederken ve hem ölçülen hem de ölçülmeyen mekansal karıştırıcılığın olası olduğu durumlarda Mekansal MYM kullanın. Özellikle, tedavinin uzayda değiştiği ve yayılma etkilerinin sınırlı olduğu geniş alansal veya nokta düzeyindeki gözlemsel veri kümeleri için uygundur. Güvenilir bir pozitiflik olmadığında (bazı alanlarda belirli bir maruziyet seviyesinin olasılığı sıfıra yakın olduğunda), yakın birimler arasındaki yayılma önemli olduğunda (bu SUTVA'yı ihlal eder), ölçülmeyen karıştırıcıların mekansal kümelenmesi olası herhangi bir ağırlıklandırma düzeltmesini aştığında veya veri kümesi kararlı bir mekansal eğilim skorunu tahmin etmek için çok küçük olduğunda kullanmayın.
Güçlü yönler & sınırlılıklar
- Konumu eğilim skoruna dahil ederek mekansal karıştırıcılığı açıkça hesaba katar, standart MYM'lerin göz ardı ettiği yanlılığı azaltır.
- Belirli bir kovaryat profili için koşullu etkileri değil, tüm popülasyondaki marjinal nedensel etkileri hedefler, bu da sonuçları doğrudan politika ile ilgili hale getirir.
- Sabitlenmiş ağırlıklar şeffaf tanılamalara izin verir: ağırlık dağılımları, pozitifliğin harita genelinde nerede başarısız olduğunu ortaya koyar.
- GAM'lardan mekansal rastgele ormanlara kadar geniş bir mekansal eğilim skoru tahmin edici yelpazesiyle uyumludur.
- Sonuç modeli ayarlamasıyla birleştirildiğinde (artırılmış IPW varyantı) çift sağlam tahminler üretir.
- Mekansal süreçlerin gözlemlenmeyen mahalle faktörleri tarafından yönlendirildiği durumlarda test edilemez ve genellikle mantıksız olan, ölçülmeyen mekansal karıştırıcılar varsayımına dayanır.
- Mekansal olarak bilgilendirilmiş bir eğilim skoru tahmin etmek, yeterince yoğun coğrafi kapsama gerektirir; seyrek veya düzensiz mekansal örnekleme, ağırlık kalitesini düşürür.
- SUTVA'nın ihlali (yakın birimler arasındaki etkileşim) — mekansal ortamlarda yaygın — standart nedensel yorumu geçersiz kılar.
- Aşırı ağırlıklar varyansı önemli ölçüde artırabilir; kırpma varyansı azaltır ancak büyüklüğü ölçülmesi zor olan bir yanlılık getirir.
SSS
Mekansal MYM, standart bir MYM'den nasıl farklıdır?
Standart bir MYM, yalnızca bireysel düzeydeki kovaryatlara dayalı ters olasılık ağırlıkları kullanır. Bir Mekansal MYM, coğrafi konumu — mekansal rastgele etkiler, düzeltmeler veya mekansal olarak yapılandırılmış eğilim skorları aracılığıyla — ek olarak dahil eder, böylece ağırlıklar sadece bireysel düzeydeki dengesizlikleri değil, coğrafi olarak kümelenen mekansal karıştırıcıları da dengeler.
Mekansal MYM, komşu birimler arasındaki etkileşimi ele alır mı?
Hayır. Standart MYM gibi, etkileşim olmadığını (SUTVA) varsayar. Bir mekansal birimdeki tedavinin komşu birimlerdeki sonuçları nedensel olarak etkilemesi durumunda — ki bu hava kirliliği, bulaşma veya politika yayılımları için yaygındır — etkileşimden haberdar nedensel modeller gibi farklı bir çerçeveye ihtiyaç vardır.
Mekansal bileşen için hangi eğilim skoru modelini kullanmalıyım?
Yaygın seçenekler arasında mekansal rastgele etkileri olan lojistik regresyon (örn. INLA veya MCMC aracılığıyla), koordinatların ince plakalı spline düzeltmeleri olan genelleştirilmiş eklemeli modeller veya mekansal rastgele ormanlar bulunur. Seçim, veri yoğunluğuna, tedavideki mekansal varyasyonun beklenen biçimine ve hesaplama kaynaklarına bağlıdır.
Mekansal ağırlıkların makul olup olmadığını nasıl kontrol ederim?
Sabitlenmiş ağırlıkların dağılımını inceleyin: 1'e yakın merkezlenmiş olmalı ve çoğu kabaca 0.1 ile 10 arasında olmalıdır. Ağırlıkları mekansal olarak haritalandırın — belirli bir bölgede yoğunlaşan aşırı ağırlıklar, pozitifliğin orada başarısız olduğunu ve nedensel etkinin o alan için tanımlanamadığını gösterir.
Sürekli mekansal tedavilerle Mekansal MYM kullanabilir miyim?
Evet. Genelleştirilmiş eğilim skoru çerçevesi, sürekli maruziyetin kovaryatlar ve konum göz önüne alındığında koşullu yoğunluğunu modelleyerek, ardından bu yoğunluktan ağırlıklar oluşturarak MYM'leri sürekli tedavilere genişletir. İlkeler aynıdır ancak tahmin daha zahmetlidir.
Kaynaklar
- Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560. DOI: 10.1097/00001648-200009000-00011 ↗
- Schnell, P. M., & Papadogeorgou, G. (2020). Mitigating unobserved spatial confounding when estimating the effect of supermarket access on cardiovascular disease deaths. Annals of Applied Statistics, 14(2), 793-816. DOI: 10.1214/20-aoas1377 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Spatial Marginal Structural Model with Inverse Probability Weighting. ScholarGate. https://scholargate.app/tr/causal-inference/spatial-marginal-structural-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır
- Uzamsal Çift Sağlam TahminNedensel çıkarım↔ karşılaştır
- Mekansal Enstrümantal Değişkenler (Mekansal IV / Mekansal 2YLS)Nedensel çıkarım↔ karşılaştır
- Mekansal Eğilim Puanı EşleştirmesiNedensel çıkarım↔ karşılaştır