Mekansal Eşleştirme Tahmincisi
Spatial Matching Estimator for Causal Inference · Ayrıca şöyle bilinir: geographic matching estimator, spatial nearest-neighbor matching, location-based matching estimator, spatially-weighted matching
Mekansal Eşleştirme Tahmincisi, her bir tedavi edilmiş coğrafi birimi yakındaki bir veya daha fazla benzer tedavi edilmemiş birimle eşleştirerek nedensel etki etkilerini tahmin eder; bu, uzayda yakın olan birimlerin benzer gözlemlenmemiş özelliklere sahip olduğu varsayımından yararlanır. Eşleştirmeleri bir coğrafi komşulukla sınırlayarak veya mekansal yakınlığa göre ağırlıklandırarak, yöntem standart eşleştirmenin göz ardı ettiği konuma özgü karıştırıcıları kontrol eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tedavinin coğrafi birimlere (kasabalar, bilinen konumlara sahip firmalar, parseller) atandığı ve gözlemlenmemiş karıştırıcıların uzayda düzgün bir şekilde değiştiği, yakındaki tedavi edilmemiş birimleri makul karşı-olgusal hale getirdiği durumlarda Mekansal Eşleştirme Tahmincisini kullanın. Özellikle mekansal heterojenliğin belirgin olduğu çevre, kentsel ve tarımsal ekonomilerde değerlidir. En azından orta sayıda tedavi edilmiş birim (kabaca 30 veya daha fazla) ve tedavi edilmiş ve edilmemiş alanlar arasında iyi kovaryant örtüşmesi gerektirir. Tedavi ataması coğrafi olarak kümelenmişse ve yakında tedavi edilmemiş birim yoksa, komşular arasındaki yayılmalar büyükse (SUTVA ihlali) veya sonuç mekansal yakınlığın yakalayamayacağı yerel değil küresel faktörler tarafından yönlendiriliyorsa kullanmayın.
Güçlü yönler & sınırlılıklar
- Coğrafi olarak benzer birimlerle eşleştirmeleri sınırlayarak mekansal olarak ilişkili gözlemlenmemişleri kontrol eder, eksik değişken yanlılığını azaltır.
- Esnek: coğrafi mesafe, hem konumu hem de gözlemlenen özellikleri dengelemek için kovaryant eşleştirmesi (Mahalanobis veya eğilim skoru) ile birleştirilebilir.
- Sonuç modeli hakkında parametrik varsayımlar gerektirmez - iyi incelenmiş büyük örnek özelliklerine sahip parametrik olmayan bir tahmincidir (Abadie ve Imbens 2006).
- Uzayda atanmış sürekli tedavileri veya dozları doğal olarak işler ve çekirdek ağırlıklı şemalara genişletilebilir.
- Şeffaf: eşleştirilmiş çiftler haritalanabilir ve incelenebilir, bu da tanımlayıcı varsayımı görsel olarak iletilebilir hale getirir.
- Tüm birimler için mekansal koordinatlar veya güvenilir mekansal tanımlayıcılar gerektirir; eksik veya hassas olmayan coğrafi kodlama eşleştirme kalitesini düşürür.
- Eğer tedavi kümeleri coğrafi olarak izole edilmişse ve yakında tedavi edilmemiş birim yoksa, geçerli mekansal eşleştirmeler mevcut olmayabilir ve coğrafi kısıtlama olmaksızın standart eşleştirme gereklidir.
- Mekansal yayılmalar (SUTVA ihlalleri) - tedavi edilmiş birimlerin yakındaki kontrolleri etkilediği yerlerde - ATT tahminini yanlı hale getirir; tampon bölgelerin tespiti ve hariç tutulması gereklidir ancak bu da yargısal kararlar gerektirir.
- Çok sayıda kovaryant ve coğrafi kısıtlama ile eşleştirme problemi yüksek boyutlu hale gelebilir, bu da kötü kovaryant dengesine ve daha büyük varyansa yol açar.
- Standart hatalar, artıkların mekansal otokorelasyonunu hesaba katmalıdır; naive küme-robust SE'ler yetersiz olabilir.
SSS
Mekansal eşleştirme, standart eğilim skoru eşleştirmesinden nasıl farklıdır?
Standart PSM, konumu dikkate almadan gözlemlenen kovaryantlardan türetilen skaler bir eğilim skoruna göre eşleştirme yapar. Mekansal eşleştirme, yakındaki birimlerin kovaryantların yakalayamayacağı gözlemlenmemiş karıştırıcıları paylaştığı varsayımından yararlanarak coğrafi yakınlığı bir kriter veya kısıtlama olarak ekler. Pratikte iki yaklaşım genellikle birleştirilir: mekansal bir yarıçap içinde PSM üzerinde eşleştirme.
SUTVA nedir ve neden burada önemlidir?
Kararlı Birim Tedavi Değeri Varsayımı (SUTVA), bir birimin sonucunun yalnızca kendi tedavisine bağlı olmasını, başkalarına değil, gerektirir. Mekansal ayarlarda, tedavi edilmiş alanlar yakındaki kontrol alanlarına yayılma - yayılma istihdamı, yer değiştirmiş kirlilik veya değişen fiyatlar - üretebildiği için bu genellikle ihlal edilir. Kontroller tedavi yayılmalarıyla kirlenmişse, tahmin edilen ATT yanlı olur. Tampon bölgeler (kontrol havuzundan tedavi edilmiş alanlara minimum mesafedeki birimleri hariç tutmak) yaygın bir çözümdür.
Eşleştirme için mekansal yarıçapı nasıl seçmeliyim?
Evrensel bir kural yoktur. Tedavi mekanizmasının mekansal erişimi hakkındaki konu alan bilgisiyle başlayın, ardından bir dizi yarıçap boyunca hassasiyet analizleri yapın. Sonuçlar yarıçaplar boyunca stabil ise, mekansal yakınlık varsayımının bulguları yönlendirmesi muhtemel değildir. Her yarıçapta denge istatistiklerini raporlayın.
Panel verileriyle mekansal eşleştirme kullanabilir miyim?
Evet. Panel Veri Eşleştirme Tahmincisi, yaklaşımı birden çok zaman periyoduna genişletir, mekansal yakınlığın yanı sıra tedavi öncesi yörüngelere göre eşleştirme yapar. Bu, eşleştirilmiş çiftlerin tedavi öncesi benzer dinamiklere sahip olmasını sağlayarak paralel eğilimler varsayımını güçlendirir.
Standart hataları nasıl hesaplamalıyım?
Abadie ve Imbens (2006), eşleştirme tahmincileri için varyans tahmincileri sağlar. Mekansal bağlamlarda, artıklar mekansal olarak otokorelasyonlu olabilir, bu nedenle mekansal HAC (heteroskedastisite ve otokorelasyon tutarlı) standart hataları veya coğrafi birim düzeyinde küme-robust SE'ler önerilir. Mekansal kümelere göre tabakalandırılmış bootstrap prosedürleri de yaygın olarak kullanılmaktadır.
Kaynaklar
- Abadie, A., & Imbens, G. W. (2006). Large Sample Properties of Matching Estimators for Average Treatment Effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x ↗
- Matching (statistics). Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Spatial Matching Estimator for Causal Inference. ScholarGate. https://scholargate.app/tr/causal-inference/spatial-matching-estimator
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
- Eşleştirme TahmincisiNedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Mekansal Farkların Farkı (Mekansal DiD)Nedensel çıkarım↔ karşılaştır
- Mekansal Eğilim Puanı EşleştirmesiNedensel çıkarım↔ karşılaştır
- Mekansal Regresyon Kesinti Tasarımı (Mekansal RDD)Nedensel çıkarım↔ karşılaştır