Mekansal Eğilim Puanı Ağırlıklandırması
Spatial Propensity Score Weighting for Causal Inference · Ayrıca şöyle bilinir: spatial PSW, geographically weighted propensity score weighting, spatial IPTW, spatially adjusted inverse probability weighting
Mekansal eğilim puanı ağırlıklandırması, birimlerin coğrafi olarak konumlandığı ve tedavi atamasının konum, komşu özellikleri veya mekansal kümelenme gibi mekansal faktörlere bağlı olabileceği ortamlarda, tedavi olasılığına ters olasılık ağırlıklandırmasını (IPTW) genişletir. Eğilim puanı modeline mekansal kovaryetler dahil ederek ve mekansal otokorelasyon için standart hataları ayarlayarak, gözlemsel coğrafi verilerden daha güvenilir nedensel tahminler üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tedavi atamasının coğrafi olarak yapılandırıldığı durumlarda mekansal eğilim puanı ağırlıklandırmasını kullanın — örneğin, bölgelere göre uygulanan politikalar, mekansal olarak değişen çevresel maruziyetler veya komşuluk düzeyindeki müdahaleler. Mekansal kovaryetlerin mevcut olduğu, birimlerin coğrafi tanımlayıcılara sahip olduğu ve konuma özgü karıştırıcıların veya mekansal yayılmaların varlığına inanmak için nedenlerin olduğu durumlarda uygundur. Coğrafi yapısı anlamlı olmayan verilerde, mekansal örneklem coğrafi olarak ağırlıklandırılmış tahmin için yeterince seyrek olduğunda veya güçlü mekansal etkileşim (SUTVA ihlalleri) ek tasarım ayarlamaları olmadan herhangi bir ağırlıklandırma yaklaşımını geçersiz kıldığında uygun değildir.
Güçlü yönler & sınırlılıklar
- Konum tabanlı seçimden kaynaklanan yanlılığı azaltarak, eğilim puanı tahminine coğrafi kovaryetleri dahil ederek mekansal karıştırıcıyı açıkça hesaba katar.
- Esnek: mekansal bileşen, mekansal gecikme terimleri, coğrafi olarak ağırlıklandırılmış regresyon veya alan düzeyindeki sabit etkiler aracılığıyla standart lojistik regresyona eklenebilir.
- Hem gözlemlenen bireysel nitelikler hem de coğrafi bağlam açısından dengelenmiş ağırlıklı bir sözde popülasyon üretir, karşılaştırılabilirliği iyileştirir.
- Kalan otokorelasyonu hesaba katan sağlam mekansal çıkarım prosedürleriyle (Conley standart hataları, mekansal küme bootstrap) uyumludur.
- Çevresel, halk sağlığı ve sosyal bilim araştırmalarında yaygın olarak kullanılabilen mekansal tanımlayıcılara sahip kesitsel ve panel verilere uygulanabilir.
- İlgili coğrafi karıştırıcıları yakalayan mekansal kovaryetler gerektirir; eğer temel mekansal faktörler ölçülmemişse, mekansal eğilim puanı eksik kalır.
- Coğrafi olarak ağırlıklandırılmış eğilim puanı modelleri yeterli yerel örneklem büyüklüğü gerektirir; bazı bölgelerdeki seyrek veri, kararsız yerel tahminlere yol açar.
- Tahmin edilecek niceliğin açıkça yeniden tanımlanmadığı sürece birimler arasındaki etkileşimi (yayılmaları) işlemez; standart IPTW tahminleri etkileşim olmadığını varsayar.
- Ağırlıklandırmadan sonra bile, sonuç modeli yanlış belirtilmişse, kalıntılardaki mekansal otokorelasyon devam edebilir.
- Eğilim puanları 0 veya 1'e yakın olduğunda güçlendirilebilen aşırı eğilim puanı ağırlıkları, varyansı artırır ve tahminleri az sayıda etkili gözleme duyarlı hale getirir, budama veya stabilize edilmiş ağırlıklar gerektirir.
SSS
Mekansal eğilim puanı ağırlıklandırması standart IPTW'den nasıl farklıdır?
Standart IPTW, eğilim puanını yalnızca bireysel kovaryetlerden tahmin eder ve coğrafyayı göz ardı eder. Mekansal PSW, eğilim puanı modeline mekansal olarak referanslanmış değişkenler — konum koordinatları, alan düzeyindeki özellikler, mekansal gecikme terimleri — ekler ve çıkarımı mekansal otokorelasyon için ayarlar. Bu, standart IPTW'nin ele almadan bırakacağı coğrafi karıştırıcıdan kaynaklanan yanlılığı azaltır.
Eğilim puanı modeline hangi mekansal kovaryetleri dahil etmeliyim?
Tedavi atamasını tahmin eden ve mekansal olarak yapılandırılmış kovaryetleri dahil edin: alan düzeyindeki demografik bilgiler, altyapıya uzaklık, sonucun veya tedavinin mekansal gecikmesi veya coğrafi koordinatlar (örneğin, spline terimleri aracılığıyla). Amaç, aksi takdirde nedensel tahmini karıştıracak olan tedavi olasılığındaki konuma dayalı farklılıkları emmektir.
Ağırlıklandırmanın mekansal dengeyi giderip gidermediğini nasıl kontrol ederim?
Ağırlıkları hesapladıktan sonra, ağırlıklı örneklemdeki tüm kovaryetler (mekansal olanlar dahil) için standartlaştırılmış ortalama farkları inceleyin. Ek olarak, ağırlıklı tedavi edilen ve kontrol edilen birimlerin coğrafi dağılımını haritalayın ve isteğe bağlı olarak tedavi atamasının mekansal kümelenmesinin azalıp azalmadığını test etmek için Moran'ın I'inin ağırlıklı bir versiyonunu hesaplayın.
Hangi standart hata tahmin edicisini kullanmalıyım?
Conley (1999) mekansal HAC standart hataları gibi mekansal olarak dengeli standart hatalar kullanın; bunlar, bir coğrafi bant genişliği içindeki birimler arasındaki korelasyona izin verir veya anlamlı bir coğrafi birimde (ilçe, grid hücresi) küme-dengeli standart hatalar kullanın. Sıradan veya yalnızca heteroskedastiklik dengeli SE'ler, kalan mekansal otokorelasyon olduğunda belirsizliği hafife alacaktır.
Bu yöntem birimler arasındaki mekansal yayılmaları işleyebilir mi?
Doğrudan değil. Standart mekansal PSW, IPTW'den kararlı birim tedavi değeri varsayımını (SUTVA) miras alır, bu da birimler arasında etkileşim olmadığını varsaydığı anlamına gelir. Mekansal yayılmalar önemliyse, nedensel tahmin edici yeniden tanımlanmalı (örneğin, doğrudan ve yayılma etkileri) ve etkileşim için daha özel yöntemler gereklidir.
Kaynaklar
- Keele, L., & Titiunik, R. (2015). Geographic Boundaries as Regression Discontinuities. Political Analysis, 23(1), 127-155. DOI: 10.1093/pan/mpu014 ↗
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Spatial Propensity Score Weighting for Causal Inference. ScholarGate. https://scholargate.app/tr/causal-inference/spatial-propensity-score-weighting
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Coğrafi Ağırlıklı Regresyon (GWR)Mekânsal analiz↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır
- Mekansal Farkların Farkı (Mekansal DiD)Nedensel çıkarım↔ karşılaştır
- Mekansal Eğilim Puanı EşleştirmesiNedensel çıkarım↔ karşılaştır
- Mekansal Regresyon Kesinti Tasarımı (Mekansal RDD)Nedensel çıkarım↔ karşılaştır