Eğitim Araştırmalarında Sentetik Kontrol Yöntemi
Synthetic Control Method Applied to Education Policy and Research · Ayrıca şöyle bilinir: SCM in education, synthetic control, synthetic comparator, SCM
Sentetik Kontrol Yöntemi (SCM), müdahale öncesi dönemdeki seyrini yakından taklit eden, işleme tabi tutulmamış karşılaştırma birimlerinin ağırlıklı bir kombinasyonunu — sentetik kontrolü — oluşturarak bir eğitim politikasının veya müdahalesinin nedensel etkisini tahmin eder. Abadie, Diamond ve Hainmueller tarafından geliştirilen bu yöntem, yalnızca bir veya az sayıda okul, bölge veya ülkenin bir politika değişikliğine maruz kaldığı ve doğal bir karşılaştırmanın bulunmadığı durumlarda özellikle değerlidir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
SCM'yi, çok az sayıda veya tek bir toplu birimin (bölgeler, okullar, eyaletler, ülkeler) bir eğitim müdahalesine maruz kaldığı ve birden fazla müdahale öncesi dönemde gözlemlenen makul bir işleme tabi tutulmamış karşılaştırma birimleri havuzunuz olduğunda kullanın. İşleme tabi tutulan birimin kendine özgü olduğu ve tek bir doğal karşılaştırmanın bulunmadığı politika değerlendirmeleri — müfredat reformları, okul finansmanı değişiklikleri, hesap verebilirlik sistemleri — için çok uygundur. Müdahale öncesi uyumun zayıf olduğu (sentetik kontrol, işleme tabi tutulan birimin müdahale öncesi eğilimini yeniden üretemediği), donör havuzunun çok küçük olduğu (beş birimden az) veya sonuç verilerinin zaman içinde toplu değil, bireysel öğrenci düzeyinde ayrıştırıldığı durumlarda uygun değildir.
Güçlü yönler & sınırlılıklar
- Tek bir keyfi kontrol birimine dayanmadan, veriye dayalı, şeffaf bir karşıolgusal oluşturur.
- Müdahale öncesi uyum doğrudan görünür ve doğrulanabilir, bu da karşılaştırmanın kalitesini açıkça ortaya koyar.
- Farkların Farkı yönteminin paralel eğilimler varsayımını gerektirmez; sentetik kontrol, eğrisel bir müdahale öncesi yolu izleyebilir.
- Plasebo permütasyon çıkarımı, çok az sayıda müdahale sonrası dönemde bile geçerlidir.
- Eğitim politikası ve kamu ekonomisi dergilerinde güvenilir bir yarı-deneysel tasarım olarak geniş çapta kabul görmektedir.
- İyi uyum sağlayan bir sentetik kontrol oluşturmak için yeterli sayıda müdahale öncesi dönem (genellikle on veya daha fazla) gerektirir.
- Donör havuzu çok küçük olduğunda veya tüm potansiyel karşılaştırmalar da müdahaleye maruz kaldığında uygulanamaz.
- İşleme tabi tutulan birim, donör birimlerinin dışbükey zarfının dışında kalırsa — yani, işleme tabi tutulan birimin öngörücüleri tüm donörlere göre aşırıysa — ekstrapolasyon yanlılığı ortaya çıkabilir.
- Plasebo testleri yoluyla çıkarım, donör havuzu küçük olduğunda gücünü kaybeder ve permütasyon dağılımının çözünürlüğünü sınırlar.
SSS
SCM, Farkların Farkı yönteminden nasıl farklıdır?
DiD, tedavi edilen ve kontrol gruplarının ortak bir müdahale öncesi eğilimi paylaşmasını gerektirir. SCM, donörleri, işleme tabi tutulan birimin sadece seviyesini değil, tüm müdahale öncesi seyrini eşleştirmek için ağırlıklandırarak bunu gevşetir, böylece politika değişikliğinden önce farklı ama öngörülebilir yollarda olan birimleri ele alır.
Kaç tane müdahale öncesi döneme ihtiyacım var?
Ağırlıkların güvenilir bir şekilde tahmin edilmesi ve müdahale öncesi uyumun anlamlı olması için yaygın olarak belirtilen minimum sayı yaklaşık on müdahale öncesi dönemdir. Daha az dönem, iyi bir sentetik eşleşmeyi tesadüfi bir eşleşmeden ayırmayı zorlaştırır.
Büyük bir örneklem olmadan istatistiksel anlamlılığı nasıl test ederim?
Plasebo permütasyon testlerini kullanın: aynı SCM prosedürünü her bir donör birimine sanki tedavi edilen birimmiş gibi uygulayın ve müdahale sonrası/müdahale öncesi dönem tahmin hatası oranını toplayın. Tedavi edilen birimin oranı, plasebo oranlarının çoğundan veya hepsinden daha büyükse istatistiksel olarak dikkat çekicidir.
Müdahale öncesi uyumum zayıfsa ne olur?
Zayıf bir uyum, sentetik kontrolün işleme tabi tutulan birimin seyrini yeniden üretmediği anlamına gelir, bu nedenle müdahale sonrası boşluk güvenilir bir nedensel tahmin değildir. Donör havuzunu genişletmeyi veya iyileştirmeyi, daha fazla öngörücü eklemeyi veya daha büyük bir örneklemle Farkların Farkı gibi farklı bir tanımlama stratejisine geçmeyi düşünün.
SCM'yi bireysel düzeyde öğrenci verileri için kullanabilir miyim?
Hayır — SCM, zaman içinde gözlemlenen toplu birimler (bölgeler, okullar, eyaletler) için tasarlanmıştır. Açık bir kesme noktasına sahip bireysel düzeydeki veriler için Regresyon Kesintisi Tasarımı veya eğilim puanı eşleştirme daha uygundur.
Kaynaklar
- Abadie, A., Diamond, A., & Hainmueller, J. (2010). Synthetic Control Methods for Comparative Case Studies: Estimating the Effect of California's Tobacco Control Program. Journal of the American Statistical Association, 105(490), 493-505. DOI: 10.1198/jasa.2009.ap08746 ↗
- Abadie, A., Diamond, A., & Hainmueller, J. (2015). Comparative Politics and the Synthetic Control Method. American Journal of Political Science, 59(2), 495-510. DOI: 10.1111/ajps.12116 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Synthetic Control Method Applied to Education Policy and Research. ScholarGate. https://scholargate.app/tr/causal-inference/synthetic-control-method-in-education-research
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Nedensel Etki AnaliziNedensel çıkarım↔ karşılaştır
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Kesintili Zaman Serisi (KZS) AnaliziNedensel çıkarım↔ karşılaştır
- Panel Veri Sabit Etkiler ModeliEkonometri↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır