Hedeflenmiş Maksimum Olabilirlik Tahmini (TMLE)
Targeted Maximum Likelihood Estimation (TMLE) · Ayrıca şöyle bilinir: Targeted Learning, TMLE, Targeted MLE, Hedeflenmiş Maksimum Olabilirlik Tahmini
Hedeflenmiş Maksimum Olabilirlik Tahmini (TMLE), Mark van der Laan ve Daniel Rubin tarafından 2006 yılında tanıtılan yarı-parametrik, çift-sağlam nedensel çıkarım yöntemidir. Hem sonuç değişkeni hem de tedavi atama mekanizması için esnek makine öğrenmesi modellerini birleştirir, ardından ortalama tedavi etkisi gibi önceden belirlenmiş bir nedensel tahmin edici için yanlılığı azaltmak üzere başlangıçtaki sonuç modelini özel olarak yeniden uyarlayan bir hedefleme adımı uygular. TMLE, gözlemsel verilerden nedensel etkileri tahmin ederken epidemiyoloji, biyoistatistik ve sağlık ekonomisinde yaygın olarak kullanılmaktadır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gözlemsel verilerden çok sayıda karıştırıcı ile nedensel etkileri – ortalama tedavi etkileri, doz-cevap eğrileri veya politika ile ilgili farklar – tahmin ederken TMLE'yi kullanın. Gözlemsel verilerden nedensel etkileri tahmin ederken, makine öğrenmesini önemsiz parametre tahmini için kullanmak istediğinizde ancak geçerli çıkarımdan ödün vermek istemediğinizde uygundur. TMLE, pozitiflik varsayımını (her birimin her tedavi seviyesi için sıfır olmayan olasılığa sahip olması), ölçülmemiş karıştırıcının olmamasını ve iyi tanımlanmış bir müdahaleyi gerektirir. Pozitiflik ihlalleri yaklaştığında, varyans şişer. Alternatifler arasında çift-sağlamlık özelliğini paylaşan çift/hatalı makine öğrenmesi (DML) ve artırılmış ters olasılık ağırlıklandırma (AIPW) bulunur.
Güçlü yönler & sınırlılıklar
- Çift-sağlam: sonuç modeli veya eğilim puanı modeli doğru bir şekilde belirtilmişse tutarlıdır, model yanlış belirtilmesine karşı bir güvenlik ağı sağlar
- Önemsiz parametre tahmini için herhangi bir makine öğrenmesi veya topluluk yöntemiyle uyumludur, parametrik kısıtlamalar getirmeden veri-uyarlanabilir karıştırıcı ayarlamaya olanak tanır
- Naif tak-plug-in ML tahmin edicilerinin aksine, verimli etki fonksiyonu aracılığıyla asimptotik olarak geçerli standart hatalar ve güven aralıkları sağlar
- Genel tahmin hatasını minimize etmek yerine, ilgilenilen belirli nedensel tahmin edici için tahmin hatasını hedefler, bu da önemli olan nicelik için yanlılığı azaltır
- Pozitiflik ihlalleri – eğilim puanının sıfıra veya bire yakın olduğu kovaryat uzayının bölgeleri – varyansı şişirebilir ve tahmin ediciyi önemli ölçüde istikrarsızlaştırabilir
- Hem sonuç modeli hem de eğilim puanı modelinin doğru bir şekilde belirtilmesini veya iyi bir yaklaşımını gerektirir; her ikisi de yanlış belirtilirse, çift sağlamlık tahmini kurtarmaz
- Hedefleme adımı, belirli bir parametrik dalgalanma biçimi (lojistik alt model) varsayar, bu da uyarlanmadıkça tüm sonuç türleri için optimal olmayabilir
- Uygulama karmaşıklığı, basit regresyon ayarlamasından daha yüksektir; uygulayıcıların önemsiz model seçimi, çapraz uyum ve etki fonksiyonu çıkarımını dikkatlice yönetmesi gerekir
SSS
TMLE, ters olasılık ağırlıklandırmadan (IPW) nasıl farklıdır?
IPW, sonuç modelini dahil etmeden gözlemleri eğilim puanının tersiyle yeniden ağırlıklandırır, bu da onu aşırı ağırlıklara ve eğilim puanı yanlış belirtilmesine karşı hassas hale getirir. TMLE, çift sağlamlık ve genellikle IPW'den daha düşük varyans sağlayan bir sonuç modeli tahminini eğilim puanı tabanlı bir düzeltmeyle artırır, özellikle sonuç modeli bilgilendirici olduğunda.
TMLE'de Süper Öğrenici'nin rolü nedir?
Süper Öğrenici, belirli bir kayıp fonksiyonu için tahmin hatasını minimize etmek üzere birçok aday öğreniciyi birleştiren çapraz doğrulanmış bir topluluktur. TMLE'de, en az bir önemsiz parametrenin iyi yaklaştırılmış olma şansını en üst düzeye çıkarmak ve çift-sağlamlık özelliğinden pratikte yararlanılabilmesini sağlamak için hem sonuç modeli hem de eğilim puanı tahmin etmek için kullanılır.
TMLE'nin iyi çalışması için büyük örneklere ihtiyacı var mı?
TMLE'nin teorik garantileri asimptotiktir, bu nedenle küçük örneklerdeki performans kullanılan önemsiz modellerin karmaşıklığına bağlıdır. Küçük ila orta büyüklükteki örneklerde, önemsiz tahmin için tutumlu öğreniciler veya parametrik modeller kullanmak tavsiye edilir. Çapraz uyum ve düzenlileştirme yardımcı olur, ancak analistler dürüst belirsizliği rapor etmeli ve örneklem boyutları sınırlı olduğunda hassasiyet analizlerini düşünmelidir.
Kaynaklar
- van der Laan, M. J., & Rubin, D. (2006). Targeted maximum likelihood learning. The International Journal of Biostatistics, 2(1). DOI: 10.2202/1557-4679.1043 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Targeted Maximum Likelihood Estimation (TMLE). ScholarGate. https://scholargate.app/tr/causal-inference/targeted-maximum-likelihood
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çift Makine ÖğrenmesiNedensel çıkarım↔ karşılaştır
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır