ציוני נטייה, התאמה וחפיפה

חברות, משקיעים ושווקים כמעט לעולם אינם מאמצים מדיניות באקראי. גודל, סיכון, ממשל, נזילות וצמיחה צפויה יכולים להשפיע גם על האימוץ וגם על התוצאות המאוחרות.

פער גולמי בתוצאה מערבב לכן את השפעת הטיפול עם הבדלים שקדמו לו. התאמת רגרסיה מתמודדת עם אותה בעיית זיהוי, אלא אם ההנחות שלה ניתנות להגנה.

שאלת התכנון קודמת: באילו יחידות הטיפול יכול היה להשתנות באופן סביר, ואילו עובדות שלפני הטיפול מסבירות את הבחירה?

עבור משתני עזר X, ציון הנטייה e(X) הוא ההסתברות לטיפול המותנית ב־X. יחידות עם אותו ציון אמורות להציג התפלגויות דומות של X שנמדד.

תכונת האיזון הזו מצמצמת השוואה רב־ממדית לציון אחד, אך רק עבור משתנים שסופקו לפני הטיפול. דיוק ניבוי אינו המטרה.

המודל צריך לשקף את הקצאת הטיפול ואת הידע המהותי. משתנים שלאחר הטיפול ומתנגשים יכולים להכניס הטיה במקום להסיר אותה.

שיטות ציון נטייה דורשות חליפיות מותנית: לאחר התניה על משתני עזר שנצפו, הקצאת הטיפול אינה קשורה לתוצאות הפוטנציאליות שנמצאות בהשוואה.

אי אפשר לאמת את האמירה הזו מנתוני ההתאמה בלבד. ציפייה שהושמטה, אות פרטי או יכולת ניהולית עדיין יכולים להניע גם את הטיפול וגם את הביצועים.

התאמה היא לפיכך כלי תכנון, לא תעודה סיבתית. בקרות שליליות, נימוק מוסדי וניתוח רגישות צריכים להתמודד עם ערבוב שלא נמדד.

חיוביות פירושה שלכל פרופיל משתני עזר רלוונטי יש סיכוי משמעותי להופיע בשתי הקבוצות. ציונים קרובים לאפס או לאחד חושפים תמיכה משותפת דקה.

שום מודל אינו יכול לייצר אנלוג שלא טופל עבור יחידה שטופלה מחוץ לאוכלוסיית התורמים. אקסטרפולציה לשם גורמת לתוצאות להסתמך על הצורה הפונקציונלית במקום על ראיות.

קליפרים, חיתוך ומשקולות חפיפה יכולים לשפר יציבות, אך הם משנים את אוכלוסיית היעד. יש לקרוא לאומדן המתוקן בשמו ולא להסתירו.

התאמת שכן קרוב או קליפר בונה מדגם השוואה. תת־סיווג משווה רצועות ציון, בעוד ששקלול לפי הסתברות הפוכה יוצר אוכלוסיית פסאודו משוקללת.

משקולות עבור השפעת טיפול ממוצעת שונות ממשקולות עבור ההשפעה על יחידות שטופלו. משקולות חפיפה מדגישות יחידות שמצב הטיפול שלהן היה הכי פחות ודאי.

הבחירות משפיעות על הטיה, שונות ופרשנות. שימוש חוזר בבקרות, השלכת יחידות שטופלו ואמידת ציונים משפיעים כולם על אי־הוודאות וצריכים להיכנס להסקה.

לאחר ההתאמה, השוו כל משתנה עזר באמצעות הפרשי ממוצעים מתוקננים ותרשימי התפלגות. AUC גבוה של מודל הטיפול אינו ראיה לאיזון טוב.

בדקו התפלגויות ציוני נטייה, ספירות ללא התאמה, גודל מדגם אפקטיבי והמשקולות הגדולות ביותר. כמה תצפיות קיצוניות יכולות לשלוט בשקט באומדן.

התוצאה צריכה להישאר מוסתרת בזמן כוונון התכנון. אחרת בחירות התאמה חוזרות יכולות להפוך לחיפוש מפרט שמונע מהתוצאה.

נניח שחברות שמאמצות כלל גילוי נסחרות מאוחר יותר בזול יותר. התאמה יכולה להשוות מאמצות לחברות דומות בגודל, בתנודתיות, בבעלות ובנזילות קודמת.

היא עדיין נכשלת אם האימוץ הגיע בעקבות תוכנית מימון שלא נמדדה ושגם שיפרה את הנזילות. תזמון ורשומות החלטה חשובים יותר מרשימה ארוכה של משתני עזר.

דווחו את תאריך הטיפול, את החלון שלפני הטיפול, את משתני העזר, תרשים החפיפה, טבלת האיזון, האומדן, המשקולות, ההחרגות, אי־הוודאות של ההשפעה והרגישות להטיה חבויה.

התוצאה החזקה ביותר אינה זו שמשתמשת בכל תצפית. זו הנתמכת באוכלוסייה שבה באמת קיימים עמיתים אמינים.

הפרידו בין הישג התכנון שנצפה — איזון טוב יותר של משתני העזר — לבין הטענה הסיבתית שאינה ניתנת לבדיקה — שלא נותר ערבוב חבוי חשוב.

אם האומדן משתנה בחדות בין קליפרים, כללי חיתוך או תרחישים סבירים של הטיה חבויה, אי־הוודאות לגבי התכנון צריכה להיות חלק מהמסקנה.