Eğilim Skorları, Eşleştirme ve Örtüşme
Eğilim skorlarının neyi dengelediğini, örtüşme ve koşullu bağımsızlığın neden önemli olduğunu, eşleştirme ve ağırlıklandırmanın tahmin edilen niceliği nasıl değiştirdiğini ve finansal bir çalışmayı güvenilir kılan teşhisleri öğrenin
Doğrudan yanıt
Eğilim skoru, gözlenen tedavi öncesi kovaryatlara göre tedavi alma olasılığıdır. Bu skor üzerinden eşleştirme veya ağırlıklandırma, tedavi edilen ve edilmeyen gruplar arasında ölçülen kovaryatları daha karşılaştırılabilir kılabilir. Gizli karıştırıcıları dengeleyemez, eksik örtüşmeyi onaramaz veya rassallık yaratamaz. Bu nedenle güvenilir bir analiz tahmin edilen niceliği tanımlar, sonuçlara bakmadan karşılaştırmayı tasarlar, kovaryat dengesini ve ağırlık yoğunlaşmasını kontrol eder ve kırpma ya da eşleştirmenin incelenen popülasyonu nasıl değiştirdiğini raporlar
Gözlemsel tedavi seçimle başlar
Firmalar, yatırımcılar ve piyasalar bir politikayı nadiren rassal olarak benimser. Büyüklük, risk, yönetişim, likidite ve beklenen büyüme hem benimsemeyi hem sonraki sonuçları etkileyebilir
Bu nedenle ham sonuç farkı tedavi etkisini önceden var olan farklarla karıştırır. Varsayımları savunulabilir değilse regresyon düzeltmesi de aynı tanımlama sorunuyla karşılaşır
Önce tasarım sorusu gelir: tedavi hangi birimlerde makul biçimde değişebilirdi ve hangi tedavi öncesi gerçekler bu seçimi açıklıyor?
Eğilim skoru gözlenen kovaryatları sıkıştırır
X kovaryatları için eğilim skoru e(X), X koşullu tedavi olasılığıdır. Aynı skora sahip birimler ölçülen X dağılımlarına benzer olmalıdır
Bu dengeleme özelliği çok boyutlu karşılaştırmayı tek bir skora indirger; ancak yalnızca tedaviden önce sağlanan değişkenler için geçerlidir. Tahmin doğruluğu hedef değildir
Model tedavi atamasını ve içerik bilgisini yansıtmalıdır. Tedavi sonrası değişkenler ve çarpıştırıcılar yanlılığı kaldırmak yerine yaratabilir
Koşullu bağımsızlık nedensel köprüdür
Eğilim yöntemleri koşullu değiş tokuş edilebilirlik gerektirir: gözlenen kovaryatlara koşullandıktan sonra tedavi ataması karşılaştırılan potansiyel sonuçlarla ilişkisiz olmalıdır
Bu ifade eşleştirilmiş veriden doğrulanamaz. Atlanan bir beklenti, özel sinyal veya yönetim yeteneği tedaviyi ve performansı birlikte yönlendirebilir
Eşleştirme bu nedenle bir tasarım aracıdır, nedensel sertifika değildir. Negatif kontroller, kurumsal akıl yürütme ve duyarlılık analizi ölçülmemiş karıştırmayı ele almalıdır
Örtüşme kimin karşılaştırılabileceğini belirler
Pozitiflik, ilgili her kovaryat profilinin iki grupta da görünmek için anlamlı bir şansa sahip olmasıdır. Sıfıra veya bire yakın skorlar ince ortak desteği gösterir
Hiçbir model donör popülasyonunun dışında kalan tedavi edilmiş birim için tedavi edilmemiş bir benzer üretemez. Orada ekstrapolasyon yapmak sonuçları kanıttan çok işlevsel biçime bağlar
Kaliperler, kırpma ve örtüşme ağırlıkları istikrarı artırabilir; ancak hedef popülasyonu değiştirir. Revize edilen tahmin edilen nicelik gizlenmek yerine adlandırılmalıdır
Eşleştirme ve ağırlıklandırma farklı soruları yanıtlar
En yakın komşu veya kaliper eşleştirmesi bir karşılaştırma örneklemi oluşturur. Alt sınıflandırma skor bantlarını karşılaştırırken ters olasılık ağırlıklandırması ağırlıklı bir sözde popülasyon yaratır
Ortalama tedavi etkisi ağırlıkları, tedavi görenler üzerindeki etki ağırlıklarından farklıdır. Örtüşme ağırlıkları tedavi durumunun en belirsiz olduğu birimleri vurgular
Seçimler yanlılığı, varyansı ve yorumu etkiler. Kontrolleri yeniden kullanmak, tedavi edilen birimleri atmak ve skorları tahmin etmek belirsizliğe katkı yapar ve çıkarıma dahil edilmelidir
Denge temel tasarım teşhisidir
Düzeltmeden sonra her kovaryatı standartlaştırılmış ortalama farkları ve dağılım grafikleriyle karşılaştırın. Yüksek tedavi modeli AUC'si iyi dengenin kanıtı değildir
Eğilim dağılımlarını, eşleşmeyen sayıları, etkin örneklem büyüklüğünü ve en büyük ağırlıkları inceleyin. Birkaç uç gözlem tahmine sessizce hâkim olabilir
Tasarım ayarlanırken sonuç gizli kalmalıdır. Aksi halde tekrarlanan eşleştirme seçimleri sonuç yönlendirmeli bir belirtim aramasına dönüşebilir
Finansal uygulamaların bir tedavi hikâyesine ihtiyacı vardır
Bir açıklama kuralını benimseyen firmaların daha sonra daha düşük maliyetle işlem gördüğünü varsayalım. Eşleştirme, benimseyenleri büyüklük, volatilite, sahiplik ve önceki likidite açısından benzer firmalarla karşılaştırabilir
Benimseme, likiditeyi de iyileştiren ölçülmemiş bir fonlama planını izlediyse yine başarısız olur. Zamanlama ve karar kayıtları uzun bir kovaryat listesinden daha önemlidir
Tedavi tarihini, tedavi öncesi pencereyi, kovaryatları, örtüşme grafiğini, denge tablosunu, tahmin edilen niceliği, ağırlıkları, dışlamaları, etki belirsizliğini ve gizli yanlılık duyarlılığını raporlayın
Tahmini tasarlanmış bir karşılaştırma olarak okuyun
En güçlü sonuç her gözlemi kullanan sonuç değildir. Gerçekten güvenilir karşılıkların bulunduğu bir popülasyonla desteklenen sonuçtur
Gözlenen tasarım başarısını, daha iyi kovaryat dengesi, test edilemeyen nedensel iddiadan, önemli gizli karıştırmanın kalmadığından ayırın
Tahmin kaliperler, kırpma kuralları veya makul gizli yanlılık senaryoları arasında sert biçimde değişiyorsa tasarım belirsizliği sonucun parçası olmalıdır
Sık sorulan sorular
Eşleştirme gözlemsel bir çalışmayı rassallaştırır mı?
Hayır. Ölçülen tedavi öncesi kovaryatlarda karşılaştırılabilirliği artırabilir; ancak gizli karıştırma kalabilir
Eğilim modeli tedaviyi mümkün olduğunca doğru tahmin etmeli mi?
Hayır. Amacı hedef tahmin edilen nicelik için kovaryat dengesi sağlamaktır; sınıflandırma performansı değil
Kötü örtüşme ne anlama gelir?
Bazı tedavi edilen birimlerin güvenilir tedavi edilmemiş karşılıkları olmadığını, bu etkilerin ekstrapolasyon veya daha dar bir hedef popülasyon gerektirdiğini gösterir
Uç skorları kırpmak zararsız mıdır?
Hayır. Kesinliği ve sağlamlığı artırabilir; ancak tahminin hangi popülasyonu anlattığını değiştirir