MerQuR+Başvuru Kitabı

127. Dengeleme ağırlıkları: entropi dengelemesi, CBPS, eğilim skoru, enerji

Şablon kimliği: dengeleme_agirliklari · Kategori: nedensel çıkarım · Dil: R · Dosya: pro/sablonlar/nedensel/dengeleme_agirliklari.R (satır 1–287; üstbilgi 1–135) · Örnek veri: _ornek/lalonde.csv · Paketler: WeightIt 2.1.0, cobalt 5.0.0, marginaleffects 1.0.0 (R 4.5.3); enerji dengelemesi için osqp 1.0.0 · Python eşi: Bölüm 128

127.1 Ne işe yarar

Gözlemsel bir çalışmada ikili bir tedavinin (program, müdahale, maruziyet) etkisini kestirmeden önce, tedavi görenlerle görmeyenleri ölçülmüş ortak değişkenler (karıştırıcılar) bakımından birbirine benzetmek gerekir. Şablon bunu hiçbir gözlemi atmadan, gözlemlere ağırlık vererek yapar: ağırlıklı kontrol grubunun ortak değişken dağılımı, hedef grubunki gibi görünür. Tipik soru: iş eğitimi programına katılanlar, programa katılmayanlar gibi ağırlıklandırılsaydı 1978 kazançları ortalamada ne kadar farklı olurdu?

Dört ağırlık yöntemi sunulur ve hepsi aynı çıktıyı verir: ağırlık özeti, ağırlık öncesi/sonrası denge ve (isteğe bağlı) tedavi etkisi.

Yöntem Ağırlık nasıl bulunur Dengeyi nasıl sağlar
Entropi dengelemesi (ebal) Ağırlıklar, birim ağırlıklardan en az uzaklaşacak biçimde ve seçilen momentlerde tam denge koşuluyla doğrudan çözülür (Hainmueller, 2012). Ağırlıklı ortalamalar hedefle bire bir eşittir.
Kovaryat dengeleyen eğilim skoru (cbps) Eğilim skoru modeli, denge koşullarını sağlayacak biçimde kestirilir (Imai ve Ratkovic, 2014). Tam tanımlı biçimde seçilen momentlerde tam denge.
Lojistik eğilim skoru (glm) \hat e(x)=\Pr(A=1\mid x) lojistik (ya da probit, cloglog) regresyonla kestirilir, ağırlık \hat e'nin dönüşümüdür (Rosenbaum ve Rubin, 1983). Dolaylı: denge, eğilim modeli doğruysa beklenir; tanıyla denetlenir.
Enerji dengelemesi (energy) Ağırlıklı dağılımlar arasındaki enerji uzaklığı ikinci dereceden programlamayla en küçüklenir (Huling ve Mak, 2024). Yalnız ortalamayı değil bütün dağılımı yaklaşık dengeler.

Üç hedef kitle seçilebilir: ATT (tedavi görenlerde ortalama etki), ATE (tüm örneklemde), ATC (kontrollerde). Hedef kitle ağırlıkların biçimini ve denge ölçüsünün paydasını belirler.

Sonuç değişkeni seçilirse şablon, ağırlıklı bir doğrusal modelden g-hesaplama ile tedavi etkisini ve bu etkinin standart hatasını da verir:

\hat\tau=\frac1{|S|}\sum_{i\in S}\big[\hat m(1,x_i)-\hat m(0,x_i)\big],\qquad S=\begin{cases}\{i:A_i=1\}&\text{ATT}\\ \text{tüm gözlemler}&\text{ATE}\\ \{i:A_i=0\}&\text{ATC}\end{cases}
  • A_i\in\{0{,}1\}: tedavi; x_i: ortak değişkenler; Y_i: sonuç.
  • \hat m(a,x): ağırlıklı en küçük kareler modelinin A=a ve ortak değişkenler x için öngördüğü sonuç.
  • S: hedef kitle (yukarıdaki üç durum); |S| eleman sayısı.

Ne zaman kullanılır?

  • İkili tedavi, ölçülmüş karıştırıcılar ve "gözlenmeyen karıştırıcı yok" varsayımı savunulabiliyorsa; amaç önce dengeyi kurup (tasarım aşaması) sonra etkiyi kestirmekse. Sonuç değişkeni boş bırakılırsa şablon yalnız ağırlık ve denge tanısını verir.
  • Eşleştirmede gözlem kaybetmek istenmiyorsa; ortak değişken dağılımının tam dengelenmesi (entropi dengelemesi) ya da ağırlıkların bir model yanlış belirlenmesine duyarsız olması isteniyorsa.
  • Birden çok yöntemi aynı veride karşılaştırıp ağırlık kararlılığı ve etkin örneklem büyüklüğüyle seçim yapılacaksa.

Ne zaman kullanılmaz?

  • Hem eğilim hem sonuç modelinin birlikte kullanıldığı çift sağlam kestirici isteniyorsa: Bölüm 125 cift_saglam_aipw (Python eşi Bölüm 126). Bu şablonun etkileşimli sonuç modeli de bir tür çift sağlamlık sağlar, ama ağırlıklar tek başına belirleyicidir.
  • Makine öğrenmesi ile çapraz uydurmalı etki kestirimi isteniyorsa: Bölüm 124 cift_makine_ogrenmesi. Hedefli en çok olabilirlik: Bölüm 139 tmle.
  • Gözlenmeyen karıştırıcıya duyarlılık sorulacaksa: Bölüm 131 ihmal_duyarlilik.
  • Tedavi zamana göre değişiyorsa: Bölüm 134 msm_ipw. Üç ve daha çok düzeyli ya da sürekli tedavide şablon durur (127.2).
  • Aynı hesabı Python ile yapmak istiyorsanız: Bölüm 128 dengeleme_agirliklari_py (yalnız entropi dengelemesi ve lojistik skor).

Temel programla ilişki. Temel programdaki Propensity Score Analysis paneli lojistik eğilim skoruyla eşleştirme, ters olasılık ağırlıklandırma ve tabakalama yapar; denge tablosu ve ortak destek grafiği verir. Entropi dengelemesi, CBPS ve enerji dengelemesi, dengelenecek momentlerin ve ikili etkileşimlerin seçimi ve ağırlık kestirimini hesaba katan etki standart hatası bu şablona özgüdür. Lojistik eğilim skoruyla ters olasılık ağırlıkları iki yerde de aynı tanıma dayanır.

127.2 Şablonun girdileri

Form, üstbilgideki on yedi [[param]] bloğundan kurulur (dengeleme_agirliklari.R:10–134). Alan türleri ve formun biçimsel denetimi 1.2'de anlatılmıştır; burada yalnız şablona özgü olanlar yer alır.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
İkili tedavi değişkeni · tedavi sütun · Değişkenler ilk sütun herhangi bir sütun, tam iki düzey A göstergesi: düzeyler sayısal (sayısal değilse alfabetik) sırayla dizilir, ikinci düzey tedavi sayılır; tedavi ve kontrol düzeyi çıktıda yazılır (165–178).
Tedavi grubu sayılan düzey · tedavi_duzeyi metin · Değişkenler boş tedavi sütununun iki düzeyinden biri Doluysa o düzey tedavi (1) sayılır; boşsa sıralamada ikinci düzey (170–174).
Ortak değişkenler (karıştırıcılar) · ortak sütunlar · Değişkenler boş (en az 1) en az bir sütun Eğilim modelinin ve dengelenecek değişkenlerin listesi; tedavi ve sonuç listeden çıkarılır (152–153).
Sonuç değişkeni (isteğe bağlı) · y sayısal sütun · Değişkenler boş sayısal sütun ya da boş Doluysa etki hesaplanır (151, 248–273).
Ağırlıklandırma yöntemi · yontem seçim · Model ebal ebal, cbps, glm, energy weightit(method =) (209).
Kestirilen etki · kestirilen seçim · Model ATT ATT, ATE, ATC weightit(estimand =), hedef kitle S (209, 260).
Sonuç modeli · sonuc_modeli seçim · Model etkilesimli etkilesimli, yalin Y\sim A\times(\text{ortak}) ya da Y\sim A (257).
Dengelenecek en yüksek moment · momentler tamsayı · Model 1 1–3 ebal, cbps, energy'de moments = (197–198).
İkili etkileşimleri de dengele · etkilesim onay · Model kapalı açık / kapalı ebal, cbps, energy'de int = TRUE (199).
Eğilim skoru bağlantısı · baglanti seçim · Model logit logit, probit, cloglog glm ve cbps'de link = (201).
Aşırı tanımlı CBPS · cbps_asiri onay · Gelişmiş kapalı açık / kapalı Yalnız cbps'de over = TRUE (202).
Kararlı ağırlıklar · kararli onay · Seçenekler kapalı açık / kapalı stabilize = TRUE (205); yalnız ATE'de çalışır, ATT ve ATC'de şablonun kendi iletisiyle durur (203–204).
Ağırlık kırpma · kirpma ondalık · Seçenekler 0 0–0,2 >0 ise WeightIt::trim(at = 1 − kirpma) (212–214).
Etki SH'si · vcov_turu seçim · Gelişmiş otomatik otomatik, HC0 lm_weightit(vcov = "HC0") (258). Kırpma açıkken, enerji dengelemesinde ve sonuç eksikken otomatik de HC0'a düşer; tablo başlığı kullanılan SH'yi yazar (263–272).
Ağırlıkları yalnız tedavi ve ortak değişkenlerin tam olduğu satırlarda kestir · agirlik_tam_satir onay · Gelişmiş kapalı açık / kapalı Açıksa sonuç eksiği olan satırlar yalnız sonuç modelinden çıkar (156–163, 248–258).
Güven düzeyi · guven ondalık · Seçenekler 0,95 0,5–0,999 avg_comparisons(conf_level =) (206, 261).
Denge ölçütü eşiği · denge_esigi ondalık · Çıktı 0,1 0,01–0,5 Özet iletisinin ve şekildeki kesikli çizginin konumu (206, 246, 279, 284).

Örnek ayar (ornek_param, satır 9): tedavi = treat, ortak = [age, educ, race, married, nodegree, re74, re75], y = re78, yontem = ebal, kestirilen = ATT, sonuc_modeli = etkilesimli. Varsayılandan fark yalnız ortak değişkenlerin ve sonucun seçilmiş olmasıdır.

Şablonun kendi denetimleri.

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 139
Tedavi ve sonuç çıkarılınca ortak değişken kalmadı "Tedavi ve sonuçtan farklı en az bir ortak değişken seçin." 153
energy seçili ve osqp kurulu değil "Enerji dengelemesi için 'osqp' paketi gerekli …" 154–155
Tedavi tam iki düzeyli değil "Tedavi değişkeninin tam iki düzeyi olmalı." 169
tedavi_duzeyi alanındaki değer iki düzeyden biri değil "'Tedavi grubu sayılan düzey' alanındaki '…' tedavi değişkeninin düzeylerinden biri değil (düzeyler: …)." 171
Bir tedavi grubunda 5'ten az gözlem "Her tedavi grubunda en az 5 gözlem gerekli." 179
Bir ortak değişken sabit (tek düzeyli) "'…' sabit (tek düzeyli); ortak değişkenlerden çıkarın." 187
Kategorik ortak değişkenin düzey sayısı \ge\max(10;\ n_g/5) (n_g: küçük tedavi grubu) "'…' … düzeyli bir kategorik değişken …; sayısal ise Veri sekmesinde türünü sayısal yapın, değilse düzeyleri birleştirin." 183–185
kararli açık, kestirilen ATE değil "'Kararlı (stabilize) ağırlıklar' yalnız ATE ile kullanılabilir …" 203–204
Sonuç sabit "Sonuç değişkeni sabit." 189
n<q+10 (q: gösterge değişkenler dahil sütun sayısı) "Gözlem sayısı ortak değişken sayısına göre çok az." 190–191
weightit hata verdi "Ağırlıklar kestirilemedi: …" (paket iletisi aynen) 210
Kırpma hata verdi "Ağırlıklar kırpılamadı: …" 213
Bir ağırlık sonlu değil "Ağırlıklar sonlu değil (eğilim skorları 0 ya da 1'e çok yakın)." 216
Bir tedavi grubunda en büyük ağırlık <10^{-8} (tam ayrışma) "Ağırlıklar '…' grubunda (neredeyse) tamamen sıfır: bir ortak değişken tedavi gruplarını neredeyse tam ayırıyor …" 217–219
Denge tablosu kurulamadı "Denge tablosu kurulamadı: …" 232–233
Sonuç modeli kurulamadı / etki hesaplanamadı "Sonuç modeli kurulamadı: …", "Etki hesaplanamadı: …" 259, 262

Tedavi kodlaması. Tedavi düzeyleri Veri sekmesindeki sütun türünden bağımsız olarak dizilir (166–168): değerlerin hepsi sayıya çevrilebiliyorsa sayısal sırayla, aksi hâlde harf sırasıyla (büyük harfler küçüklerden önce gelir; Python eşiyle aynı kural). İkinci düzey tedavi, birinci düzey kontrol sayılır (172–174). 0/1 kodlu sütunda 1 tedavidir; 1/2 kodlu sütunda 2 tedavidir; kontrol < tedavi metin sütununda tedavi tedavi'dir; sütunun veri sekmesinde "kategorik" ya da "ikili" işaretli olması ve ilk satırında hangi etiketin bulunması sonucu değiştirmez. Başka düzeyi tedavi saymak için tedavi_duzeyi alanına o düzeyin adı yazılır (170–174); alanda düzeylerden biri olmayan bir ad varsa şablon durur. Konsolun ilk satırlarında hangi düzeyin tedavi (1) ve hangisinin kontrol (0) sayıldığı, her grubun gözlem sayısı ve düzey sırası yazılır (176–178); beklediğiniz tedavi sayısıyla karşılaştırın.

Ortak değişken türleri. Metin ve mantıksal sütunlar factora çevrilir, kullanılmayan düzeyler atılır (181–182). Sayısal sütunlar olduğu gibi kalır. Küçük tedavi grubunun beşte birinden (en az 10) çok düzeyi olan bir kategorik sütun (ör. sayısal bir sütunun "kategorik" yapılması) ağırlık kestirimine girmeden anlaşılır bir iletiyle reddedilir (183–185). Sonuç y sayısal rol olduğundan veri sekmesindeki türü ne olursa olsun sayı olarak okunur (1.3); ortak değişkenler (sutunlar, sayısal koşulu yok) veri sekmesindeki türle gelir: türü "kategorik" olan sayısal bir sütun factor olur ve her düzeyi ayrı gösterge değişkenine açılır.

Eksik değerler. Tedavi, ortak değişkenler ve (seçiliyse) sonucun herhangi birinde eksik olan satır, ağırlıklar kestirilmeden önce atılır (156–159) ve atılan satır sayısı konsola yazılır ("Eksik değer nedeniyle 9 satır atıldı (614 satırdan 605 satır kaldı)."; 161–164). Varsayılanda sonuç eksikliği de ağırlıkları etkiler: aynı veride sonuç boş bırakıldığında kontrol ESS'si 99{,}7153, sonuç seçildiğinde (iki satır daha atıldığında) 100{,}0193'tür (127.8). agirlik_tam_satir açıkken ağırlıklar yalnız tedavi ve ortak değişkenlerin tam olduğu satırlarda kestirilir (aynı veride n=607; ESS 99{,}7153, yani sonuç seçilmeyen çalıştırmayla aynı); sonucu eksik olan satırlar yalnız sonuç modelinden çıkarılır ve bu durumda etki SH'si ağırlıkları sabit sayan sağlam SH'dir (248–258).

Tohum. Şablon rastgele sayı kullanmaz: entropi dengelemesi, CBPS ve lojistik skor deterministik çözülür, enerji dengelemesi ikinci dereceden programlamadır. Kod panelindeki isteğe bağlı Tohum alanına 1 ya da 987654 yazılsa da enerji ve CBPS çıktıları (ESS 41{,}815035; 279{,}987159 ve 44{,}205032) birebir aynıdır. Tohum alanının ortak işleyişi 1.3'tedir.

127.3 Örnek veri

_ornek/lalonde.csv: Ulusal Destekli Çalışma Programı (NSW) eğitim programının LaLonde (1986) çalışmasından türetilen, Dehejia ve Wahba (1999) ile yaygınlaşan 614 gözlemlik örneklemidir (tedavi 185, kontrol 429); eksik değer yoktur. Tedavi görenler randomize deneyden, kontroller bir nüfus anketinden gelir; bu nedenle gruplar ortak değişkenlerde belirgin biçimde farklıdır ve veri, dengeleme yöntemlerinin klasik sınaması sayılır.

Değişken Rol Tür (veri sekmesinin algıladığı) Özet (kontrol / tedavi)
treat tedavi ikili 429 / 185
age ortak sayısal ort. 28{,}03 (10{,}79) / 25{,}82 (7{,}16)
educ ortak sayısal 10{,}24 (2{,}86) / 10{,}35 (2{,}01)
race ortak kategorik black 87 / 156; hispan 61 / 11; white 281 / 18
married ortak ikili 0{,}513 / 0{,}189
nodegree ortak ikili 0{,}597 / 0{,}708
re74 ortak sayısal 5619{,}24 (6788{,}75) / 2095{,}57 (4886{,}62); sıfır oranı 0{,}261 / 0{,}708
re75 ortak sayısal 2466{,}48 (3291{,}99) / 1532{,}06 (3219{,}25); sıfır oranı 0{,}312 / 0{,}600
re78 sonuç sayısal 6984{,}17 (7294{,}16) / 6349{,}14 (7867{,}40)

Düzey sırası. race sütunu veri sekmesinde "kategorik"tir ve düzeyleri ilk görülme sırasıyla black, hispan, white olarak gelir (1.3). Bu sıra kestirilen ağırlıkları değiştirmez (bağımsız hesapta üç düzeyden hangisi başvuru seçilse ağırlıklar 3\cdot10^{-14} içinde aynı çıkar); yalnız denge tablosunun satır adlarını (race_black, race_hispan, race_white) ve sırasını belirler. Tedavi (treat) 0/1 sayısaldır; 1 tedavidir.

Ham fark. Ağırlıklandırmadan önce tedavi görenlerin 1978 kazancı kontrollerinkinden 6349{,}14-6984{,}17=-635{,}03 dolar azdır. Tedavi gruplarının yaşı, medeni durumu ve 1974 kazancı çok farklı olduğundan bu fark nedensel değildir; ağırlıklandırma sonrasında işaret değişir (127.7).

Bu bölümde kullanılan çalıştırmalar. Örnek ayar (dw_ornek); aynı veride ebal için ATE, ATC, yalın sonuç modeli, %90 GA; glm için ATT, ATE, ATC; cbps ATT, ATE ve aşırı tanımlı; energy ATT; momentler 2 ve 3; etkilesim; probit ve cloglog bağlantı; kararlı ağırlık; kırpma 0{,}05; HC0; zayıf örtüşmeli, ayrışmalı ve uç değerli türev veriler (127.8).

127.4 Yöntem: formüller ve hesap adımları

Hesap sırası: veri okunur, tedavi göstergesi A kurulur (139–191); ağırlıklar weightit ile kestirilir (193–216); istenmişse üst kuyruk kırpılır (212–214); ağırlık özeti ve ESS yazılır (220–228); cobalt ile denge ölçülür (230–246); sonuç seçilmişse ağırlıklı model uydurulur ve g-hesaplama ile etki bulunur (248–273); şekil çizilir (276–285).

127.4.1 Tasarım matrisi ve hedef kitle

Eğilim modeli ve dengelenecek momentler \texttt{.A}\sim x_1+\dots+x_q formülüyle kurulur (193–195). Kategorik değişkenler kesişimli modelde birinci düzey dışındaki göstergelere açılır; x_i bu matrisin satırıdır, ilk eleman 1'dir. Hedef kitle S'nin tanımı 127.1'dedir; ağırlıkların biçimi onunla belirlenir: ATT'de tedavi görenlerin ağırlığı 1 ve kontroller tedavi görenlere benzetilir; ATC'de tersi; ATE'de iki grup da tüm örnekleme benzetilir.

127.4.2 Entropi dengelemesi

ATT için kontrollerin ağırlıkları şu en küçükleme problemini çözer (Hainmueller, 2012):

\min_{w}\ \sum_{i:A_i=0}w_i\log w_i\qquad\text{koşul:}\quad \sum_{i:A_i=0}w_i\,x_i=\sum_{i:A_i=1}x_i,\quad w_i>0

Kesişim, x'in ilk elemanı olduğundan koşul \sum_{A_i=0}w_i=n_1 içerir. Çözüm ikili (dual) problemden doğrudan bulunur:

w_i=\exp(-x_i^\top\hat z)\ \ (A_i=0),\qquad \hat z=\arg\min_{z}\ \Big[\sum_{i:A_i=0}e^{-x_i^\top z}+z^\top\!\!\sum_{i:A_i=1}x_i\Big]
  • w_i: kontrol i'nin ağırlığı; her zaman pozitiftir.
  • x_i: q+1 boyutlu tasarım vektörü (kesişim dahil); n_1: tedavi görenlerin sayısı.
  • z: dual değişken (Lagrange çarpanları); her denge koşuluna bir bileşen düşer.

ATC'de roller yer değiştirir. ATE'de iki grup ayrı çözülür: her grubun ağırlıklı toplamı tüm örneklemin toplamına eşitlenir, \sum_{A_i=g}w_ix_i=\sum_ix_i (g=0{,}1).

Neden pozitif ve tam denge

Üstel biçim ağırlıkları pozitif tutar; eğilim skorunun yaptığı gibi 0 ya da 1'e yaklaşan bir olasılık bölünmez. Koşullar eşitlik olduğundan seçilen momentlerde denge tamdır: ağırlıklı kontrol ortalamaları tedavi ortalamalarına 10^{-9} düzeyinde eşit çıkar (127.6). Bedel, ağırlıkların dağılımının genişlemesidir (ESS'nin düşmesi); örtüşme zayıfsa çözüm bulunamayabilir.

momentler, her sürekli ortak değişkenin 2. ve 3. kuvvetlerini koşullara ekler; etkilesim = TRUE ikili çarpımları da ekler (197–200). Koşul sayısı arttıkça ESS düşer (127.7).

127.4.3 Eğilim skoru ağırlıkları

\hat e(x)=\Pr(A=1\mid x), glm'de seçilen bağlantıyla (logit, probit, cloglog) kestirilir (201). Ağırlıklar (Rosenbaum ve Rubin, 1983):

\text{ATT: }\ w_i=A_i+(1-A_i)\frac{\hat e_i}{1-\hat e_i},\qquad \text{ATC: }\ w_i=A_i\frac{1-\hat e_i}{\hat e_i}+(1-A_i),\qquad \text{ATE: }\ w_i=\frac{A_i}{\hat e_i}+\frac{1-A_i}{1-\hat e_i}

Kararlı (stabilize) ağırlıklar yalnız ATE'de anlamlıdır: ağırlık \widehat\Pr(A=A_i)\big/\widehat\Pr(A=A_i\mid x_i)'dir. Örnek veride kontrol ağırlığının en küçüğü 1{,}0092'den 0{,}7051'e iner (0{,}7051/1{,}0092=429/614=0{,}6987); ağırlıkların ölçeği değişir, ESS ve ağırlıklı ortalama farkı aynı kalır (329{,}008 ve 386{,}093). ATT ve ATC'de kararli açıkken weightit "stabilize can only be supplied when estimand = ATE" iletisiyle durur (210).

Koddaki tercih

Eğilim skoru modelinde ortak değişkenler birinci dereceden girer; moment, etkileşim ve çok terimli genişletme yoktur (momentler ve etkilesim bu yöntemde kullanılmaz). Denge kendiliğinden sağlanmaz, ağırlıklı denge tablosu ile denetlenir: örnek veride lojistik skorun ağırlık sonrası en büyük farkı 0{,}1188'dir (\text{age}), yani 0{,}1 ölçütünü aşar.

127.4.4 CBPS

Kovaryat dengeleyen eğilim skoru, \hat\gamma'yı olabilirlik skoru yerine denge koşullarından çözer (Imai ve Ratkovic, 2014). Logit bağlantıda tam tanımlı (varsayılan) biçimde koşullar

\text{ATE: }\ \sum_i\Big[\frac{A_i}{\hat e_i}-\frac{1-A_i}{1-\hat e_i}\Big]x_i=0,\qquad \text{ATT: }\ \sum_i\Big[A_i-(1-A_i)\frac{\hat e_i}{1-\hat e_i}\Big]x_i=0

olur; \hat e_i=\operatorname{expit}(x_i^\top\hat\gamma) ve çözüm \hat\gamma'dır. Aşırı tanımlı biçim (cbps_asiri) olabilirlik skor koşullarını da ekler ve genelleştirilmiş momentler yöntemiyle çözer (202); denge tam olmaz.

ATT'de CBPS ile entropi dengelemesi aynıdır

Logit bağlantıda ve yalnız ortalamalar dengelenirken ATT için CBPS koşulu \sum_{A=0}\frac{\hat e}{1-\hat e}x=\sum_{A=1}x biçimindedir; entropi dengelemesinin ağırlıkları \exp(-x^\top z) de aynı koşulu sağlar ve \hat e/(1-\hat e)=\exp(x^\top\hat\gamma) olduğundan iki çözüm çakışır. Örnek veride CBPS ATT ve entropi ATT'nin ESS'si (98{,}4578), tedavi etkisi (1273{,}262) ve SH'si (770{,}155) birebir aynıdır. ATE'de ağırlıklar farklıdır (127.7).

127.4.5 Enerji dengelemesi

Ağırlıklı dağılım ile hedef dağılım arasındaki enerji uzaklığı ikinci dereceden programlamayla en küçüklenir (Huling ve Mak, 2024; çözücü osqp, Stellato ve ark., 2020). Koşullar yalnız ortalamalara değil dağılımın tümüne bakar; bu yüzden tek tek momentler tam eşitlenmez (örnek veride en büyük |fark| 0{,}0226) ve bazı ağırlıklar sıfıra çok yakın çıkar (en küçük <10^{-4}). ESS örnek veride 41{,}815'tir, entropi dengelemesinin (98{,}458) altındadır.

127.4.6 Ağırlık kırpma

kirpma = c >0 ise ağırlıkların üst kuyruğu 1-c yüzdeliğine çekilir: WeightIt::trim(W, at = 1 − c) (212). Yüzdelik quantile(type = 3) ile (en yakın gözlem) hesaplanır; ATT'de yalnız kontrol ağırlıkları kırpılır (tedavi görenlerin ağırlığı 1 kalır ve yüzdelik yalnız kontrollerden alınır), ATE'de tüm gözlemlerin ağırlıkları birlikte kırpılır. Örnek veride c=0{,}05 için ATT entropi kesme noktası 2{,}412964'tür (20 kontrolün ağırlığı kesme noktasına çekilir, 2 kontrol kesme noktasına eşittir) ve ESS 98{,}458\to106{,}048; ATE lojistik kesme noktası 4{,}03007'dir (31 gözlem kırpılır). Kırpma, denge koşullarını bozar: entropi ATT'de en büyük |fark| 0'dan 0{,}0214'e çıkar.

Kırpmadan sonra SH ağırlık kestirimini hesaba katmaz

trim işlevi ağırlık kestiriminin M-kestirimi bileşenlerini siler (attr(x, "Mparts") <- NULL); bu nedenle kırpmadan sonra otomatik SH, HC0 ile aynı çıkar: lojistik ATE, c=0{,}05 iken ikisi de 1182{,}224'tür (kırpmasız otomatik 1244{,}622, HC0 1260{,}686). Şablon lm_weightit çıktısındaki SH türünü okur (263–265): etki tablosunun başlığı kırpmalı çözümlemede "sağlam SH, ağırlıklar sabit" der ve konsola bu SH'nin ağırlık kestirimini hesaba katmadığını söyleyen bir not düşülür.

127.4.7 Ağırlık özeti ve etkin örneklem büyüklüğü

Her tedavi grubu için (221–225) n, etkin örneklem büyüklüğü, en küçük ve en büyük ağırlık ve değişim katsayısı yazılır:

\mathrm{ESS}_g=\frac{\big(\sum_{i\in g}w_i\big)^2}{\sum_{i\in g}w_i^2},\qquad \mathrm{DK}_g=\frac{s_g(w)}{\bar w_g}
  • g: tedavi grubu (kontrol ya da tedavi); toplamlar o grubun gözlemleri üzerindendir.
  • s_g(w): ağırlıkların örneklem standart sapması (n-1 bölenli); \bar w_g: ortalaması.

Neden ESS

Ağırlıklar eşitse \mathrm{ESS}=n_g'dir; ağırlıklar dağıldıkça düşer ve ağırlıklı tahminin yaklaşık ne kadar bağımsız gözleme eşdeğer olduğunu gösterir (Kish yaklaşımı). ESS'nin n_g'ye göre çok küçük olması, etkinin birkaç gözleme dayandığı ve SH'nin büyük olacağı anlamına gelir. Örnek veride kontrol ESS'si 429'dan 98{,}46'ya iner. Hedef grubun ağırlığı 1 olduğundan ATT'de tedavi grubunun ESS'si n_1, DK'sı 0'dır.

127.4.8 Denge ölçüleri

Denge cobalt::bal.tab ile ölçülür; şablon varsayılanları açıkça yazar (binary = "raw", continuous = "std", s.d.denom varsayılan; 181). Her ortak değişken için:

\text{ikili }(0/1):\ \ d=\bar x_1^{(w)}-\bar x_0^{(w)},\qquad \text{sürekli:}\ \ d=\frac{\bar x_1^{(w)}-\bar x_0^{(w)}}{s},\qquad \mathrm{VO}=\frac{s_{1}^{2\,(w)}}{s_{0}^{2\,(w)}}
  • \bar x_g^{(w)}: g grubunun ağırlıklı ortalaması; ağırlıksız karşılığı "önce" sütunudur.
  • s: standartlaştırma paydası, ağırlıksız örneklemden: ATT'de tedavi grubunun, ATC'de kontrol grubunun, ATE'de \sqrt{(s_1^2+s_0^2)/2} (birleşik) standart sapma.
  • \mathrm{VO}: varyans oranı (yalnız sürekli değişkende); ağırlıklı varyans \sum w(x-\bar x^{(w)})^2\big/\big(\sum w-\sum w^2/\sum w\big).

Kategorik değişkenin her düzeyi ayrı bir ikili satırdır. Değişken yalnız \{0{,}1\} değerlerini alıyorsa ikilidir; \{1{,}2\} kodlu bir değişken sürekli sayılır. İkili değişkenlerde ölçü ham oran farkıdır, yani standartlaştırılmış fark değildir; bu iki ölçünün 0{,}1 eşiği aynı şeyi söylemez. Şablon |d|'nin en büyüğünü ve hangi değişken olduğunu yazar (245–246) ve eşiği (0{,}1) hatırlatır; karar vermez.

127.4.9 Sonuç modeli, g-hesaplama ve standart hata

etkilesimli seçenekte Y\sim A\times(x_1+\dots+x_q) ağırlıklı en küçük karelerle uydurulur (lm_weightit, 196–197):

\hat m(a,x)=\hat\beta_0+\hat\beta_Aa+x^\top\hat\beta_x+a\,x^\top\hat\beta_{Ax}

ve etki, hedef kitle S üzerinde \hat\tau=|S|^{-1}\sum_{i\in S}[\hat m(1,x_i)-\hat m(0,x_i)] olarak alınır (avg_comparisons, 199–200). yalin seçenekte Y\sim A modelinin A katsayısı ağırlıklı ortalama farkıdır ve \hat\tau budur.

Standart hata (otomatik). Ağırlık parametreleri \hat\theta_w ve model katsayıları \hat\beta tek bir tahmin denklemi sisteminde yığılır:

\sum_i\psi_i(\theta)=0,\quad \psi_i=\begin{pmatrix}\psi_w(x_i,A_i;\theta_w)\\ w_i(\theta_w)\,\big(Y_i-z_i^\top\beta\big)\,z_i\end{pmatrix},\qquad \widehat V=\hat J^{-1}\Big(\sum_i\psi_i\psi_i^\top\Big)\hat J^{-\top},\quad \hat J=\sum_i\frac{\partial\psi_i}{\partial\theta^\top}

ve \mathrm{SH}(\hat\tau)=\sqrt{g^\top\widehat V_{\beta\beta}\,g}'dir; g, \hat\tau=g^\top\hat\beta yazıldığında hedef kitle üzerindeki tasarım farklarının ortalamasıdır (delta yöntemi). Bu, ağırlıkların kestirilmiş olmasının belirsizliğini hesaba katan M-kestirimi sandviçidir (Stefanski ve Boos, 2002). Güven aralığı \hat\tau\pm z_{(1+g)/2}\mathrm{SH}, z=\hat\tau/\mathrm{SH} ve p=2\Phi(-|z|) standart normal dağılımladır (270).

HC0 seçeneğinde ağırlıklar sabit sayılır; \widehat V=(Z^\top WZ)^{-1}\big(\sum w_i^2r_i^2z_iz_i^\top\big)(Z^\top WZ)^{-1} (r: ağırlıklı model artığı). Enerji dengelemesi için M-kestirimi tanımlı olmadığından otomatik seçenek de HC0 verir (932{,}524 her ikisinde); başlık bunu yazar. Örnek veride ATT entropi ve etkileşimli modelde iki SH aynıdır (770{,}1546); yalın modelde farklıdır (789{,}7448 ve 824{,}3867).

Koddaki tercih

\hat\tau ağırlıklı doğrusal modelden alınır; sonuç 0/1 ya da sayımsa bile lojistik/Poisson modeli kurulmaz (257–258). Hedef kitle üzerindeki ortak değişken ortalamaları sabit sayılır (SH, \hat\beta üzerinden kurulur). Etkilesimli modelde ortak değişkenlerin ortalaması hedef kitlede alınır; ATT'de bu, tedavi grubunun ortalamasıdır.

127.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
136–137 Dil yardımcısı .m; WeightIt, cobalt, marginaleffects yüklenir. Üç paket de yüklenir; energy için osqp yalnız 154'te denetlenir.
139–158 Veri ve değişken listeleri; energy için osqp; satır filtresi. Tedavi ve sonuç ortak'tan çıkarılır (152), eksik içeren satır atılır ve sayısı yazılır (156–164). Yardımcılar or ve .cv (çeviri) 140–152'dedir.
165–179 Tedavi iki düzeye çevrilir: A=1 ikinci düzey; gruplarda \ge5 gözlem. Düzey sırası sütun türünden bağımsızdır; tedavi ve kontrol düzeyi 176–178'de yazılır (127.2).
180–191 Ortak değişken sabitlik ve sonuç sabitliği denetimi; n\ge q+10. Metin ve mantıksal sütunlar factor olur (181–182).
193–206 Formül ve weightit ek bağımsız değişkenleri (moments, int, link, over, stabilize). Yalnız ilgili yöntemde geçerli olanlar eklenir (197–205); geçersiz birleşim (ATT/ATC + kararlı) şablonun kendi iletisiyle durur (203–204).
207–216 weightit çağrılır; uyarılar toplanır; kırpma; sonluluk denetimi. warning kayıtları 274'te yazılır. Sonluluk denetiminden (216) sonra her tedavi grubunun en büyük ağırlığı 10^{-8}'in altındaysa (tam ayrışma) şablon durur (217–219).
220–228 ESS ve ağırlık özeti tablosu. 127.4.7.
230–246 bal.tab; denge tablosu; en büyük |fark| iletisi. Distance satırı atılır (235); binary="raw" başarısız olursa varsayılan çağrıya dönülür (232).
248–273 Sonuç modeli, avg_comparisons, etki tablosu. Hedef kitle alt kümesi (260); başlıktaki %95 yazımı guven ile değişir (272).
274 WeightIt/cobalt uyarıları metin olarak yazılır. Sık görülen WeightIt ve cobalt uyarıları Türkçeye çevrilir (.cv, 141–152); öteki uyarılar paketin dilinde kalır.
276–285 Denge grafiği (Love plot). Değişkenler ağırlıksız |fark|'a göre dizilir; boş daire ağırlıksız, mor dolu ağırlıklı.

Kritik satırlar:

A <- as.integer(as.character(tr) == as.character(duz[2]))        # 136: ikinci düzey tedavi (.A sütunu)
W <- do.call(weightit, c(list(f_ps, data = d, method = yontem, estimand = kestirilen), ek))   # 163
fit <- lm_weightit(f_y, data = d, weightit = W)                  # 197: ağırlık kestirimini hesaba katan vcov

Kodda yontem ve kestirilen, formdaki P listesinin elemanlarıdır; A, veri çerçevesinde .A adlı sütundur.

127.6 Elle hesap: örnek veride bağımsız yeniden hesap

Örnek ayarın (entropi, ATT, etkileşimli sonuç modeli) tüm ara değerleri, WeightIt ve şablon kodu kullanılmadan, numpy ile (dogrulama/dengeleme_agirliklari/elle_hesap.py, ara_degerler.py) ve R tabanıyla (r_dogrulama.R) yeniden hesaplanmıştır; ağırlıklar Newton adımlarıyla, SH çözümsel (Python) ve sayısal türevle (R, numDeriv::jacobian) elle yığılmış M-kestirimi sandviçidir.

Adım 1 — hedef. Tedavi görenlerin tasarım ortalamaları: \bar x_1=(1;\ 25{,}8162;\ 10{,}3459;\ 0{,}0595;\ 0{,}0973;\ 0{,}1892;\ 0{,}7081;\ 2095{,}5737;\ 1532{,}0553) (hispan, white göstergeleri; black başvuru düzeyidir). Kontrol ortalamaları: 28{,}0303;\ 10{,}2354;\ 0{,}1422;\ 0{,}6550;\ 0{,}5128;\ 0{,}5967;\ 5619{,}2365;\ 2466{,}4844.

Adım 2 — dual problem. f(z)=\sum_{A=0}e^{-x_i^\top z}+z^\top\sum_{A=1}x_i sıfır başlangıçtan Newton adımlarıyla en küçüklenir; gradyanın en büyük bileşeni 10^{-12}'nin altına inince durulur: \hat z=(2{,}2010;\ -0{,}02419;\ -0{,}17975;\ 2{,}07865;\ 3{,}05404;\ 0{,}78286;\ -0{,}87304;\ 8{,}214\cdot10^{-5};\ -6{,}519\cdot10^{-5}).

Adım 3 — ağırlıklar. w_i=\exp(-x_i^\top\hat z). İlk beş kontrol: 0{,}026903;\ 0{,}014766;\ 0{,}025149;\ 0{,}048263;\ 0{,}812017. \sum w=185{,}0000 (=n_1), \sum w^2=347{,}6107; \mathrm{ESS}=185^2/347{,}6107=98{,}4578.

Adım 4 — denge. Ağırlıklı kontrol ortalamaları, tedavi ortalamalarıyla 10^{-12} içinde eşittir (ör. \text{age}: 25{,}816216216216223 ve 25{,}816216216216215). Ağırlıksız standartlaştırılmış fark, \text{age} için (25{,}8162-28{,}0303)/7{,}1550=-0{,}3094 (payda: tedavi grubunun standart sapması 7{,}1550).

Adım 5 — g-hesaplama. 18 katsayılı etkileşimli model ağırlıklı en küçük karelerle uydurulur. Tedavi grubunda \hat\mu_1=\frac1{185}\sum_{A=1}\hat m(1,x_i)=6349{,}1435 (tedavi grubunun gözlenen ortalaması, çünkü ağırlıklar tedavi grubunda 1'dir) ve \hat\mu_0=\frac1{185}\sum_{A=1}\hat m(0,x_i)=5075{,}8817; \hat\tau=6349{,}1435-5075{,}8817=1273{,}2618. Dengeleme tam olduğundan bu, yalın modelin ağırlıklı ortalama farkıyla (6349{,}1435-\sum wY/\sum w=1273{,}2618) çakışır.

Adım 6 — SH. Yığılmış sistem 9 ağırlık ve 18 model parametresi içerir; sandviçten \mathrm{SH}(\hat\tau)=770{,}1545, z=1{,}6533, p=0{,}0983, %95 GA [-236{,}2133;\ 2782{,}7370].

Lojistik skor ATT (karşılaştırma). \hat\gamma=(-1{,}6633;\ 0{,}01578;\ 0{,}1613;\ -2{,}0817;\ -3{,}0654;\ -0{,}8321;\ 0{,}7073;\ -7{,}18\cdot10^{-5};\ 5{,}34\cdot10^{-5}); eğilim skoru [0{,}0091;\ 0{,}8532] (kontroller en çok 0{,}7892, tedavi görenler en az 0{,}0250). İlk kontrol: \hat e=0{,}026118, w=\hat e/(1-\hat e)=0{,}026818. \sum_{A=0}w=186{,}9989 (n_1=185 değil: lojistik skor tam dengeyi koşul olarak koymaz), \mathrm{ESS}=99{,}8154, \hat\tau=1270{,}1249, \mathrm{SH}=770{,}7871.

127.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
entropi, ATT (örnek ayar): ESS (kontrol) 98,45783442 98,45783442 98,45783442 1,7e−12 ✓
entropi, ATT (örnek ayar): en küçük ağırlık (kontrol) 0,00808598 0,00808598 0,00808598 8,3e−14 ✓
entropi, ATT (örnek ayar): en büyük ağırlık (kontrol) 4,06243015 4,06243015 4,06243015 1,5e−13 ✓
entropi, ATT (örnek ayar): değişim katsayısı (kontrol) 1,83440428 1,83440428 1,83440428 1,1e−12 ✓
entropi, ATT (örnek ayar): ESS (tedavi) 185 185 185 0 ✓
entropi, ATT (örnek ayar): en küçük ağırlık (tedavi) 1 1 1 0 ✓
entropi, ATT (örnek ayar): en büyük ağırlık (tedavi) 1 1 1 0 ✓
entropi, ATT (örnek ayar): değişim katsayısı (tedavi) 0 0 0 0 ✓
entropi, ATT (örnek ayar): fark, ağırlıksız, age −0,30944526 −0,30944526 −0,30944526 5,0e−16 ✓
entropi, ATT (örnek ayar): fark, ağırlıklı, age −2,579270·10−12 −2,979207·10−15 0 2,6e−12 ✓
entropi, ATT (örnek ayar): varyans oranı, ağırlıksız, age 0,43999546 0,43999546 0,43999546 5,6e−17 ✓
entropi, ATT (örnek ayar): varyans oranı, ağırlıklı, age 0,40964129 0,40964129 0,40964129 5,7e−14 ✓
entropi, ATT (örnek ayar): fark, ağırlıksız, educ 0,05496466 0,05496466 0,05496466 1,4e−17 ✓
entropi, ATT (örnek ayar): fark, ağırlıklı, educ −4,831691·10−13 −2,650421·10−15 0 4,8e−13 ✓
entropi, ATT (örnek ayar): varyans oranı, ağırlıksız, educ 0,49589337 0,49589337 0,49589337 2,2e−16 ✓
entropi, ATT (örnek ayar): varyans oranı, ağırlıklı, educ 0,66354932 0,66354932 0,66354932 1,3e−13 ✓
entropi, ATT (örnek ayar): fark, ağırlıksız, race_black 0,64044604 0,64044604 0,64044604 4,4e−16 ✓
entropi, ATT (örnek ayar): fark, ağırlıklı, race_black 7,390755·10−13 1,110223·10−16 0 7,4e−13 ✓
entropi, ATT (örnek ayar): fark, ağırlıksız, race_hispan −0,08273168 −0,08273168 −0,08273168 1,4e−17 ✓
entropi, ATT (örnek ayar): fark, ağırlıklı, race_hispan 5,105638·10−14 −6,245005·10−17 0 5,1e−14 ✓
entropi, ATT (örnek ayar): fark, ağırlıksız, race_white −0,55771436 −0,55771436 −0,55771436 2,2e−16 ✓
entropi, ATT (örnek ayar): fark, ağırlıklı, race_white −7,900763·10−13 −5,551115·10−17 −1,387779·10−17 7,9e−13 ✓
entropi, ATT (örnek ayar): fark, ağırlıksız, married −0,32363132 −0,32363132 −0,32363132 4,4e−16 ✓
entropi, ATT (örnek ayar): fark, ağırlıklı, married −1,848521·10−13 −1,942890·10−16 0 1,8e−13 ✓
entropi, ATT (örnek ayar): fark, ağırlıksız, nodegree 0,11137151 0,11137151 0,11137151 3,6e−16 ✓
entropi, ATT (örnek ayar): fark, ağırlıklı, nodegree 3,508305·10−14 −3,330669·10−16 0 3,5e−14 ✓
entropi, ATT (örnek ayar): fark, ağırlıksız, re74 −0,72108381 −0,72108381 −0,72108381 4,4e−16 ✓
entropi, ATT (örnek ayar): fark, ağırlıklı, re74 −2,394245·10−9 9,305969·10−17 0 2,4e−9 ✓
entropi, ATT (örnek ayar): varyans oranı, ağırlıksız, re74 0,51812848 0,51812848 0,51812848 2,2e−16 ✓
entropi, ATT (örnek ayar): varyans oranı, ağırlıklı, re74 1,32645882 1,32645882 1,32645882 1,3e−12 ✓
entropi, ATT (örnek ayar): fark, ağırlıksız, re75 −0,29026291 −0,29026291 −0,29026291 2,2e−16 ✓
entropi, ATT (örnek ayar): fark, ağırlıklı, re75 −8,706138·10−10 −4,944056·10−16 1,412587·10−16 8,7e−10 ✓
entropi, ATT (örnek ayar): varyans oranı, ağırlıksız, re75 0,95629305 0,95629305 0,95629305 1,1e−16 ✓
entropi, ATT (örnek ayar): varyans oranı, ağırlıklı, re75 1,33512384 1,33512384 1,33512384 3,2e−13 ✓
entropi, ATT (örnek ayar): etki 1273,26181391 1273,26181391 1273,26181391 1,7e−12 ✓
entropi, ATT (örnek ayar): SH 770,15457328 770,1545314 770,15453131 5,4e−8 ✓
entropi, ATT (örnek ayar): z 1,65325489 1,65325498 1,65325498 5,4e−8 ✓
entropi, ATT (örnek ayar): p 0,098279 0,09827898 0,09827898 1,8e−8 ✓
entropi, ATT (örnek ayar): GA alt −236,21341224 −236,21333017 −236,21332999 3,5e−7 ✓
entropi, ATT (örnek ayar): GA üst 2782,73704006 2782,736958 2782,73695781 3,0e−8 ✓
entropi, ATE: ESS (kontrol) 342,54262236 342,54262236 342,54262236 3,8e−15 ✓
entropi, ATE: en küçük ağırlık (kontrol) 0,74095043 0,74095043 0,74095043 3,0e−15 ✓
entropi, ATE: en büyük ağırlık (kontrol) 3,46607679 3,46607679 3,46607679 7,7e−16 ✓
entropi, ATE: değişim katsayısı (kontrol) 0,50297973 0,50297973 0,50297973 3,3e−15 ✓
entropi, ATE: ESS (tedavi) 40,35745149 40,35745149 40,35745149 7,0e−16 ✓
entropi, ATE: en küçük ağırlık (tedavi) 0,23721618 0,23721618 0,23721618 5,3e−16 ✓
entropi, ATE: en büyük ağırlık (tedavi) 53,24232525 53,24232525 53,24232525 1,9e−15 ✓
entropi, ATE: değişim katsayısı (tedavi) 1,89829244 1,89829244 1,89829244 8,2e−16 ✓
entropi, ATE: en büyük ağırlıklı fark 3,637979·10−12 1,438741·10−15 3,881575·10−16
entropi, ATE: varyans oranı, ağırlıklı, re74 1,76700663 1,76700663 1,76700663 2,4e−15 ✓
entropi, ATE: varyans oranı, ağırlıklı, age 0,46566084 0,46566084 0,46566084 7,2e−16 ✓
entropi, ATE: etki 951,6713327 951,6713327 951,6713327 1,6e−12 ✓
entropi, ATE: SH 1232,58860683 1232,58854723 1232,58854678 4,9e−8 ✓
entropi, ATE: z 0,77209162 0,77209166 0,77209166 3,8e−8 ✓
entropi, ATE: p 0,44006017 0,44006014 0,44006014 2,2e−8 ✓
entropi, ATE: GA alt −1464,15794443 −1464,15782763 −1464,15782675 8,0e−8 ✓
entropi, ATE: GA üst 3367,50060984 3367,50049302 3367,50049215 3,5e−8 ✓
entropi, ATC: ESS (kontrol) 429 429 429 0 ✓
entropi, ATC: en küçük ağırlık (kontrol) 1 1 1 0 ✓
entropi, ATC: en büyük ağırlık (kontrol) 1 1 1 0 ✓
entropi, ATC: değişim katsayısı (kontrol) 0 0 0 0 ✓
entropi, ATC: ESS (tedavi) 15,87726116 15,87726116 15,87726116 4,5e−16 ✓
entropi, ATC: en küçük ağırlık (tedavi) 0,00365558 0,00365558 0,00365558 2,5e−17 ✓
entropi, ATC: en büyük ağırlık (tedavi) 67,26268382 67,26268382 67,26268382 1,5e−15 ✓
entropi, ATC: değişim katsayısı (tedavi) 3,27257916 3,27257916 3,27257916 1,4e−16 ✓
entropi, ATC: en büyük ağırlıklı fark 4,547474·10−12 8,288236·10−16 6,221396·10−16
entropi, ATC: varyans oranı, ağırlıklı, re74 1,90958635 1,90958635 1,90958635 1,0e−15 ✓
entropi, ATC: varyans oranı, ağırlıklı, age 0,47385258 0,47385258 0,47385258 3,9e−16 ✓
entropi, ATC: etki 212,499772 212,499772 212,499772 1,3e−11 ✓
entropi, ATC: SH 1664,79580523 1664,79580824 1664,7958082 1,8e−9 ✓
entropi, ATC: z 0,12764314 0,12764314 0,12764314 2,3e−10 ✓
entropi, ATC: p 0,89843139 0,89843139 0,89843139 1,8e−10 ✓
entropi, ATC: GA alt −3050,44004787 −3050,44005377 −3050,44005368 1,9e−9 ✓
entropi, ATC: GA üst 3475,43959187 3475,43959776 3475,43959768 1,7e−9 ✓
lojistik skor, ATT: ESS (kontrol) 99,8153863 99,81538592 99,8153863 3,9e−9 ✓
lojistik skor, ATT: en küçük ağırlık (kontrol) 0,0091634 0,0091634 0,0091634 3,0e−10 ✓
lojistik skor, ATT: en büyük ağırlık (kontrol) 3,74322175 3,74322176 3,74322175 4,4e−9 ✓
lojistik skor, ATT: değişim katsayısı (kontrol) 1,81814192 1,81814192 1,81814192 2,5e−9 ✓
lojistik skor, ATT: ESS (tedavi) 185 185 185 0 ✓
lojistik skor, ATT: en küçük ağırlık (tedavi) 1 1 1 0 ✓
lojistik skor, ATT: en büyük ağırlık (tedavi) 1 1 1 0 ✓
lojistik skor, ATT: değişim katsayısı (tedavi) 0 0 0 0 ✓
lojistik skor, ATT: en büyük ağırlıklı fark 0,11884961 0,11884961 0,11884961
lojistik skor, ATT: varyans oranı, ağırlıklı, re74 1,32062727 1,32062728 1,32062727 7,3e−9 ✓
lojistik skor, ATT: varyans oranı, ağırlıklı, age 0,45775361 0,45775361 0,45775361 5,3e−10 ✓
lojistik skor, ATT: etki 1270,12493477 1270,12493507 1270,12493477 2,4e−10 ✓
lojistik skor, ATT: SH 770,78700196 770,78709932 770,78709927 1,3e−7 ✓
lojistik skor, ATT: z 1,64782869 1,64782848 1,64782848 1,3e−7 ✓
lojistik skor, ATT: p 0,09938783 0,09938787 0,09938787 4,3e−8 ✓
lojistik skor, ATT: GA alt −240,58982883 −240,59001934 −240,59001955 7,9e−7 ✓
lojistik skor, ATT: GA üst 2780,83969837 2780,83988948 2780,8398891 6,9e−8 ✓
lojistik skor, ATE: ESS (kontrol) 329,00775939 329,00775906 329,00775939 9,9e−10 ✓
lojistik skor, ATE: en küçük ağırlık (kontrol) 1,0091634 1,0091634 1,0091634 2,9e−10 ✓
lojistik skor, ATE: en büyük ağırlık (kontrol) 4,74322175 4,74322176 4,74322175 3,5e−9 ✓
lojistik skor, ATE: değişim katsayısı (kontrol) 0,55193361 0,55193361 0,55193361 1,2e−9 ✓
lojistik skor, ATE: ESS (tedavi) 58,32666148 58,32666074 58,32666148 1,3e−8 ✓
lojistik skor, ATE: en küçük ağırlık (tedavi) 1,17212292 1,17212292 1,17212292 1,1e−9 ✓
lojistik skor, ATE: en büyük ağırlık (tedavi) 40,07729305 40,07729381 40,07729305 1,9e−8 ✓
lojistik skor, ATE: değişim katsayısı (tedavi) 1,47769908 1,47769909 1,47769908 9,3e−9 ✓
lojistik skor, ATE: en büyük ağırlıklı fark 0,27398943 0,27398943 0,27398943
lojistik skor, ATE: varyans oranı, ağırlıklı, re74 0,82082969 0,8208297 0,82082969 4,9e−9 ✓
lojistik skor, ATE: varyans oranı, ağırlıklı, age 0,36891545 0,36891544 0,36891545 4,9e−10 ✓
lojistik skor, ATE: etki 386,09258991 386,09259032 386,09258991 1,1e−9 ✓
lojistik skor, ATE: SH 1244,62191517 1244,621883 1244,62188229 2,6e−8 ✓
lojistik skor, ATE: z 0,31020874 0,31020874 0,31020874 8,3e−9 ✓
lojistik skor, ATE: p 0,75640223 0,75640222 0,75640222 6,3e−9 ✓
lojistik skor, ATE: GA alt −2053,32153819 −2053,32147473 −2053,32147375 3,1e−8 ✓
lojistik skor, ATE: GA üst 2825,50671801 2825,50665537 2825,50665357 2,3e−8 ✓
lojistik skor, ATC: ESS (kontrol) 429 429 429 0 ✓
lojistik skor, ATC: en küçük ağırlık (kontrol) 1 1 1 0 ✓
lojistik skor, ATC: en büyük ağırlık (kontrol) 1 1 1 0 ✓
lojistik skor, ATC: değişim katsayısı (kontrol) 0 0 0 0 ✓
lojistik skor, ATC: ESS (tedavi) 31,36333689 31,36333655 31,36333689 1,1e−8 ✓
lojistik skor, ATC: en küçük ağırlık (tedavi) 0,17212292 0,17212292 0,17212292 1,3e−9 ✓
lojistik skor, ATC: en büyük ağırlık (tedavi) 39,07729305 39,07729381 39,07729305 2,0e−8 ✓
lojistik skor, ATC: değişim katsayısı (tedavi) 2,2192859 2,21928592 2,2192859 6,6e−9 ✓
lojistik skor, ATC: en büyük ağırlıklı fark 0,33396378 0,33396377 0,33396378
lojistik skor, ATC: varyans oranı, ağırlıklı, re74 0,81235764 0,81235765 0,81235764 5,0e−9 ✓
lojistik skor, ATC: varyans oranı, ağırlıklı, age 0,33735442 0,33735442 0,33735442 5,4e−10 ✓
lojistik skor, ATC: etki 103,76162947 103,76163311 103,76162947 3,5e−8 ✓
lojistik skor, ATC: SH 1664,47778358 1664,47780845 1664,47780892 1,5e−8 ✓
lojistik skor, ATC: z 0,06233885 0,06233885 0,06233885 1,3e−9 ✓
lojistik skor, ATC: p 0,95029299 0,95029299 0,95029299 1,0e−9 ✓
lojistik skor, ATC: GA alt −3158,55487942 −3158,55492452 −3158,55492908 1,6e−8 ✓
lojistik skor, ATC: GA üst 3366,07813835 3366,07819074 3366,07818801 1,6e−8 ✓
entropi, ATT, yalın sonuç modeli: ESS (kontrol) 98,45783442 98,45783442 98,45783442 1,7e−12 ✓
entropi, ATT, yalın sonuç modeli: en küçük ağırlık (kontrol) 0,00808598 0,00808598 0,00808598 8,3e−14 ✓
entropi, ATT, yalın sonuç modeli: en büyük ağırlık (kontrol) 4,06243015 4,06243015 4,06243015 1,5e−13 ✓
entropi, ATT, yalın sonuç modeli: değişim katsayısı (kontrol) 1,83440428 1,83440428 1,83440428 1,1e−12 ✓
entropi, ATT, yalın sonuç modeli: ESS (tedavi) 185 185 185 0 ✓
entropi, ATT, yalın sonuç modeli: en küçük ağırlık (tedavi) 1 1 1 0 ✓
entropi, ATT, yalın sonuç modeli: en büyük ağırlık (tedavi) 1 1 1 0 ✓
entropi, ATT, yalın sonuç modeli: değişim katsayısı (tedavi) 0 0 0 0 ✓
entropi, ATT, yalın sonuç modeli: en büyük ağırlıklı fark 2,394245·10−9 2,979207·10−15 1,412587·10−16
entropi, ATT, yalın sonuç modeli: varyans oranı, ağırlıklı, re74 1,32645882 1,32645882 1,32645882 1,3e−12 ✓
entropi, ATT, yalın sonuç modeli: varyans oranı, ağırlıklı, age 0,40964129 0,40964129 0,40964129 5,7e−14 ✓
entropi, ATT, yalın sonuç modeli: etki 1273,26181391 1273,26181391 1273,26181391 1,3e−12 ✓
entropi, ATT, yalın sonuç modeli: SH 789,74481669 789,74480013 789,74480013 2,1e−8 ✓
entropi, ATT, yalın sonuç modeli: z 1,6122446 1,61224463 1,61224463 2,1e−8 ✓
entropi, ATT, yalın sonuç modeli: p 0,10690872 0,10690872 0,10690872 7,4e−9 ✓
entropi, ATT, yalın sonuç modeli: GA alt −274,60958379 −274,60955132 −274,60955131 1,2e−7 ✓
entropi, ATT, yalın sonuç modeli: GA üst 2821,13321161 2821,13317914 2821,13317914 1,2e−8 ✓
entropi, ATT, %90 GA: ESS (kontrol) 98,45783442 98,45783442 98,45783442 1,7e−12 ✓
entropi, ATT, %90 GA: en küçük ağırlık (kontrol) 0,00808598 0,00808598 0,00808598 8,3e−14 ✓
entropi, ATT, %90 GA: en büyük ağırlık (kontrol) 4,06243015 4,06243015 4,06243015 1,5e−13 ✓
entropi, ATT, %90 GA: değişim katsayısı (kontrol) 1,83440428 1,83440428 1,83440428 1,1e−12 ✓
entropi, ATT, %90 GA: ESS (tedavi) 185 185 185 0 ✓
entropi, ATT, %90 GA: en küçük ağırlık (tedavi) 1 1 1 0 ✓
entropi, ATT, %90 GA: en büyük ağırlık (tedavi) 1 1 1 0 ✓
entropi, ATT, %90 GA: değişim katsayısı (tedavi) 0 0 0 0 ✓
entropi, ATT, %90 GA: en büyük ağırlıklı fark 2,394245·10−9 2,979207·10−15 1,412587·10−16
entropi, ATT, %90 GA: varyans oranı, ağırlıklı, re74 1,32645882 1,32645882 1,32645882 1,3e−12 ✓
entropi, ATT, %90 GA: varyans oranı, ağırlıklı, age 0,40964129 0,40964129 0,40964129 5,7e−14 ✓
entropi, ATT, %90 GA: etki 1273,26181391 1273,26181391 1273,26181391 1,7e−12 ✓
entropi, ATT, %90 GA: SH 770,15457328 770,1545314 770,15453131 5,4e−8 ✓
entropi, ATT, %90 GA: z 1,65325489 1,65325498 1,65325498 5,4e−8 ✓
entropi, ATT, %90 GA: p 0,098279 0,09827898 0,09827898 1,8e−8 ✓
entropi, ATT, %90 GA: GA alt 6,47027074 6,47033962 6,47033977 1,1e−5 ✓
entropi, ATT, %90 GA: GA üst 2540,05335708 2540,05328821 2540,05328805 2,7e−8 ✓
CBPS (tam tanımlı), ATT: ESS (kontrol) 98,45783442 98,45783442 98,45783442 1,0e−15 ✓
CBPS (tam tanımlı), ATT: en küçük ağırlık (kontrol) 0,00808598 0,00808598 0,00808598 1,2e−16 ✓
CBPS (tam tanımlı), ATT: en büyük ağırlık (kontrol) 4,06243015 4,06243015 4,06243015 4,8e−15 ✓
CBPS (tam tanımlı), ATT: değişim katsayısı (kontrol) 1,83440428 1,83440428 1,83440428 9,7e−16 ✓
CBPS (tam tanımlı), ATT: ESS (tedavi) 185 185 185 0 ✓
CBPS (tam tanımlı), ATT: en küçük ağırlık (tedavi) 1 1 1 0 ✓
CBPS (tam tanımlı), ATT: en büyük ağırlık (tedavi) 1 1 1 0 ✓
CBPS (tam tanımlı), ATT: değişim katsayısı (tedavi) 0 0 0 0 ✓
CBPS (tam tanımlı), ATT: en büyük ağırlıklı fark 9,094947·10−13 9,930689·10−16 4,965345·10−16
CBPS (tam tanımlı), ATT: varyans oranı, ağırlıklı, re74 1,32645882 1,32645882 1,32645882 8,4e−16 ✓
CBPS (tam tanımlı), ATT: varyans oranı, ağırlıklı, age 0,40964129 0,40964129 0,40964129 5,0e−16 ✓
CBPS (tam tanımlı), ATT: etki 1273,26181391 1273,26181391 1273,26181391 1,7e−12 ✓
CBPS (tam tanımlı), ATT: SH 770,15455987 770,1545314 770,15453143 3,7e−8 ✓
CBPS (tam tanımlı), ATT: z 1,65325492 1,65325498 1,65325498 3,7e−8 ✓
CBPS (tam tanımlı), ATT: p 0,09827899 0,09827898 0,09827898 1,2e−8 ✓
CBPS (tam tanımlı), ATT: GA alt −236,21338596 −236,21333017 −236,21333022 2,4e−7 ✓
CBPS (tam tanımlı), ATT: GA üst 2782,73701379 2782,73695799 2782,73695804 2,0e−8 ✓
CBPS (tam tanımlı), ATE: ESS (kontrol) 279,98715884 279,98715884 279,98715884 4,4e−13 ✓
CBPS (tam tanımlı), ATE: en küçük ağırlık (kontrol) 1,00087489 1,00087489 1,00087489 3,5e−14 ✓
CBPS (tam tanımlı), ATE: en büyük ağırlık (kontrol) 7,71787387 7,71787387 7,71787387 6,2e−13 ✓
CBPS (tam tanımlı), ATE: değişim katsayısı (kontrol) 0,73038114 0,73038114 0,73038114 4,6e−13 ✓
CBPS (tam tanımlı), ATE: ESS (tedavi) 44,20503154 44,20503154 44,20503154 5,2e−12 ✓
CBPS (tam tanımlı), ATE: en küçük ağırlık (tedavi) 1,10773499 1,10773499 1,10773499 3,2e−13 ✓
CBPS (tam tanımlı), ATE: en büyük ağırlık (tedavi) 60,18763635 60,18763635 60,18763635 1,0e−11 ✓
CBPS (tam tanımlı), ATE: değişim katsayısı (tedavi) 1,78951222 1,78951222 1,78951222 3,4e−12 ✓
CBPS (tam tanımlı), ATE: en büyük ağırlıklı fark 1,399966·10−11 2,328945·10−15 7,193703·10−16
CBPS (tam tanımlı), ATE: varyans oranı, ağırlıklı, re74 1,60932394 1,60932394 1,60932394 2,8e−11 ✓
CBPS (tam tanımlı), ATE: varyans oranı, ağırlıklı, age 0,43239238 0,43239238 0,43239238 1,4e−12 ✓
CBPS (tam tanımlı), ATE: etki 576,18809593 576,18809593 576,18809593 4,5e−12 ✓
CBPS (tam tanımlı), ATE: SH 1242,52587543 1242,52589307 1242,52589302 1,4e−8 ✓
CBPS (tam tanımlı), ATE: z 0,46372322 0,46372321 0,46372321 6,6e−9 ✓
CBPS (tam tanımlı), ATE: p 0,64284606 0,64284607 0,64284607 4,7e−9 ✓
CBPS (tam tanımlı), ATE: GA alt −1859,11786977 −1859,11790434 −1859,11790425 1,9e−8 ✓
CBPS (tam tanımlı), ATE: GA üst 3011,49406163 3011,4940962 3011,49409611 1,1e−8 ✓

Ölçütü karşılayan: 193/193. Ölçüt satır başına 10^{-6} (değer 1'den büyükse göreli). Ağırlıklı farkın gerçek değeri sıfırdır; dengeleme sonrası kalan 10^{-9} altı sayılar çözücü toleransıdır ve mutlak ölçütle karşılaştırılır. Etkinin standart hatası, z ve p için satır başına 10^{-6} göreli; güven sınırlarında 5\cdot10^{-5} (güven sınırı \hat\tau\mp z_c\,\mathrm{SH} sıfıra yakın olduğunda SH'deki 10^{-8} göreli fark mutlak farkta görünür); bağımsız Python çözümsel türev, bağımsız R numDeriv::jacobian (Richardson) kullanır.

127.7 Çıktıyı okuma

Örnek ayarda şablonun tabloları ve konsol notu (dw_ornek; sayılar olduğu gibi):

Tedavi grubu (1): '1' (n = 185); kontrol grubu (0): '0' (n = 429). Düzey sırası: 0, 1; ikinci düzey tedavi sayılır, 'Tedavi grubu sayılan düzey' alanıyla değiştirilebilir.
Yöntem: ebal; kestirilen: ATT; n = 614 (tedavi 185, kontrol 429)
Ağırlık sonrası en büyük |fark| (ikili: ham oran farkı, sürekli: SOF) = 0,0000; 0,1 altı yaygın ölçüttür. Denge ölçütü karşılandı.

Ağırlık özeti ve etkin örneklem büyüklüğü
   grup   n      ESS    en_kucuk  en_buyuk       DK
Kontrol 429 98.45783 0.008085976   4.06243 1.834404
 Tedavi 185      185           1         1        0

Denge: ikili (0/1) değişkenlerde ham oran farkı, sürekli değişkenlerde standartlaştırılmış ortalama farkı (SOF); varyans oranı (VO)
   degisken     tur          olcut   fark_once    fark_sonra   VO_once  VO_sonra
        age Contin.            SOF  -0.3094453  -2.57927e-12 0.4399955 0.4096413
       educ Contin.            SOF  0.05496466 -4.831691e-13 0.4958934 0.6635493
 race_black  Binary ham oran farkı    0.640446  7.390755e-13        NA        NA
race_hispan  Binary ham oran farkı -0.08273168  5.105638e-14        NA        NA
 race_white  Binary ham oran farkı  -0.5577144 -7.900763e-13        NA        NA
    married  Binary ham oran farkı  -0.3236313 -1.848521e-13        NA        NA
   nodegree  Binary ham oran farkı   0.1113715  3.508305e-14        NA        NA
       re74 Contin.            SOF  -0.7210838 -2.394245e-09 0.5181285  1.326459
       re75 Contin.            SOF  -0.2902629 -8.706138e-10  0.956293  1.335124

Tedavi etkisi (g-hesaplama; M-kestirimi SH, %95 GA)
kestirilen  kestirim       SH        z        p    GA_alt   GA_ust
       ATT  1273.262 770.1546 1.653255 0.098279 -236.2134 2782.737

Şekil 127.1. Şablonun şekli (denge grafiği): boş daireler ağırlıksız, mor dolu daireler ağırlıklı |fark|; kesikli çizgi 0{,}1 eşiğidir. Ağırlıksız fark en çok re74 (0{,}72), race_black (0{,}64) ve race_white'ta (0{,}56) büyüktür; ağırlıklı farklar sıfırdadır. Sol kenar boşluğu değişken adlarının uzunluğuna göre ayarlandığından etiketler (race_hispan) kırpılmaz.

Öğe Ne yazar Nasıl yorumlanır
Konsol satırları Tedavi ve kontrol düzeyinin adı ve gözlem sayısı; atılan eksik satır sayısı; yöntem, hedef, n; en büyük ağırlıklı \lvert d\rvert ve ölçüt karşılandı mı. Hangi düzeyin tedavi sayıldığını buradan doğrulayın (127.2). Ağırlıklı farkların hepsi 10^{-6}'nın altındaysa değişken adı yazılmaz (gürültünün en büyüğü anlam taşımaz).
Ağırlık özeti n, ESS, en küçük ve en büyük ağırlık, DK; kontrol ve tedavi satırı. Kontrol ESS'si 98{,}5: 429 kontrolün bilgisi yaklaşık 98 bağımsız gözleme eşdeğerdir. En büyük ağırlık 4{,}06, en küçük 0{,}008: tek bir kontrol tahmini aşırı etkilemez. Tedavi satırı ATT'de her zaman (n_1;1;1;0) çıkar.
Denge: fark_once/fark_sonra İkili değişkende ham oran farkı, sürekli değişkende SOF. Önce: re74 SOF -0{,}72. Sonra: 10^{-9} altı, yani tam denge. Ağırlıklı fark tam sıfır olmaz; 10^{-9} altı kalan çözücü toleransıdır.
Denge: VO_once/VO_sonra Tedavi/kontrol varyans oranı. İdeal 1'dir. Ortalamalar dengelense de re74'te 1{,}33, educ'ta 0{,}66 kalır: dağılımın şekli dengelenmemiştir; gerekirse momentler = 2 (127.8).
Etki tablosu \hat\tau, SH, z, p, GA. Programın ortalama tedavi görenler üzerindeki etkisi +1273 dolar; SH 770 olduğundan fark sıfırdan ayırt edilemez (p=0{,}098). Ham fark -635 idi: ağırlıklandırma işareti değiştirdi.

Yöntemlerin ve seçeneklerin örnek veride karşılaştırması (hepsi ATT, etkileşimli sonuç modeli, aksi belirtilmedikçe; kontrol grubu ESS'si, ağırlıklı en büyük |fark|, \hat\tau ve SH):

Çalıştırma ESS (kontrol) En büyük ağırlıklı \lvert d\rvert \hat\tau SH
Entropi (örnek ayar) 98{,}458 0{,}0000 1273{,}262 770{,}155
CBPS (tam tanımlı) 98{,}458 0{,}0000 1273{,}262 770{,}155
CBPS (aşırı tanımlı) 101{,}911 0{,}0205 1273{,}945 770{,}899
Lojistik skor (logit) 99{,}815 0{,}1188 1270{,}125 770{,}787
Lojistik skor (probit) 101{,}369 0{,}1267 1282{,}867 770{,}530
Lojistik skor (cloglog) 95{,}412 0{,}0694 1267{,}044 771{,}119
Enerji 41{,}815 0{,}0226 582{,}491 932{,}524
Entropi, momentler = 2 34{,}320 0{,}0000 1068{,}089 801{,}588
Entropi, momentler = 3 26{,}700 0{,}0000 798{,}377 809{,}309
Entropi, etkilesim 57{,}799 0{,}0000 2054{,}438 800{,}251
Entropi, kirpma = 0,05 106{,}048 0{,}0214 1277{,}358 769{,}664
Entropi, yalın sonuç modeli 98{,}458 0{,}0000 1273{,}262 789{,}745

Dört yöntemin tedavi etkisi +582 ile +1283 arasında dağılır; aynı verinin entropi dengelemesi ile \text{momentler}=2 arasındaki 1273 ve 1068 farkı, ağırlık seçiminin sonuca etkisinin istatistiksel hatadan küçük olmadığını (\mathrm{SH}\approx770–930) gösterir. ATE ve ATC (entropi): 951{,}671 (SH 1232{,}589) ve 212{,}500 (SH 1664{,}796); lojistik skor: 386{,}093 ve 103{,}762.

Hedef kitle olarak programa katılanlar alındığında (ATT), yaş, eğitim, ırk, medeni durum, diploma durumu ve 1974–1975 kazançları entropi dengelemesiyle tam dengelenmiş (ağırlıklı fark <10^{-8}) ve program katılımının 1978 kazancı üzerindeki ortalama etkisi 1273{,}26 dolar bulunmuştur (SH 770{,}15; %95 GA -236{,}21 ile 2782{,}74; z=1{,}65; p=0{,}098). Kontrol grubunun etkin örneklem büyüklüğü 98{,}5'tir (429 gözlemden).

127.8 Sık hatalar ve tuzaklar

  • Tedavi düzeyinin seçimi. Düzey sırası sütun türünden bağımsızdır: tedavi/kontrol etiketli sütunda tedavi, sütun "kategorik" ya da "ikili" işaretli olsa da tedavi'dir (n_1=185; ATT +1273{,}26). Yine de etiketleriniz alfabetik sırayla beklediğiniz düzeyi vermiyorsa (ör. Kontrol, Tedavi değil de A, B) konsolun ilk satırına bakın ve tedavi_duzeyi alanıyla tedavi düzeyini siz belirtin; kontrol grubunu tedavi sayarsanız ATT'nin işareti ve hedef kitle değişir (-212{,}50; entropi ATC +212{,}50). Python eşi aynı kuralı kullanır (Bölüm 128).
  • Denge tanısı olmadan etki raporlamak. Lojistik skorun ağırlık sonrası en büyük farkı 0{,}1188 (age), 0{,}1'i aşar; şablon bunu "Denge ölçütü karşılanmadı" diye yazar (ölçüt karşılanırsa "karşılandı"). İkili ve sürekli değişkenler tek eşikte karşılaştırılır (127.7 S6). Etkiyi raporlamadan önce denge tablosuna bakın; gerekirse momentler/etkilesim ile entropi dengelemesine geçin.
  • Zayıf örtüşme ve ağırlık patlaması. Tedaviyi neredeyse ayıran bir değişken eklendiğinde (türev veri: skor; tedavi grubunda ortalama +3{,}0 SOF) lojistik ATE ağırlıklarının en büyüğü 61{,}1, ESS'ler 83{,}2 ve 20{,}5 olur ve denge bozulur (|d|=1{,}3655); uyarı yazılmaz. Entropi ATE ise dengeyi sağlar ama tedavi grubunda en büyük ağırlık 166{,}7 ve ESS 6{,}4'tür; WeightIt'in aşırı ağırlık uyarısı "Bazı aşırı ağırlıklar üretildi …" diye Türkçe çevrilir. ESS ve en büyük ağırlık, etki satırından önce okunmalıdır.
  • Kırpma ve SH. Kırpma, dengeyi bozar (entropi ATT: 0{,}0000\to0{,}0214; lojistik ATE: zayıf örtüşmeli türev veride \hat\tau +207{,}9'dan -181{,}4'e geçer) ve SH'yi ağırlıkları sabit sayan HC0'a çevirir (127.4.6); tablo başlığı bunu "sağlam SH, ağırlıklar sabit" diye yazar. Kırpılan gözlem sayısı yazılmaz.
  • Kararlı ağırlık ve ATT/ATC. kararli yalnız ATE ile kullanılabilir; ATT ya da ATC ile açıksa şablon kendi iletisiyle durur (127.4.3).
  • Eksik değer. Eksik satır ağırlık kestiriminden önce atılır ve atılan satır sayısı yazılır. Varsayılanda sonuçtaki eksiklik de ağırlıkları değiştirir: yedi ortak değişken ve iki sonuç eksiği olan veride n=605'tir (tedavi 180, kontrol 425; ESS 100{,}019); sonuç seçilmediğinde n=607 ve ESS 99{,}715 olur. Ağırlıkların sonuçtan bağımsız kurulması isteniyorsa agirlik_tam_satir seçeneğini açın (n=607, ESS 99{,}715; etki SH'si ağırlıkları sabit sayan sağlam SH'dir).
  • Tam ayrışma. Bir ortak değişken tedaviyi neredeyse tam ayırıyorsa ağırlıklar sıfır olur; şablon bir tedavi grubunun ağırlıklarının hepsi 10^{-8}'in altındaysa "Ağırlıklar '…' grubunda (neredeyse) tamamen sıfır" iletisiyle durur (entropi ve lojistik skorda). Tedavi grubu çok küçükse (4 gözlem) ayrı bir ileti çıkar.
  • Kategorik değişkenin düzey sayısı. Sayısal bir sütunu (re74, 358 farklı değer) "kategorik" yapmak yüzlerce gösterge değişkeni üretirdi; şablon bunu ağırlık kestirimine girmeden "358 düzeyli bir kategorik değişken" iletisiyle reddeder (eşik: küçük tedavi grubunun beşte biri, en az 10). race ve educ'u birlikte "kategorik" yapmak sonuç modelinde Hessian'ın tersinin alınamadığı hataya yol açar; ileti Türkçedir.
  • Ondalık virgül. Sonuç sütunu "1234,5" gibi virgüllü metinse sayısal rol denetimi çalıştırmayı başlatmaz ("re78 sayısal bir sütun değil"); virgüllü ortak değişken factor olur. Ondalık ayırıcı nokta olmalıdır.
  • Tedavi ve sonucun ortak'ta görünmesi. Seçilirse sessizce çıkarılır (152); sonuç ya da tedavi listeye yanlışlıkla konsa da çıktı değişmez.
  • Ölçek. Kazançlar sent biriminde (\times100) olduğunda \hat\tau=127326{,}181 ve SH =77015{,}443 olur; R şablonunun sonuçları ölçekle tam orantılıdır.
  • İki yöntemin yanlış karşılaştırılması. ESS ve denge farklı yöntemlerde farklı anlam taşır: entropi tam dengeyi ESS pahasına kurar; enerji ESS'yi daha çok düşürür; lojistik skor dengeyi garanti etmez. Yöntem seçimini ESS, denge ve \hat\tau'nin birlikte kararlılığına göre yapın.
  • Tedavi sonrası değişkenler. Tedaviden sonra ölçülmüş değişkenler ortak'a konmamalıdır; şablon denetlemez.

127.9 Uzman soruları

S1. Entropi dengelemesi ile ATT için CBPS neden aynı sonucu verir; ATE'de neden vermez?

Logit bağlantıda ve yalnız birinci momentler dengelenirken ATT için CBPS koşulu \sum_{A=0}\frac{\hat e}{1-\hat e}x=\sum_{A=1}x'dir. Entropi ağırlıkları \exp(-x^\top z) ise aynı koşulun çözümüdür; \hat e/(1-\hat e)=\exp(x^\top\hat\gamma) olduğundan (z=-\hat\gamma) çözümler çakışır (ESS 98{,}4578 iki yöntemde aynıdır). ATE'de CBPS koşulu \sum[A/\hat e-(1-A)/(1-\hat e)]x=0 ters olasılık ağırlıklarını kurar, entropi ise her grubu tüm örnekleme ayrı ayrı dengeleyen üstel ağırlıklar verir; ağırlıklar farklıdır (ESS: CBPS 279{,}987 ve 44{,}205; entropi 342{,}543 ve 40{,}357).

S2. Kontrol ağırlıklarının toplamı neden entropi dengelemesinde n_1, lojistik skor ATT'de 186{,}9989?

Entropi dengelemesinde kesişim sütunu da bir denge koşuludur: \sum_{A=0}w=n_1=185 zorunludur. Lojistik skor, ağırlıkları yalnız \hat e'den üretir ve toplam üzerinde koşul koymaz; ağırlıklı kontrol toplamı n_1 civarındadır (186{,}9989) ve ağırlıklı farklar sıfır olmaz (en büyük 0{,}1188). Bu, lojistik skorun dengeyi "dolaylı" sağlayan bir yöntem olduğunun doğrudan sonucudur.

S3. Etkilesimli sonuç modeli neden yalın modelden farklı SH verir, ama \hat\tau aynıdır?

Entropi ATT'de ağırlıklı kontrol ortalamaları tedavi ortalamalarına tam eşit olduğundan, ağırlıklı doğrusal modelin kontroller için öngörüsü tedavi görenlerin ortalama kovaryat değerinde \sum wY/\sum w'ye eşittir; her iki modelde \hat\tau=1273{,}2618 çıkar. SH ise farklıdır: etkileşimli model ortak değişkenlerle açıklanan sonuç varyansını artıktan çıkarır (770{,}155 ve yalın modelde 789{,}745). Lojistik skor ATT'de dengelenmemiş farklar kaldığından yalın ve etkileşimli \hat\tau ayrışır (1214{,}071 ve 1270{,}125).

S4. `otomatik` SH ile `HC0` ne zaman farklıdır? Hangisi tutucudur?

otomatik, ağırlık parametrelerinin kestirilmiş olmasını da hesaba katar; HC0 ağırlıkları sabit sayar. Entropi ATT ve etkileşimli modelde ikisi 770{,}1546 çıkar. Öteki durumlarda farklıdır: lojistik ATE 1244{,}622 ve 1260{,}686 (HC0 büyük); lojistik ATT yalın 798{,}155 ve 824{,}052; entropi ATT yalın 789{,}745 ve 824{,}387. Bu örneklerde HC0 daha tutucudur; fakat bu genel bir sonuç değildir ve lojistik ATT etkileşimlide fark çok küçüktür (770{,}787 ve 770{,}850).

S5. Tedavi ya da kontrol grubunda ağırlıkların hepsi 1 ise ESS ve DK neden böyledir?

ATT'de tedavi görenlerin ağırlığı 1 olduğundan \mathrm{ESS}=n_1^2/n_1=n_1=185 ve DK =0 (örnek: 185;\ 1;\ 1;\ 0). ATC'de aynı durum kontrol grubunda görülür (429). ATE'de iki grup da ağırlıklıdır ve iki ESS birlikte okunur (329{,}008 ve 58{,}327 lojistik ATE'de).

S6. |d| eşiği neden ikili ve sürekli değişkenlerde farklı anlam taşır?

İkili değişkende ölçü ham oran farkıdır (\bar p_1-\bar p_0, birimsiz ama standartlaştırılmamış); sürekli değişkende standartlaştırılmış ortalama farktır. 0{,}1'lik eşik, oran farkı olarak "yüzde 10 puan"dır; SOF olarak "0,1 standart sapma"dır. race_black için ham 0{,}64 oran farkı 0{,}64 standart sapmaya karşılık gelmez (tedavi grubunun \sqrt{p(1-p)}=0{,}3636 değeriyle bölünseydi 1{,}76 olurdu). Şablon cobalt'ın varsayılanını açıkça korur (230).

S7. Kırpılan ağırlıklarla etki SH'si doğru mudur?

Hayır, yalnız kısmen: trim, M-kestirimi bileşenlerini sildiğinden otomatik SH HC0'a düşer (ATE lojistik, c=0{,}05: iki seçenekte de 1182{,}224) ve tablo başlığı bunu yazar. Kırpılmış ağırlık sabit kabul edilir ve kırpma kuralının kendisi (\hat e'nin yüzdeliği) SH'ye girmez. Kırpmayı yalnız duyarlılık çözümlemesi olarak kullanın ve ağırlıkları kırpmadan elde edilen sonuçla birlikte raporlayın.

S8. Kategorik tedavi sütununda düzey sırası neden önemlidir?

Şablon düzeyleri sütun türünden bağımsız olarak sayısal (sayısal değilse alfabetik) sıralar ve ikinci düzeyi tedavi sayar (166–174); konsol hangi düzeyin tedavi olduğunu yazar. Veri sekmesinin "kategorik" türü düzeyleri ilk görülme sırasıyla dizse de şablon bu sırayı kullanmaz: tedavi/kontrol metin sütununda tedavi, ilk satır ne olursa olsun tedavi'dir (ATT +1273{,}2618). Başka düzeyi tedavi saymak için tedavi_duzeyi alanını kullanın; kontrol grubu tedavi sayılırsa ATT -212{,}4998 olur (entropi ATC +212{,}4998 ile işaret farkı). Etiketsiz 0/1 sayısal tedavide sorun yoktur.

S9. Aynı kestirim başka bir paketle nasıl yinelenir?

Entropi ağırlıkları, ikili problemin sıfır başlangıçlı Newton çözümüyle bulunur (127.6); ağırlıklar WeightIt çıktısıyla 10^{-12} içinde uyuşur. Etki SH'si için ağırlık ve model parametrelerinin yığılmış tahmin denklemleri ve sandviç gerekir; bağımsız hesapta çözümsel türev (Python) ve numDeriv::jacobian (R) kullanılmış ve SH'ler 10^{-8} göreli farkla uyuşmuştur (127.6.1). Ağırlıkları sabit sayan bir sağlam SH (\mathrm{HC0}) bu sayıya ulaşmaz: yalın modelde 824{,}387 verir.

127.10 Kaynaklar

  • Arel-Bundock, V., Greifer, N., & Heiss, A. (2024). How to interpret statistical models using marginaleffects for R and Python. Journal of Statistical Software, 111(9), 1–32. https://doi.org/10.18637/jss.v111.i09
  • Austin, P. C. (2009). Balance diagnostics for comparing the distribution of baseline covariates between treatment groups in propensity-score matched samples. Statistics in Medicine, 28(25), 3083–3107. https://doi.org/10.1002/sim.3697
  • Austin, P. C., & Stuart, E. A. (2015). Moving towards best practice when using inverse probability of treatment weighting (IPTW) using the propensity score to estimate causal treatment effects in observational studies. Statistics in Medicine, 34(28), 3661–3679. https://doi.org/10.1002/sim.6607
  • Dehejia, R. H., & Wahba, S. (1999). Causal effects in nonexperimental studies: Reevaluating the evaluation of training programs. Journal of the American Statistical Association, 94(448), 1053–1062. https://doi.org/10.1080/01621459.1999.10473858
  • Greifer, N. (2026a). cobalt: Covariate balance tables and plots (R package version 5.0.0). https://doi.org/10.32614/CRAN.package.cobalt
  • Greifer, N. (2026b). WeightIt: Weighting for covariate balance in observational studies (R package version 2.1.0). https://doi.org/10.32614/CRAN.package.WeightIt
  • Hainmueller, J. (2012). Entropy balancing for causal effects: A multivariate reweighting method to produce balanced samples in observational studies. Political Analysis, 20(1), 25–46. https://doi.org/10.1093/pan/mpr025
  • Huling, J. D., & Mak, S. (2024). Energy balancing of covariate distributions. Journal of Causal Inference, 12(1), Article 20220029. https://doi.org/10.1515/jci-2022-0029
  • Imai, K., & Ratkovic, M. (2014). Covariate balancing propensity score. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 76(1), 243–263. https://doi.org/10.1111/rssb.12027
  • Kish, L. (1965). Survey sampling. Wiley.
  • LaLonde, R. J. (1986). Evaluating the econometric evaluations of training programs with experimental data. The American Economic Review, 76(4), 604–620.
  • Lunceford, J. K., & Davidian, M. (2004). Stratification and weighting via the propensity score in estimation of causal treatment effects: A comparative study. Statistics in Medicine, 23(19), 2937–2960. https://doi.org/10.1002/sim.1903
  • Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41–55. https://doi.org/10.1093/biomet/70.1.41
  • Stefanski, L. A., & Boos, D. D. (2002). The calculus of M-estimation. The American Statistician, 56(1), 29–38. https://doi.org/10.1198/000313002753631330
  • Stellato, B., Banjac, G., Goulart, P., Bemporad, A., & Boyd, S. (2020). OSQP: An operator splitting solver for quadratic programs. Mathematical Programming Computation, 12(4), 637–672. https://doi.org/10.1007/s12532-020-00179-2
  • Zhao, Q., & Percival, D. (2016). Entropy balancing is doubly robust. Journal of Causal Inference, 5(1), Article 20160010. https://doi.org/10.1515/jci-2016-0010