128. Dengeleme ağırlıkları: entropi dengelemesi ve eğilim skoru (Python)
Şablon kimliği: dengeleme_agirliklari_py · Kategori: nedensel çıkarım · Dil: Python · Dosya: pro/sablonlar/nedensel/dengeleme_agirliklari_py.py (satır 1–419; üstbilgi 1–81) · Örnek veri: _ornek/lalonde.csv · Paketler: numpy 2.4.6, pandas 2.3.3, scipy 1.16.3, statsmodels 0.14.6, matplotlib 3.10.9 (Python 3.13.1) · R eşi: Bölüm 127
128.1 Ne işe yarar
Şablon, Bölüm 127'deki dengeleme_agirliklari şablonunun Python karşılığıdır ve aynı soruyu yanıtlar: ikili bir tedavi (iş eğitimi programına katılım) görenlerle görmeyenleri ölçülmüş ortak değişkenler bakımından ağırlıklarla birbirine benzetmek ve istenirse bir sonuç (1978 kazancı) üzerindeki ortalama tedavi etkisini (ATT, ATE ya da ATC) ağırlıklı doğrusal model ve g-hesaplama ile kestirmek. Ağırlık problemi, formüller, denge ölçüleri ve etki tanımı 127.4'teki ile aynıdır; bu bölüm Python'a özgü olanı anlatır ve kendi başına okunabilir olacak biçimde kısaca yineler.
İki ağırlık yöntemi vardır:
- Entropi dengelemesi (
ebal): ağırlıklar, birim ağırlıklardan en az uzaklaşacak ve seçilen hedef kitleyle ortak değişken ortalamalarında tam dengeyi sağlayacak biçimde ikili (dual) problemden çözülür (Hainmueller, 2012):
- Lojistik eğilim skoru (
glm): \hat e(x)=\Pr(A=1\mid x) lojistik regresyonla kestirilir ve ağırlık ATT'de A+(1-A)\hat e/(1-\hat e), ATC'de A(1-\hat e)/\hat e+(1-A), ATE'de A/\hat e+(1-A)/(1-\hat e)'dir (Rosenbaum ve Rubin, 1983).
- A_i\in\{0{,}1\}: tedavi; x_i: ortak değişkenlerin tasarım vektörü (kesişim dahil); w_i: ağırlık.
- \hat z: entropi probleminin dual değişkeni (her denge koşuluna bir bileşen).
- \hat e_i: eğilim skoru.
CBPS, enerji dengelemesi, momentlerin ve etkileşimlerin dengelenmesi, bağlantı seçimi, kararlı ağırlık, kırpma ve SH türü seçimi yalnız R şablonundadır (Bölüm 127); bu şablonun formunda bu alanlar yoktur.
Ne zaman kullanılır?
- Aynı çözümlemeyi Python komut dizisine taşımak gerektiğinde ya da R'nin WeightIt ve cobalt paketlerinin kurulu olmadığı bir ortamda entropi dengelemesi ya da lojistik ters olasılık ağırlıkları istendiğinde.
- R eşiyle sonuçları çapraz denetlemek istendiğinde: aynı veri ve ayarda ağırlık özeti, denge ve \hat\tau ondalıkların altıncısına dek eşleşir (128.6.1).
Ne zaman kullanılmaz?
- CBPS, enerji dengelemesi,
momentler,etkilesim, kırpma ya da kararlı ağırlık gerekiyorsa: Bölüm 127dengeleme_agirliklari. - Çift sağlam kestirim: Bölüm 125/126. Zamanla değişen tedavi: Bölüm 134
msm_ipw. Eşleştirme ve tabakalama: temel programdaki Propensity Score Analysis paneli.
Temel programla ilişki. Temel programdaki Propensity Score Analysis paneli lojistik eğilim skoruyla eşleştirme, ters olasılık ağırlıklandırma ve tabakalama yapar. Entropi dengelemesi ve ağırlık kestirimini hesaba katan etki standart hatası yalnız bu şablonda (ve R eşinde) bulunur.
128.2 Şablonun girdileri
Form, üstbilgideki on [[param]] bloğundan kurulur (dengeleme_agirliklari_py.py:11–80). Alan türleri ve denetimi 1.2'de anlatılmıştır.
| 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 (125–143). |
Tedavi grubu sayılan düzey · tedavi_duzeyi |
metin · Değişkenler | boş | tedavi sütununun iki düzeyinden biri | Doluysa o düzey tedavi (1) sayılır; boşsa sıralamada ikinci düzey (134–140). |
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 (103–113, 334–345). |
Ortak değişkenler (karıştırıcılar) · ortak |
sütunlar · Değişkenler | boş (en az 1) | en az bir sütun | Tasarım matrisi ve denge tablosu (99, 149–183). |
Sonuç değişkeni (isteğe bağlı) · y |
sayısal sütun · Değişkenler | boş | sayısal sütun ya da boş | Doluysa etki hesaplanır (98, 333–404). |
Ağırlıklandırma yöntemi · yontem |
seçim · Model | ebal |
ebal, glm |
Ağırlık çözücüsü (188, 221–258). |
Kestirilen etki · kestirilen |
seçim · Model | ATT |
ATT, ATE, ATC |
Hedef kitle S ve ağırlık biçimi (184, 189–190, 347). |
Sonuç modeli · sonuc_modeli |
seçim · Model | etkilesimli |
etkilesimli, yalin |
Y\sim A\times x ya da Y\sim A (337, 339–341). |
Güven düzeyi · guven |
ondalık · Seçenekler | 0,95 | 0,5–0,999 | Normal kantil z_c (185, 399). |
Denge ölçütü eşiği · denge_esigi |
ondalık · Çıktı | 0,1 | 0,01–0,5 | Özet iletisi ve şekildeki çizgi (186–187, 330–331, 414). |
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 seçilmiş değişkenlerdir.
Şablonun kendi denetimleri (R eşiyle farkları sondaki sütunda).
| Koşul | İleti (özet) | Satır | R eşinde |
|---|---|---|---|
| Veri açık değil | "Önce Veri sekmesinde bir veri açın." | 96–97 | aynı |
| Tedavi ve sonuç çıkarılınca ortak değişken kalmadı | "Tedavi ve sonuçtan farklı en az bir ortak değişken seçin." | 100–102 | aynı |
| Tedavi tam iki düzeyli değil | "Tedavi değişkeninin tam iki düzeyi olmalı." | 132–133 | aynı |
tedavi_duzeyi alanındaki değer iki düzeyden biri değil |
"'Tedavi grubu sayılan düzey' alanındaki '…' tedavi değişkeninin düzeylerinden biri değil (düzeyler: …)." | 135–137 | aynı |
| Bir tedavi grubunda 5'ten az gözlem | "Her tedavi grubunda en az 5 gözlem gerekli." | 144–145 | aynı |
| Sayısal ortak değişken sabit; kategorik tek düzeyli | "'…' sabit (tek düzeyli); ortak değişkenlerden çıkarın." | 155–157, 167–169 | aynı |
| Kategorik ortak değişkenin düzey sayısı \ge\max(10;\ n_g/5) | "'…' … düzeyli bir kategorik değişken …; sayısal ise Veri sekmesinde türünü sayısal yapın, değilse düzeyleri birleştirin." | 164–166 | aynı |
| n<q+10 | "Gözlem sayısı ortak değişken sayısına göre çok az." | 179–180 | aynı (q: gösterge değişkenler dahil sütun sayısı) |
| Tasarım matrisinin kertesi eksik | "Ortak değişkenler doğrusal bağımlı (eş doğrusallık); bir değişkeni çıkarın." | 181–183 | yok (R çalışır) |
| Entropi problemi yakınsamadı (\max\lvert\text{gradyan}\rvert>10^{-6}) | "Entropi dengelemesi yakınsamadı …" | 255–257 | paket iletisi |
| Ağırlık kestirimi başka nedenle başarısız | "Ağırlıklar kestirilemedi: …" | 259–262 | aynı |
| Lojistik skor yakınsamadı, ayrışma uyarısı verdi ya da \hat e\notin[10^{-6};\,1-10^{-6}] | "Lojistik eğilim skoru kestirilemedi: bir ortak değişken tedavi gruplarını (neredeyse) tam ayırıyor …" | 222–231 | R'de grup ağırlığı sıfırsa "Ağırlıklar '…' grubunda (neredeyse) tamamen sıfır" |
| Bir ağırlık sonlu değil | "Ağırlıklar sonlu değil (eğilim skorları 0 ya da 1'e çok yakın)." | 264–266 | aynı |
| Bir tedavi grubunda en büyük ağırlık <10^{-8} | "Ağırlıklar '…' grubunda (neredeyse) tamamen sıfır …" | 267–270 | aynı |
| Sonuç sabit | "Sonuç değişkeni sabit." | 146–147 | aynı (ağırlıklardan önce) |
| Türev matrisi tekil | "Sandviç varyansı hesaplanamadı (tekil türev matrisi)." | 391–395 | yok |
Tedavi kodlaması. Tedavi düzeyleri Veri sekmesindeki sütun türünden bağımsız olarak dizilir (115–131): değerlerin hepsi sayıya çevrilebiliyorsa sayısal sırayla, aksi hâlde harf sırasıyla (R eşiyle aynı kural); ikinci düzey tedavi sayılır (138–140). 0/1 kodlu sütunda 1, 1/2 kodlu sütunda 2, kontrol/tedavi metin sütununda tedavi tedavidir. Başka düzeyi tedavi saymak için tedavi_duzeyi alanına o düzeyin adı yazılır (134–140). Konsolun ilk satırlarında tedavi (1) ve kontrol (0) düzeyinin adı, gözlem sayıları ve düzey sırası yazılır (142–143); iki şablon aynı veride aynı grubu tedavi sayar.
Ortak değişken türleri. Sayısal sütun (mantıksal olmayan) olduğu gibi kullanılır; yalnız 0 ve 1 değerleri alıyorsa ikili sayılır (160). Öteki sütunlar (metin, kategorik, mantıksal) metne çevrilip düzeyleri alfabetik sıralanır; denge tablosunda her düzey ayrı bir ikili satırdır (race_black, …), model matrisinde ilk (alfabetik) düzey atılır (163–175). Sonuç y sayısal rol olduğundan sayıya çevrilir (334). Küçük tedavi grubunun beşte birinden (en az 10) çok düzeyi olan bir kategorik sütun anlaşılır bir iletiyle reddedilir (164–166).
Eksik değerler. Tedavi, ortak değişkenler ve (seçiliyse) sonuçta eksik olan satır ağırlıklar kestirilmeden önce atılır (103–106) ve atılan satır sayısı konsola yazılır (107–113). Varsayılanda sonuç eksikliği ağırlıkları etkiler: sonuç seçildiğinde n=605 ve kontrol ESS'si 100{,}0193 (R eşiyle aynı). agirlik_tam_satir açıkken ağırlıklar yalnız tedavi ve ortak değişkenlerin tam olduğu satırlarda kestirilir (n=607; kontrol ESS'si 99{,}7153) ve sonucu eksik satırlar yalnız sonuç modelinden çıkarılır (334–345).
Tohum. Şablon rastgele sayı kullanmaz: entropi problemi Newton, lojistik skor IRLS ile deterministik çözülür. Kod panelindeki isteğe bağlı Tohum alanı sonucu değiştirmez (ortak işleyiş 1.3'te).
128.3 Örnek veri
_ornek/lalonde.csv (Bölüm 127.3 ile aynı): 614 gözlem (tedavi 185, kontrol 429), 9 sütun, eksik değer yok. Tedavi görenler randomize NSW deneyinden, kontroller bir nüfus anketinden gelir (LaLonde, 1986; Dehejia ve Wahba, 1999); gruplar ortak değişkenlerde belirgin biçimde farklıdır.
| Değişken | Rol | Tür (veri sekmesinin algıladığı) | Özet (kontrol / tedavi) |
|---|---|---|---|
treat |
tedavi | ikili | 429 / 185 |
age |
ortak | sayısal | ort. 28{,}03 / 25{,}82 |
educ |
ortak | sayısal | 10{,}24 / 10{,}35 |
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 / 2095{,}57 |
re75 |
ortak | sayısal | 2466{,}48 / 1532{,}06 |
re78 |
sonuç | sayısal | 6984{,}17 / 6349{,}14 |
Düzey sırası. Gömülü ve harici Python'da df pandas türünü taşır; race metin olarak gelir ve düzeyleri alfabetik (black, hispan, white) sıralanır; model matrisinde black başvuru düzeyi olarak atılır. Bu sıra ağırlıkları değiştirmez (127.3); denge tablosunun satır adlarını (race_black, race_hispan, race_white) ve sırasını belirler. R eşinde sıra verinin ilk görülme sırasıdır; aynı veride tablo satırlarının sırası R'de race_white ile başlayabilir (R: lalonde_race_sira.csv, 128.6.1). Tedavi düzeyi sırası ise iki şablonda aynıdır (128.2).
Bu bölümde kullanılan çalıştırmalar. Örnek ayar (dwpy_ornek); entropi için ATE, ATC, yalın sonuç modeli, %90 GA ve sonuçsuz; lojistik skor için ATT, ATE, ATC; ölçek (sent), zayıf örtüşme ve ayrışma türev verileri; R eşiyle birebir karşılaştırma için tüm bunların R karşılıkları (128.6.1).
128.4 Yöntem: formüller ve hesap adımları
Hesap sırası: veri ve tedavi kodlaması (96–145); tasarım matrisleri (149–183); ağırlık parametreleri (193–262); ağırlıkların sonluluğu (263–266); ağırlık özeti (273–286); denge (289–331); sonuç modeli, g-hesaplama ve SH (333–404); şekil (406–419).
128.4.1 Tasarım matrisleri
İki ayrı matris kurulur (149–177):
- Denge matrisi X_d: her sayısal ortak değişken bir sütun; her kategorik değişkenin her düzeyi ayrı bir 0/1 sütun. Her sütun için "ikili mi" (\{0{,}1\}'e ait mi) kaydedilir (160, 174).
- Model matrisi X: kesişim, sayısal sütunlar ve kategorik değişkenlerin ilk (alfabetik) düzey dışındaki göstergeleri (175–177). Eğilim modeli ve entropi koşulları bu matrisi kullanır; k sütun sayısıdır.
Kertesi eksikse (\mathrm{rank}(X)<k) çalıştırma durur (181–183). Bu, iki sütunun birbirinin katı olması ya da bir değişkenin öbürlerinin doğrusal birleşimi olması durumudur (128.8).
128.4.2 Entropi ağırlıkları
ATT'de kontrollerin ağırlıkları w_i=\exp(-x_i^\top\hat z)'dir ve \hat z, ikili amaç işlevini en küçükler (238–242):
Gradyan sıfırlandığında \sum_{A=0}w_ix_i=\sum_{A=1}x_i olur: kesişim sütunu nedeniyle ağırlıkların toplamı n_1'e, her ortak değişkenin ağırlıklı toplamı tedavi görenlerin toplamına eşit çıkar. ATC'de roller ters çevrilir; ATE'de iki grup ayrı çözülür ve her grubun ağırlıklı toplamı tüm örneklemin toplamına eşitlenir (189–190, 203–207, 232–258).
Çözücü iki aşamalıdır (247–255): scipy.optimize.minimize(method="trust-exact", jac, hess, gtol=1e-12, maxiter=2000) sıfır başlangıçtan çalışır; ardından en çok 50 adımlık Newton cilası gradyanın en büyük bileşeni 10^{-13}'ün altına inene dek sürer. Cila sonrası \max|\nabla f|>10^{-6} ise "Entropi dengelemesi yakınsamadı" iletisiyle durulur (255–257).
Neden iki aşama
Üstel amaç işlevi uç başlangıçlarda kolay taşar; güven bölgesi yöntemi güvenli yaklaşır, saf Newton ise son aşamada ikinci dereceden yakınsayarak gradyanı makine duyarlığına indirir. Böylece ağırlıklı ortalamalar hedefle 10^{-12} düzeyinde eşit çıkar (128.7).
Koddaki tercih
moments/int genişlemesi yoktur: yalnız ortak değişkenlerin kendileri (birinci momentler) dengelenir. Varyans oranları 1'den uzaksa (örnek veride re74 için 1{,}33, educ için 0{,}66) dağılımın şekli dengelenmemiştir; bu durumda Bölüm 127'deki momentler = 2 seçeneği gerekir.
128.4.3 Lojistik eğilim skoru
\hat\gamma, statsmodels.api.GLM(A, X, family=Binomial()).fit() ile (IRLS) kestirilir; uyarılar toplanır ve yakınsama ile ayrışma denetlenir (222–231). Ağırlıklar yukarıdaki üç formülden alınır (195–201). Ağırlıkların toplamı n_1 olmak zorunda değildir (örnek veride kontrol ağırlıklarının toplamı 186{,}9989). Bu yöntem dengeyi koşul olarak koymaz; ağırlıklı denge tablosuyla denetlenir (örnek veride en büyük |d| 0{,}1188).
Ayrışmada IRLS yakınsamaz; şablon durur
Bir ortak değişken tedaviyi (neredeyse) tam ayırıyorsa lojistik olabilirlik sınırsızdır ve IRLS katsayıları büyüterek durur. Şablon statsmodels uyarılarını kaydeder; model yakınsamadıysa, ayrışma uyarısı verdiyse ya da \hat e [10^{-6};\,1-10^{-6}] dışına çıktıysa "Lojistik eğilim skoru kestirilemedi: bir ortak değişken tedavi gruplarını (neredeyse) tam ayırıyor …" iletisiyle durur (222–231). Ayrışan bir değişkenli türev veride (ayr) eskiden sessizce yazılan anlamsız sonuç (\hat\tau=104290{,}07; SH =161594155{,}66) artık yazılmaz (128.8).
128.4.4 Ağırlık özeti ve denge
ESS =(\sum w)^2/\sum w^2 ve değişim katsayısı s(w)/\bar w (273–283); tanımlar 127.4.7'dedir. Denge cobalt'ın varsayılanlarıyla ölçülür (289–331):
Payda ağırlıksız örneklemden alınır (np.std(ddof=1); 227–228, 239–244); ikili değişkende payda 1'dir (310–311). Varyans oranı \mathrm{VO}=s_1^{2(w)}/s_0^{2(w)}, ağırlıklı varyansı \sum w(x-\bar x^{(w)})^2\big/\big(\sum w-\sum w^2/\sum w\big) ile alır (295–297, 316–317). Tablo sütunları R eşiyle aynıdır (degisken, tur, olcut, fark_once, fark_sonra, VO_once, VO_sonra); tur sütunu cobalt gibi Binary/Contin. yazar.
128.4.5 Sonuç modeli, g-hesaplama ve yığılmış M-kestirimi SH
etkilesimli seçenekte Z=[1,\ A,\ x_c,\ A\,x_c] (x_c: kesişimsiz model matrisi), yalin seçenekte Z=[1,\ A]; \hat\beta ağırlıklı en küçük karelerle (numpy.linalg.lstsq, \sqrt w ile ölçekli; 346) bulunur. Etki:
(348–349). SH, ağırlık parametreleri ve \hat\beta için yığılmış tahmin denklemlerinden (\psi_w ve w_i(Y_i-z_i^\top\beta)z_i) sandviçle bulunur:
z=\hat\tau/\mathrm{SH}, p=2\,\mathrm{sf}(|z|) ve \hat\tau\pm z_c\mathrm{SH} (z_c=\Phi^{-1}(1-(1-g)/2); 399–405).
Koddaki tercih
\hat J çözümsel türevle kurulur (turev, 357–388); R şablonu da WeightIt/marginaleffects'in çözümsel türevini kullanır. \hat J blok alt üçgenseldir: ağırlık denklemlerinin türevi entropide \sum_{A_i=g}w_i\,x_ix_i^\top (grup başına bir blok), lojistik skorda -\sum_i\hat e_i(1-\hat e_i)x_ix_i^\top ve model denklemlerinin \beta türevi -\sum_i w_iz_iz_i^\top'dir; \beta denklemlerinin ağırlık parametrelerine türevi \sum_i(\partial w_i/\partial\theta_w)\,r_iz_i'dir (r_i=Y_i-z_i^\top\beta; entropide \partial w_i/\partial z=-w_ix_i, lojistik ATT'de \hat e_i/(1-\hat e_i)\,x_i kontrollerde). Sonucu eksik olan satırlar bu toplamlardan çıkarılır. Türevde adım büyüklüğü bulunmadığından SH ortak değişkenlerin ve sonucun ölçeğinden bağımsızdır: kazançlar sent biriminde (\times100) iken SH tam 100 katı çıkar ve R şablonuyla aynıdır (entropi ATT 77015{,}45; ATE 123258{,}85; lojistik ATE 124462{,}19).
128.4.6 R şablonundan farklar
| Konu | R şablonu (Bölüm 127) | Python şablonu |
|---|---|---|
| Yöntemler | ebal, cbps, glm, energy |
ebal, glm |
| Ek seçenekler | momentler, etkileşim, bağlantı, aşırı tanımlı CBPS, kararlı ağırlık, kırpma, SH türü | yok |
| Tedavi düzeyi sırası | sayısal (sayısal değilse alfabetik), sütun türünden bağımsız | aynı kural |
| Kategorik ortak değişken sırası ve satır sırası | veri sekmesinin ilk görülme sırası | alfabetik |
| Eş doğrusal ortak değişkenler | WeightIt çalışır (dr_esdog) |
durur (181–183) |
| Sonuç sabitliği denetimi | ağırlıklardan önce | ağırlıklardan önce |
| Etki SH'si | çözümsel (ölçekten bağımsız) | çözümsel (ölçekten bağımsız) |
| Ağırlık kestirimi uyarıları | konsola yazılır (sık görülenler Türkçe) | yakınsama ve ayrışma denetlenir; denetimi geçen uyarı yazılmaz |
| Şekil | taban grafik, açıklama yok | matplotlib, açıklamalı |
128.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 82–93 | İçe aktarmalar; _m dil yardımcısı. |
Matplotlib, numpy, pandas, statsmodels, scipy. |
| 96–145 | Veri, ortak, tamamen dolu satırlar, tedavi kodlaması, grup büyüklükleri. |
Eksik satır atılır ve sayısı yazılır (103–113); ikinci düzey tedavi (138–140). |
| 149–183 | Sayısal ve kategorik ortak değişkenlerin ayrıştırılması; X_d, X; kerte denetimi. | Sabit değişken (155–157, 167–169); kategorikte ilk düzey atılır (175). |
| 184–190 | Ayarlar; hedef ve gruplar vektörleri. |
ATT: hedef =A, grup \{0\}; ATC: 1-A, \{1\}; ATE: ones, \{1{,}0\}. |
| 193–214 | agirlik(theta) ve psi_w(theta). |
Entropi: grup başına k parametre; lojistik: k parametre. |
| 217–266 | Ağırlık parametreleri (statsmodels GLM ya da trust-exact + Newton); sonluluk. | Yakınsama eşiği 10^{-6} (255); ayrışma ve yakınsama denetimi (222–231); hata iletileri 256–257, 262, 265, 268. |
| 273–286 | ESS ve DK; özet tablosu. | Tablo adı R eşiyle aynı. |
| 289–331 | Denge tablosu ve en büyük |d| iletisi. | Binary/Contin. ayrımı (318); ileti ve ölçüt kararı 325–331. |
| 333–404 | Sonuç modeli, g-hesaplama, yığılmış sandviç, etki tablosu. | Çözümsel \hat J (turev, 357–389); ters matris (392). |
| 406–419 | Denge grafiği. | Ağırlıksız boş, ağırlıklı mor; eşik çizgisi. |
Kritik satırlar:
sonuc_glm = sm.GLM(A, X, family=sm.families.Binomial()).fit() # 224: lojistik skor, IRLS (uyarılar kaydedilir, 222–231 denetler)
r = optimize.minimize(amac, np.zeros(k), jac=grad, hess=hess, method="trust-exact", options={"gtol": 1e-12, "maxiter": 2000}) # 247
J = turev(th) # 389: çözümsel türev matrisi (adım büyüklüğü yok)
128.6 Elle hesap: örnek veride bağımsız yeniden hesap
Örnek ayarın (entropi, ATT, etkileşimli sonuç modeli) ara değerleri, şablon kodu ve statsmodels/scipy kullanılmadan numpy ile (dogrulama/dengeleme_agirliklari/elle_hesap.py, ara_degerler.py) ve R tabanıyla (r_dogrulama.R; numDeriv::jacobian) yeniden hesaplanmıştır; Bölüm 127.6'daki hesapla aynıdır ve burada Python şablonunun çıktısıyla karşılaştırılır.
Adım 1 — hedef. Tedavi görenlerin tasarım ortalamaları (black başvuru): (1;\ 25{,}8162;\ 10{,}3459;\ 0{,}0595;\ 0{,}0973;\ 0{,}1892;\ 0{,}7081;\ 2095{,}5737;\ 1532{,}0553).
Adım 2 — dual problem. Sıfır başlangıçlı Newton adımlarıyla \max|\nabla f|<10^{-12} sağlanır: \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); ilk beş kontrol 0{,}026903;\ 0{,}014766;\ 0{,}025149;\ 0{,}048263;\ 0{,}812017. \sum w=185{,}0000, \sum w^2=347{,}6107, \mathrm{ESS}=185^2/347{,}6107=98{,}4578.
Adım 4 — denge. Ağırlıklı kontrol ortalamaları tedavi ortalamalarına 10^{-12} içinde eşittir; ağırlıksız standartlaştırılmış fark age için -0{,}3094 (payda: tedavi grubunun s=7{,}1550).
Adım 5 — g-hesaplama. 18 katsayılı model; \hat\mu_1=6349{,}1435, \hat\mu_0=5075{,}8817, \hat\tau=1273{,}2618.
Adım 6 — SH. Yığılmış sistem (9 ağırlık ve 18 model parametresi) çözümsel türevli sandviçle \mathrm{SH}=770{,}1545 verir; şablonun çözümsel türevli değeri 770{,}15453'tür (R şablonuyla göreli fark 5{,}4\cdot10^{-8}).
128.6.1 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 | 3,0e−15 | ✓ |
| entropi, ATT (örnek ayar): en küçük ağırlık (kontrol) | 0,00808598 | 0,00808598 | 0,00808598 | 1,1e−16 | ✓ |
| entropi, ATT (örnek ayar): en büyük ağırlık (kontrol) | 4,06243015 | 4,06243015 | 4,06243015 | 8,1e−15 | ✓ |
| entropi, ATT (örnek ayar): değişim katsayısı (kontrol) | 1,83440428 | 1,83440428 | 1,83440428 | 2,1e−15 | ✓ |
| 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 | 9,930689·10−16 | −2,979207·10−15 | 0 | 4,0e−15 | ✓ |
| 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 | 1,1e−15 | ✓ |
| entropi, ATT (örnek ayar): fark, ağırlıksız, educ | 0,05496466 | 0,05496466 | 0,05496466 | 9,7e−17 | ✓ |
| entropi, ATT (örnek ayar): fark, ağırlıklı, educ | 1,766948·10−15 | −2,650421·10−15 | 0 | 4,4e−15 | ✓ |
| 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 | 2,2e−15 | ✓ |
| 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 | 0 | 1,110223·10−16 | 0 | 1,1e−16 | ✓ |
| 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 | 2,081668·10−17 | −6,245005·10−17 | 0 | 8,3e−17 | ✓ |
| 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 | 4,163336·10−17 | −5,551115·10−17 | −1,387779·10−17 | 9,7e−17 | ✓ |
| entropi, ATT (örnek ayar): fark, ağırlıksız, married | −0,32363132 | −0,32363132 | −0,32363132 | 4,4e−16 | ✓ |
| entropi, ATT (örnek ayar): fark, ağırlıklı, married | 1,110223·10−16 | −1,942890·10−16 | 0 | 3,1e−16 | ✓ |
| entropi, ATT (örnek ayar): fark, ağırlıksız, nodegree | 0,11137151 | 0,11137151 | 0,11137151 | 3,1e−16 | ✓ |
| entropi, ATT (örnek ayar): fark, ağırlıklı, nodegree | 0 | −3,330669·10−16 | 0 | 3,3e−16 | ✓ |
| entropi, ATT (örnek ayar): fark, ağırlıksız, re74 | −0,72108381 | −0,72108381 | −0,72108381 | 4,4e−16 | ✓ |
| entropi, ATT (örnek ayar): fark, ağırlıklı, re74 | 2,791791·10−16 | 9,305969·10−17 | 0 | 2,8e−16 | ✓ |
| 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 | 2,0e−15 | ✓ |
| entropi, ATT (örnek ayar): fark, ağırlıksız, re75 | −0,29026291 | −0,29026291 | −0,29026291 | 2,2e−16 | ✓ |
| entropi, ATT (örnek ayar): fark, ağırlıklı, re75 | 0 | −4,944056·10−16 | 1,412587·10−16 | 4,9e−16 | ✓ |
| 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 | 6,7e−16 | ✓ |
| entropi, ATT (örnek ayar): etki | 1273,26181391 | 1273,26181391 | 1273,26181391 | 2,9e−12 | ✓ |
| entropi, ATT (örnek ayar): SH | 770,1545314 | 770,1545314 | 770,15453131 | 1,2e−10 | ✓ |
| entropi, ATT (örnek ayar): z | 1,65325498 | 1,65325498 | 1,65325498 | 1,2e−10 | ✓ |
| entropi, ATT (örnek ayar): p | 0,09827898 | 0,09827898 | 0,09827898 | 4,1e−11 | ✓ |
| entropi, ATT (örnek ayar): GA alt | −236,21333017 | −236,21333017 | −236,21332999 | 7,8e−10 | ✓ |
| entropi, ATT (örnek ayar): GA üst | 2782,73695799 | 2782,736958 | 2782,73695781 | 6,5e−11 | ✓ |
| entropi, ATE: ESS (kontrol) | 342,54262236 | 342,54262236 | 342,54262236 | 1,2e−15 | ✓ |
| entropi, ATE: en küçük ağırlık (kontrol) | 0,74095043 | 0,74095043 | 0,74095043 | 1,7e−15 | ✓ |
| entropi, ATE: en büyük ağırlık (kontrol) | 3,46607679 | 3,46607679 | 3,46607679 | 5,1e−16 | ✓ |
| entropi, ATE: değişim katsayısı (kontrol) | 0,50297973 | 0,50297973 | 0,50297973 | 4,4e−16 | ✓ |
| entropi, ATE: ESS (tedavi) | 40,35745149 | 40,35745149 | 40,35745149 | 5,3e−16 | ✓ |
| entropi, ATE: en küçük ağırlık (tedavi) | 0,23721618 | 0,23721618 | 0,23721618 | 1,2e−15 | ✓ |
| entropi, ATE: en büyük ağırlık (tedavi) | 53,24232525 | 53,24232525 | 53,24232525 | 1,2e−15 | ✓ |
| entropi, ATE: değişim katsayısı (tedavi) | 1,89829244 | 1,89829244 | 1,89829244 | 7,0e−16 | ✓ |
| entropi, ATE: en büyük | ağırlıklı fark | 1,438741·10−15 | 1,438741·10−15 | 3,881575·10−16 | |
| entropi, ATE: varyans oranı, ağırlıklı, re74 | 1,76700663 | 1,76700663 | 1,76700663 | 2,0e−15 | ✓ |
| entropi, ATE: varyans oranı, ağırlıklı, age | 0,46566084 | 0,46566084 | 0,46566084 | 8,3e−16 | ✓ |
| entropi, ATE: etki | 951,6713327 | 951,6713327 | 951,6713327 | 4,7e−12 | ✓ |
| entropi, ATE: SH | 1232,58854723 | 1232,58854723 | 1232,58854678 | 3,6e−10 | ✓ |
| entropi, ATE: z | 0,77209166 | 0,77209166 | 0,77209166 | 2,8e−10 | ✓ |
| entropi, ATE: p | 0,44006014 | 0,44006014 | 0,44006014 | 1,6e−10 | ✓ |
| entropi, ATE: GA alt | −1464,15782762 | −1464,15782763 | −1464,15782675 | 6,0e−10 | ✓ |
| entropi, ATE: GA üst | 3367,50049303 | 3367,50049302 | 3367,50049215 | 2,6e−10 | ✓ |
| 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 | 1,1e−15 | ✓ |
| entropi, ATC: değişim katsayısı (tedavi) | 3,27257916 | 3,27257916 | 3,27257916 | 6,8e−16 | ✓ |
| entropi, ATC: en büyük | ağırlıklı fark | 6,906863·10−16 | 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 | 5,6e−16 | ✓ |
| entropi, ATC: etki | 212,499772 | 212,499772 | 212,499772 | 1,5e−11 | ✓ |
| entropi, ATC: SH | 1664,79580824 | 1664,79580824 | 1664,7958082 | 2,6e−11 | ✓ |
| entropi, ATC: z | 0,12764314 | 0,12764314 | 0,12764314 | 3,1e−12 | ✓ |
| entropi, ATC: p | 0,89843139 | 0,89843139 | 0,89843139 | 2,4e−12 | ✓ |
| entropi, ATC: GA alt | −3050,44005376 | −3050,44005377 | −3050,44005368 | 2,8e−11 | ✓ |
| entropi, ATC: GA üst | 3475,43959777 | 3475,43959776 | 3475,43959768 | 2,4e−11 | ✓ |
| lojistik skor, ATT: ESS (kontrol) | 99,81538592 | 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) | 3,74322176 | 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 | 1,32062728 | 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 | 1270,12493507 | 1270,12493507 | 1270,12493477 | 2,4e−10 | ✓ |
| lojistik skor, ATT: SH | 770,78709932 | 770,78709932 | 770,78709927 | 5,7e−11 | ✓ |
| lojistik skor, ATT: z | 1,64782848 | 1,64782848 | 1,64782848 | 1,8e−10 | ✓ |
| lojistik skor, ATT: p | 0,09938787 | 0,09938787 | 0,09938787 | 6,1e−11 | ✓ |
| lojistik skor, ATT: GA alt | −240,59001934 | −240,59001934 | −240,59001955 | 8,9e−10 | ✓ |
| lojistik skor, ATT: GA üst | 2780,83988948 | 2780,83988948 | 2780,8398891 | 1,4e−10 | ✓ |
| lojistik skor, ATE: ESS (kontrol) | 329,00775906 | 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) | 4,74322176 | 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) | 58,32666074 | 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) | 40,07729381 | 40,07729381 | 40,07729305 | 1,9e−8 | ✓ |
| lojistik skor, ATE: değişim katsayısı (tedavi) | 1,47769909 | 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 | 0,8208297 | 0,8208297 | 0,82082969 | 4,9e−9 | ✓ |
| lojistik skor, ATE: varyans oranı, ağırlıklı, age | 0,36891544 | 0,36891544 | 0,36891545 | 4,9e−10 | ✓ |
| lojistik skor, ATE: etki | 386,09259032 | 386,09259032 | 386,09258991 | 1,1e−9 | ✓ |
| lojistik skor, ATE: SH | 1244,621883 | 1244,621883 | 1244,62188229 | 5,7e−10 | ✓ |
| lojistik skor, ATE: z | 0,31020874 | 0,31020874 | 0,31020874 | 1,5e−10 | ✓ |
| lojistik skor, ATE: p | 0,75640222 | 0,75640222 | 0,75640222 | 1,2e−10 | ✓ |
| lojistik skor, ATE: GA alt | −2053,32147473 | −2053,32147473 | −2053,32147375 | 4,8e−10 | ✓ |
| lojistik skor, ATE: GA üst | 2825,50665537 | 2825,50665537 | 2825,50665357 | 6,4e−10 | ✓ |
| 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) | 31,36333655 | 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) | 39,07729381 | 39,07729381 | 39,07729305 | 2,0e−8 | ✓ |
| lojistik skor, ATC: değişim katsayısı (tedavi) | 2,21928592 | 2,21928592 | 2,2192859 | 6,6e−9 | ✓ |
| lojistik skor, ATC: en büyük | ağırlıklı fark | 0,33396377 | 0,33396377 | 0,33396378 | |
| lojistik skor, ATC: varyans oranı, ağırlıklı, re74 | 0,81235765 | 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 | 103,76163311 | 103,76163311 | 103,76162947 | 3,5e−8 | ✓ |
| lojistik skor, ATC: SH | 1664,47780845 | 1664,47780845 | 1664,47780892 | 2,8e−10 | ✓ |
| lojistik skor, ATC: z | 0,06233885 | 0,06233885 | 0,06233885 | 2,2e−9 | ✓ |
| lojistik skor, ATC: p | 0,95029299 | 0,95029299 | 0,95029299 | 1,8e−9 | ✓ |
| lojistik skor, ATC: GA alt | −3158,55492452 | −3158,55492452 | −3158,55492908 | 1,4e−9 | ✓ |
| lojistik skor, ATC: GA üst | 3366,07819074 | 3366,07819074 | 3366,07818801 | 8,1e−10 | ✓ |
| entropi, ATT, yalın sonuç modeli: ESS (kontrol) | 98,45783442 | 98,45783442 | 98,45783442 | 3,0e−15 | ✓ |
| entropi, ATT, yalın sonuç modeli: en küçük ağırlık (kontrol) | 0,00808598 | 0,00808598 | 0,00808598 | 1,1e−16 | ✓ |
| entropi, ATT, yalın sonuç modeli: en büyük ağırlık (kontrol) | 4,06243015 | 4,06243015 | 4,06243015 | 8,1e−15 | ✓ |
| entropi, ATT, yalın sonuç modeli: değişim katsayısı (kontrol) | 1,83440428 | 1,83440428 | 1,83440428 | 2,1e−15 | ✓ |
| 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 | 1,766948·10−15 | 2,979207·10−15 | 1,412587·10−16 | |
| entropi, ATT, yalın sonuç modeli: varyans oranı, ağırlıklı, re74 | 1,32645882 | 1,32645882 | 1,32645882 | 2,0e−15 | ✓ |
| entropi, ATT, yalın sonuç modeli: varyans oranı, ağırlıklı, age | 0,40964129 | 0,40964129 | 0,40964129 | 1,1e−15 | ✓ |
| entropi, ATT, yalın sonuç modeli: etki | 1273,26181391 | 1273,26181391 | 1273,26181391 | 2,9e−15 | ✓ |
| entropi, ATT, yalın sonuç modeli: SH | 789,74480013 | 789,74480013 | 789,74480013 | 4,3e−13 | ✓ |
| entropi, ATT, yalın sonuç modeli: z | 1,61224463 | 1,61224463 | 1,61224463 | 4,4e−13 | ✓ |
| entropi, ATT, yalın sonuç modeli: p | 0,10690872 | 0,10690872 | 0,10690872 | 1,5e−13 | ✓ |
| entropi, ATT, yalın sonuç modeli: GA alt | −274,60955132 | −274,60955132 | −274,60955131 | 2,5e−12 | ✓ |
| entropi, ATT, yalın sonuç modeli: GA üst | 2821,13317914 | 2821,13317914 | 2821,13317914 | 2,4e−13 | ✓ |
| entropi, ATT, %90 GA: ESS (kontrol) | 98,45783442 | 98,45783442 | 98,45783442 | 3,0e−15 | ✓ |
| entropi, ATT, %90 GA: en küçük ağırlık (kontrol) | 0,00808598 | 0,00808598 | 0,00808598 | 1,1e−16 | ✓ |
| entropi, ATT, %90 GA: en büyük ağırlık (kontrol) | 4,06243015 | 4,06243015 | 4,06243015 | 8,1e−15 | ✓ |
| entropi, ATT, %90 GA: değişim katsayısı (kontrol) | 1,83440428 | 1,83440428 | 1,83440428 | 2,1e−15 | ✓ |
| 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 | 1,766948·10−15 | 2,979207·10−15 | 1,412587·10−16 | |
| entropi, ATT, %90 GA: varyans oranı, ağırlıklı, re74 | 1,32645882 | 1,32645882 | 1,32645882 | 2,0e−15 | ✓ |
| entropi, ATT, %90 GA: varyans oranı, ağırlıklı, age | 0,40964129 | 0,40964129 | 0,40964129 | 1,1e−15 | ✓ |
| entropi, ATT, %90 GA: etki | 1273,26181391 | 1273,26181391 | 1273,26181391 | 2,9e−12 | ✓ |
| entropi, ATT, %90 GA: SH | 770,1545314 | 770,1545314 | 770,15453131 | 1,2e−10 | ✓ |
| entropi, ATT, %90 GA: z | 1,65325498 | 1,65325498 | 1,65325498 | 1,2e−10 | ✓ |
| entropi, ATT, %90 GA: p | 0,09827898 | 0,09827898 | 0,09827898 | 4,1e−11 | ✓ |
| entropi, ATT, %90 GA: GA alt | 6,47033962 | 6,47033962 | 6,47033977 | 2,4e−8 | ✓ |
| entropi, ATT, %90 GA: GA üst | 2540,0532882 | 2540,05328821 | 2540,05328805 | 6,0e−11 | ✓ |
Ölçütü karşılayan: 159/159. 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 5\cdot10^{-5} göreli (şablon türevi h=10^{-6}\max(1,|\theta_j|) adımlı sayısal türevle alır, bölüm 128.4.5); 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.
128.6.2 R şablonuyla karşılaştırma (ikiz)
Aşağıdaki tablo iki şablonu aynı veri ve ayarla çalıştırır (dogrulama/dengeleme_agirliklari/karsilastir.py). Farklar göreli, |a-b|/\max(1,|a|); "hata" şablonun hata iletisiyle bittiği anlamına gelir.
| Çalıştırma | R şablonu | Python şablonu | ESS farkı (kontrol) | Etki farkı (göreli) | SH farkı (göreli) | Not |
|---|---|---|---|---|---|---|
| örnek ayar | tamam | tamam | 1,7e−12 | 1,3e−12 | 5,4e−8 | |
| entropi, ATE | tamam | tamam | 4,0e−15 | 3,1e−12 | 4,8e−8 | |
| entropi, ATC | tamam | tamam | 0,0e0 | 1,8e−12 | 1,8e−9 | |
| lojistik skor, ATT | tamam | tamam | 3,9e−9 | 2,4e−10 | 1,3e−7 | |
| lojistik skor, ATE | tamam | tamam | 9,9e−10 | 1,1e−9 | 2,6e−8 | |
| lojistik skor, ATC | tamam | tamam | 0,0e0 | 3,5e−8 | 1,5e−8 | |
| yalın sonuç modeli | tamam | tamam | 1,7e−12 | 1,3e−12 | 2,1e−8 | |
| %90 GA | tamam | tamam | 1,7e−12 | 1,3e−12 | 5,4e−8 | |
| sonuç değişkeni yok | tamam | tamam | 1,7e−12 | — | — | sonuç değişkeni yok |
| zayıf örtüşme (entropi, ATE) | tamam | tamam | 2,6e−10 | 1,4e−13 | 1,8e−8 | |
| zayıf örtüşme (lojistik, ATE) | tamam | tamam | 9,6e−15 | 1,4e−13 | 5,4e−9 | |
| kazançlar sent (\times100), entropi ATT | tamam | tamam | 1,6e−12 | 1,4e−10 | 1,3e−7 | |
| kazançlar sent, entropi ATE | tamam | tamam | 4,0e−15 | 2,7e−10 | 9,9e−9 | |
| kazançlar sent, lojistik ATT | tamam | tamam | 3,9e−9 | 1,7e−10 | 4,6e−8 | |
| kazançlar sent, lojistik ATE | tamam | tamam | 9,9e−10 | 1,0e−9 | 2,3e−8 | |
tedavi metin (tedavi/kontrol) |
tamam | tamam | 1,7e−12 | 1,3e−12 | 5,4e−8 | |
| tedavi metin, sütun türü 'kategorik' | tamam | tamam | 1,7e−12 | 1,3e−12 | 5,4e−8 | |
| tedavi 1/2 kodlu | tamam | tamam | 1,7e−12 | 1,3e−12 | 5,4e−8 | |
| tedavi üç düzeyli | hata | hata | — | — | — | R: Tedavi değişkeninin tam iki düzeyi olmalı.; Py: Tedavi değişkeninin tam iki düzeyi olmalı. |
| eksik değerli satırlar | tamam | tamam | 1,6e−12 | 9,2e−13 | 5,1e−7 | |
| sabit ortak değişken | hata | hata | — | — | — | R: 'sabit' sabit (tek düzeyli); ortak değişkenlerden çıkarın.; Py: 'sabit' sabit (tek düzeyli); ortak değişkenlerden çıkarın. |
| eş doğrusal ortak değişkenler (entropi) | tamam | hata | — | — | — | Py: Ortak değişkenler doğrusal bağımlı (eş doğrusallık); bir değişkeni çık |
| eş doğrusal ortak değişkenler (lojistik) | tamam | hata | — | — | — | Py: Ortak değişkenler doğrusal bağımlı (eş doğrusallık); bir değişkeni çık |
| ondalık virgüllü metin sütunları | hata | hata | — | — | — | R: “Outcome (optional)”: “re78” is not a numeric column.; Py: “Outcome (optional)”: “re78” is not a numeric column. |
race ve educ 'kategorik' |
hata | hata | — | — | — | R: Sonuç modeli kurulamadı: Sonuç modelinin Hessian matrisi tersine çevri; Py: Ortak değişkenler doğrusal bağımlı (eş doğrusallık); bir değişkeni çık |
race ilk görülme sırası farklı |
tamam | tamam | 2,5e−15 | 5,5e−13 | 5,2e−8 | |
| sonuç 'kategorik' türde | tamam | tamam | 1,7e−12 | 1,3e−12 | 5,4e−8 | |
re74 'kategorik' türde |
hata | hata | — | — | — | R: 're74' 358 düzeyli bir kategorik değişken (en küçük tedavi grubunda 18; Py: 're74' 358 düzeyli bir kategorik değişken (en küçük tedavi grubunda 18 |
| tedavi ortak değişken listesinde | tamam | tamam | 1,5e−11 | 2,0e−14 | 2,7e−8 | |
| sonuç ortak değişken listesinde | tamam | tamam | 1,5e−11 | 2,0e−14 | 2,7e−8 | |
| tam ayrışma (lojistik) | hata | hata | — | — | — | R: Ağırlıklar '0' grubunda (neredeyse) tamamen sıfır: bir ortak değişken ; Py: Lojistik eğilim skoru kestirilemedi: bir ortak değişken tedavi gruplar |
| tam ayrışma (entropi) | hata | hata | — | — | — | R: Ağırlıklar '0' grubunda (neredeyse) tamamen sıfır: bir ortak değişken ; Py: Ağırlıklar sonlu değil (eğilim skorları 0 ya da 1'e çok yakın). |
| tedavi grubunda 4 gözlem | hata | hata | — | — | — | R: Her tedavi grubunda en az 5 gözlem gerekli.; Py: Her tedavi grubunda en az 5 gözlem gerekli. |
| sabit sonuç | hata | hata | — | — | — | R: Sonuç değişkeni sabit.; Py: Sonuç değişkeni sabit. |
Tablonun üç desenli okuması: (i) örnek ayar ve çoğu çalıştırmada ESS ve \hat\tau 10^{-9} içinde, SH 10^{-7} içinde aynıdır; ölçek büyüse de (sent satırları) SH aynı kalır; (ii) tedavi sütunu metinse iki şablon aynı grubu tedavi sayar (sütun türünden bağımsız); (iii) eş doğrusal veride iki şablon farklı sonuçlanır (biri durur, biri çalışır); ayrışmalı verilerde ikisi de anlaşılır iletiyle durur.
128.7 Çıktıyı okuma
Örnek ayarda şablonun konsol notu ve üç tablosu (dwpy_ornek; sayılar olduğu gibi):
Yöntem: ebal; kestirilen: ATT; n = 614 (tedavi 185, kontrol 429)
Ağırlık sonrası en büyük |fark| (ikili: ham oran farkı, sürekli: SOF) = 0,0000 (educ); 0,1 altı yaygın ölçüttür.
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 9.930689e-16 0.4399955 0.4096413
educ Contin. SOF 0.05496466 1.766948e-15 0.4958934 0.6635493
race_black Binary ham oran farkı 0.640446 0 NA NA
race_hispan Binary ham oran farkı -0.08273168 2.081668e-17 NA NA
race_white Binary ham oran farkı -0.5577144 4.163336e-17 NA NA
married Binary ham oran farkı -0.3236313 1.110223e-16 NA NA
nodegree Binary ham oran farkı 0.1113715 0 NA NA
re74 Contin. SOF -0.7210838 2.791791e-16 0.5181285 1.326459
re75 Contin. SOF -0.2902629 0 0.956293 1.335124
Tedavi etkisi (g-hesaplama; M-kestirimi SH, %95 GA)
kestirilen kestirim SH z p GA_alt GA_ust
ATT 1273.262 770.1545 1.653255 0.09827899 -236.2134 2782.737
Şekil 128.1. Şablonun şekli (denge grafiği): boş daireler ağırlıksız, mor dolu daireler ağırlıklı |d|; 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. Python şekli açıklamalıdır ve etiketler kırpılmaz.

| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Konsol satırı | Yöntem, hedef, n, tedavi ve kontrol sayısı. | Hangi grubun tedavi sayıldığını buradan doğrulayın (128.2). |
| Ağırlık özeti | n, ESS, en küçük/büyük ağırlık, DK. | Kontrol ESS'si 98{,}5: 429 kontrolün bilgisi yaklaşık 98 bağımsız gözleme eşdeğerdir. Tedavi satırı ATT'de her zaman (n_1;1;1;0) çıkar. |
| Denge | İkili: ham oran farkı; sürekli: SOF; VO. | Önce re74 SOF -0{,}72, sonra 10^{-15} altı: tam denge. VO'lar (re74 1{,}33, educ 0{,}66) dağılım şeklinin dengelenmediğini gösterir. |
| Ağırlık sonrası en büyük \lvert d\rvert iletisindeki değişken adı | En büyük \lvert d\rvert'in değişkeni. | Tüm farklar 10^{-15} altındayken ad sayısal gürültüyle belirlenir (Python: educ; R: re74); anlam taşımaz. |
| Etki tablosu | \hat\tau, SH, z, p, GA. | Ortalama etki +1273 dolar; SH 770 (p=0{,}098). Ham fark -635 idi: ağırlıklandırma işareti değiştirir. |
Lojistik skorla aynı veride (ATT): ESS 99{,}815, ağırlıklı en büyük |d| 0{,}1188 (age), \hat\tau=1270{,}125, SH 770{,}787. ATE'de entropi 951{,}671 (SH 1232{,}589), lojistik 386{,}093 (SH 1244{,}622); ATC'de 212{,}500 (1664{,}796) ve 103{,}762 (1664{,}478). SH'ler R şablonuyla 10^{-7} göreli içinde aynıdır (128.4.5).
Hedef kitle olarak programa katılanlar alındığında (ATT), yaş, eğitim, ırk, medeni durum, diploma durumu ve 1974–1975 kazançları entropi dengelemesiyle tam dengelenmiş 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.
128.8 Sık hatalar ve tuzaklar
- Ölçek ve SH. Etki SH'si çözümsel türevle alındığından ortak değişkenlerin ve sonucun ölçeğinden bağımsızdır: kazançlar sent biriminde (\times100) iken SH tam 100 katı çıkar ve R şablonuyla aynıdır (128.4.5).
- Ayrışma. Bir ortak değişken tedaviyi (neredeyse) tam ayırıyorsa lojistik skor "Lojistik eğilim skoru kestirilemedi: bir ortak değişken tedavi gruplarını (neredeyse) tam ayırıyor …" iletisiyle, entropi ağırlıkları "Ağırlıklar sonlu değil" ya da "Ağırlıklar '…' grubunda (neredeyse) tamamen sıfır" iletisiyle durur; R eşi de Türkçe bir iletiyle durur. Ayıran değişkeni çıkarın.
- Tedavi düzeyi. İki şablon aynı kuralı kullanır (sayısal, değilse alfabetik sıra; ikinci düzey tedavi) ve konsol hangi düzeyin tedavi sayıldığını yazar;
tedavi/kontrolmetin sütununda, Veri sekmesinde hangi türde işaretli olursa olsun tedavitedavi'dir (+1273{,}26). Başka düzeyi tedavi saymak içintedavi_duzeyialanını kullanın. - Zayıf örtüşme. Ağırlıklar uçlaşır ve ESS düşer; şablon uyarı yazmaz (türev veri
skor: lojistik ATE'de kontrol ESS'si 83{,}2, tedavi 20{,}5; ağırlıklı |d|=1{,}37). ESS ve en büyük ağırlığı etki satırından önce okuyun. - Eksik değer. Eksik satır ağırlıklardan önce atılır ve atılan satır sayısı yazılır; varsayılanda sonuç eksikliği ağırlıkları değiştirir (n=605 ve ESS 100{,}0193 sonuç seçiliyken; sonuç boş: n=607 ve 99{,}7153).
agirlik_tam_satirağırlıkları yalnız tedavi ve ortak değişkenlerin tam olduğu satırlarda kestirir (n=607). - Eş doğrusal ortak değişkenler. Bir sütun öbürünün katıysa (ör.
re75ve2·re75) şablon "doğrusal bağımlı" iletisiyle durur; R eşi çalışır (yinelenen sütun ağırlıkları değiştirmez ama denge tablosunu şişirir). - Sonuç sabit. Python şablonu da (R eşi gibi) sonuç sabitliğini ağırlıklardan önce denetler ve hiçbir çıktı yazmadan durur.
- Ondalık virgül. "1234,5" gibi metin sonuç ya da ortak değişken: sonuç için sayısal rol denetimi çalıştırmayı başlatmaz; ortak değişken kategorik sayılır ve her farklı değer ayrı gösterge sütunu olur (çok sütunlu tasarım, bellek). Ondalık ayırıcı nokta olmalıdır.
- Çok düzeyli kategorik değişken. Sayısal bir sütunu (358 farklı değerli
re74) kategorik yapmak yüzlerce gösterge sütunu üretirdi; şablon küçük tedavi grubunun beşte birinden (en az 10) çok düzeyi olan kategorik sütunu "358 düzeyli bir kategorik değişken" iletisiyle reddeder. - Hangi yöntem? Lojistik skor dengeyi garanti etmez (örnek veride |d|=0{,}1188); entropi tam dengeyi ESS pahasına kurar. İkisini yan yana çalıştırın.
128.9 Uzman soruları
S1. Entropi dengelemesinde Newton cilası neden `trust-exact`'tan sonra çalışıyor?
trust-exact ikinci türevli güven bölgesi yöntemidir ve sıfır başlangıçtan güvenle yaklaşır (247–248). Ardından en çok 50 Newton adımı gradyanın en büyük bileşenini 10^{-13}'ün altına indirir (250–254); yakınsama ölçütü bu gradyandır ve eşiği 10^{-6}'dır (255). Sonucun kanıtı ağırlıklı denge farklarıdır: bu şablonda en büyük |d| 10^{-15} düzeyindedir (age 9{,}9\cdot10^{-16}), R eşinde ise WeightIt'in çözücü toleransından 10^{-9}'a (re74 -2{,}4\cdot10^{-9}) kadar çıkar. İkisi de "tam denge"dir; fark çözücü toleransındandır.
S2. Python şablonunun SH'si ölçekten bağımsız mı?
Evet: sandviçin \hat J matrisi çözümsel türevle kurulur (357–389), türev adımı yoktur. Kazançlar sent biriminde (\times100) iken SH tam 100 katıdır ve R şablonuyla 10^{-6} göreli içinde aynıdır (entropi ATT 77015{,}45; ATE 123258{,}85; lojistik ATE 124462{,}19). Ağırlık parametrelerine göre türevler entropide \sum_{A=g}w\,xx^\top, lojistik skorda -\sum e(1-e)\,xx^\top biçimindedir; model denklemlerinin ağırlık parametrelerine türevi \sum(\partial w/\partial\theta)\,r\,z'dir (128.4.5).
S3. Python şablonu ESS'yi R eşiyle 10^{-9} içinde veriyor, SH'yi neden 10^{-7} içinde?
Ağırlık problemi dışbükeydir ve iki şablon da aynı optimumu çok sıkı bir gradyan toleransıyla bulur; ESS ağırlıkların kapalı bir işlevidir ve optimum aynı olduğundan aynıdır (örnek ayarda fark 1{,}7\cdot10^{-12}). SH ise \hat J'ye ve onun tersine bağlıdır; iki şablonda da çözümsel türev kullanılır ve kalan fark ağırlık çözücülerinin yakınsama toleransından gelir (örnek veride ATT 5{,}4\cdot10^{-8}; ATE 4{,}8\cdot10^{-8}; ATC 1{,}8\cdot10^{-9}).
S4. Ağırlıklı fark neden tam sıfır değil, 10^{-16} düzeyinde?
Entropi dengelemesi bir eşitlik koşuludur; çözücü gradyanı 10^{-13}'ün altına indirir ve ağırlıklı fark bu gradyanın doğrusal bir işlevidir; kayan nokta duyarlığıyla (\approx10^{-16}) sıfırdan ayrılır. Sıfırdan ayrılma bir doğruluk kaybı değil çözücü toleransıdır.
S5. Kategorik ortak değişkende başvuru düzeyi sonucu değiştirir mi?
Hayır. Model matrisi kesişim ve k-1 gösterge içerir; hangi düzeyin atıldığı sütun uzayını değiştirmez ve entropi koşulları ile lojistik skor aynı ağırlıkları verir (bağımsız hesapta üç düzeyden hangisi başvuru seçilse ağırlıklar 3\cdot10^{-14} içinde aynı çıkar). Denge tablosu her düzeyi ayrı satırda yazar, bu yüzden başvuru seçimi çıktıda görünmez.
S6. Tedavi 1/2 kodluysa ne olur?
Sayısal sütunda düzeyler \{1{,}2\} sıralanır; ikinci düzey olan 2 tedavidir (138–140). Aynı veride 0/1 kodlu örnek ayarla çıktı birebir aynıdır (ESS 98{,}45783442; \hat\tau=1273{,}2618139; SH 770{,}1545). Düzeyler sayıya çevrilebiliyorsa sayısal, değilse alfabetik sıralanır (125–131); mantıksal (True/False) sütun metin sayılır ve alfabetik ikinci düzey True tedavi olur.
S7. Neden ağırlık özetinde tedavi satırı ATT'de hep (n_1;1;1;0)?
ATT'de tedavi görenlerin ağırlığı 1'dir; \mathrm{ESS}=n_1^2/n_1=n_1 ve s(w)=0 olduğundan DK =0. ATC'de aynı durum kontrol satırında görülür (429; 1; 1; 0). ATE'de iki satır da ağırlıklıdır.
128.10 Kaynaklar
- 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
- 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
- Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., et al. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-2649-2
- LaLonde, R. J. (1986). Evaluating the econometric evaluations of training programs with experimental data. The American Economic Review, 76(4), 604–620.
- 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
- Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. Proceedings of the 9th Python in Science Conference, 92–96. https://doi.org/10.25080/Majora-92bf1922-011
- 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
- Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., et al. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2