MerQuR+Başvuru Kitabı

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):
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]\qquad\text{(ATT)}
  • 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 127 dengeleme_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):

f(z)=\frac1{n_0}\Big[\sum_{i:A_i=0}e^{-x_i^\top z}+z^\top M\Big],\qquad M=\sum_{i:A_i=1}x_i,\qquad \nabla f=-\frac1{n_0}\sum_{A_i=0}w_ix_i+\frac{M}{n_0}

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):

\text{ikili: }d=\bar x_1^{(w)}-\bar x_0^{(w)},\qquad \text{sürekli: }d=\frac{\bar x_1^{(w)}-\bar x_0^{(w)}}{s},\qquad s=\begin{cases}s_1&\text{ATT}\\ s_0&\text{ATC}\\ \sqrt{(s_1^2+s_0^2)/2}&\text{ATE}\end{cases}

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:

\hat\tau=g^\top\hat\beta,\qquad g=\frac1{|S|}\sum_{i\in S}\big[z_i(1)-z_i(0)\big]

(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:

\widehat V=\hat J^{-1}\Big(\sum_i\psi_i\psi_i^\top\Big)\hat J^{-\top},\qquad \mathrm{SH}(\hat\tau)=\sqrt{g^\top\widehat V_{\beta\beta}g},\qquad \hat J=\frac{\partial\sum_i\psi_i}{\partial\theta^\top}

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/kontrol metin sütununda, Veri sekmesinde hangi türde işaretli olursa olsun tedavi tedavi'dir (+1273{,}26). Başka düzeyi tedavi saymak için tedavi_duzeyi alanını 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_satir ağırlıkları yalnız tedavi ve ortak değişkenlerin tam olduğu satırlarda kestirir (n=607).
  • Eş doğrusal ortak değişkenler. Bir sütun öbürünün katıysa (ör. re75 ve 2·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