သင်္ချာဆိုင်ရာမှတ်စု

ငါစမ်းသပ်ချက်နားလည်ရန်အကောင်းဆုံးနည်းလမ်း (ကျနော်အခန်း 2 အတွက်သင်္ချာမှတ်စုထဲမှာဆွေးနွေးထားတဲ့) ကိုအလားအလာရလဒ်များမူဘောင်ဖြစ်ပါတယ်ထင်ပါတယ်။ အလားအလာရလဒ်များမူဘောင်ငါအခန်း 3 မှာဖော်ပြထားတဲ့ကြောင့်ဒီဇိုင်း-based နမူနာကနေအိုင်ဒီယာတစ်ခုနီးကပ်ဆက်ဆံရေးရှိပါတယ် (Aronow and Middleton 2013; Imbens and Rubin 2015, chap. 6) ။ ဒါကနောက်ဆက်တွဲကြောင့်ကွန်နက်ရှင်အလေးပေးဖို့ကဲ့သို့သောလမ်း၌ရေးထားလျက်ရှိ၏ခဲ့တာဖြစ်ပါတယ်။ ဒါဟာအလေးပေးနည်းနည်း Non-ရိုးရာဖြစ်တယ်, ဒါပေမဲ့ကျနော်နမူနာများနှင့်စမ်းသပ်မှုများအကြားဆက်သွယ်မှုကိုအထောက်အကူဖြစ်စေကြောင်းထင်: ကသငျသညျနမူနာအကြောင်းတစ်ခုခုသိလျှင်ပြီးနောက်သင်စမ်းသပ်ချက်များနှင့်အပြန်အလှန်အကြောင်းကိုတစ်ခုခုကိုသိသောကိုဆိုလိုသည်။ ငါသည်ဤမှတ်စုထဲမှာပြသပါလိမ့်မယ်သကဲ့သို့, အလားအလာရလဒ်များမူဘောင်ကြောင်းကျိုးဆက်စပ်ဆိုးကျိုးများခန့်မှန်းဘို့ randomized ထိန်းချုပ်ထားစမ်းသပ်ချက်၏ခွန်အားထုတ်ဖော်ပြသ, ထိုသို့ပင်ဿုံကွပ်မျက်ခံရစမ်းသပ်ချက်တွေနဲ့လုပ်ဆောင်နိုင်ပါတယ်သောအရာကို၏ကန့်သတ်မှုပြသထားတယ်။

ဒီနောက်ဆက်တွဲထဲမှာငါသည်ဤမှတ်စုကိုပိုမို Self-ပါရှိသောစေနိုင်ရန်အတွက်အခန်း 2 အတွက်သင်္ချာမှတ်စုအနေဖြင့်ပစ္စည်းအချို့ကို duplicating, အလားအလာရလဒ်များမူဘောင်ကိုဖော်ပြရန်ပါလိမ့်မယ်။ ထိုအခါငါအကောင်းဆုံးခွဲဝေနှင့်ကွာခြားချက်-In-ကွဲပြားခြားနားမှုခန့်မှန်းချက်တစ်ခုဆွေးနွေးမှုအပါအဝင်ပျမ်းမျှကုသမှုသက်ရောက်မှု၏ခန့်မှန်းချက်များတိကျစွာအကြောင်းကိုအချို့သောအထောက်အကူဖြစ်စေရလဒ်များကိုဖော်ပြရန်ပါလိမ့်မယ်။ ဒါကနောက်ဆက်တွဲအပေါ်အကြီးအကျယ်ဆွဲယူ Gerber and Green (2012) ။

အလားအလာရလဒ်များမူဘောင်

အလားအလာရလဒ်များမူဘောင်သရုပျဖျောနိုင်ဖို့အတွက်ဖွင့်ဝီကီပီးဒီးယားမှအနာဂတ်ပံ့ပိုးမှုများကိုအပေါ်တစ်ဦး barnstar လက်ခံရရှိများ၏အကျိုးသက်ရောက်မှုကိုခန့်မှန်းရန် Restivo နှင့်ဗန်က de Rijt ရဲ့စမ်းသပ်မှုမှပြန်လာကြကုန်အံ့။ ယူနစ်, ကုသ, နှင့်အလားအလာရလဒ်များ: အဆိုပါအလားအလာရလဒ်များမူဘောင်သုံးခုအဓိကဒြပ်စင်ရှိပါတယ်။ Restivo နှင့်ဗန်က de Rijt ၏ဖြစ်ရပ်မှာယူနစ်အယ်ဒီတာများ-သူတို့အားမျှဝေသူဘယ်သူသေးတစ် barnstar လက်ခံရရှိဘူးရဲ့ထိပ် 1% အတွက်ထိုက်သောခဲ့ကြသည်။ ကျနော်တို့အားဖြင့်အညွှန်းကိန်းသည်ဤအယ်ဒီတာများလုပ်နိုင်တာ \(i = 1 \ldots N\) ။ ၎င်းတို့၏စမ်းသပ်မှုအတွက်ကုသနည်း "မရှိ barnstar" "barnstar" သို့မဟုတ်ခဲ့ကြသည်နဲ့ကျွန်မရေးလိုက်ပါလိမ့်မယ် \(W_i = 1\) လူတစ်ဦးလျှင် \(i\) ကုသမှုအခြေအနေဖြစ်ပြီး, \(W_i = 0\) မဟုတ်ရင်။ အလားအလာရလဒ်များ: အလားအလာရလဒ်များမူဘောင်၏တတိယ element ကအရေးအပါဆုံးဖြစ်ပါတယ်။ သူတို့သညျ "အလားအလာ" ရလဒ်များ-အမှုအရာဖြစ်ပျက်နိုင်တယ်လို့ပါဝင်နေသောကြောင့်ဤအနည်းနည်းပိုသဘောတရားခက်ခဲသည်။ တစ်ဦးချင်းစီဝီကီပီးဒီးယားအယ်ဒီတာ, တစျသူမကကုသမှုအခြေအနေ (ထဲမှာလုပ်မယ်ဆိုပြီးတည်းဖြတ်၏နံပါတ်စိတ်ကူးနိုင်ပါတယ် \(Y_i(1)\) ) နှင့်သူမထိန်းချုပ်မှုအခြေအနေ (ထဲမှာလုပ်မယ်ဆိုပြီးအရေအတွက်ကို \(Y_i(0)\) ) ။

ယူနစ်, ကုသ, နှင့်ရလဒ်၏ဤရွေးချယ်မှုသည်ဤစမ်းသပ်မှုကနေလေ့လာသင်ယူနိုင်ပါသည်ဘယ်အရာကိုသတ်မှတ်ပါတယ်သတိပြုပါ။ ဥပမာအားဖြင့်, မည်သည့်အပိုဆောင်းယူဆချက်ခြင်းမရှိဘဲ, Restivo နှင့်ဗန်က de Rijt အားလုံးဝီကီပီးဒီးယားအယ်ဒီတာများပေါ်တွင်သို့မဟုတ်ထိုကဲ့သို့သောပြင်ဆင်ရန်အရည်အသွေးကိုအဖြစ်ရလဒ်များအပေါ် barnstars ၏သက်ရောက်မှုနှင့် ပတ်သက်. ဘာမှမပြောနိုင်ပါဘူး။ ယေဘုယျအားဖြင့်ယူနစ်, ကုသ, နှင့်ရလဒ်များ၏ရွေးချယ်မှုလေ့လာမှုများ၏ပန်းတိုင်များပေါ်တွင်အခြေခံရမည်ဖြစ်သည်။

ဤအအလားအလာရလဒ်များ-ထားတဲ့ 4.5-လူတစ်ဦးများအတွက်ကုသမှု၏ကြောင်းကျိုးဆက်စပ်အကျိုးသက်ရောက်မှုသတ်မှတ်နိုင်ပါတယ် table ထဲမှာအကျဉ်းချုံးထားပါသည်ပေးထား \(i\) အဖြစ်

\[ \tau_i = Y_i(1) - Y_i(0) \qquad(4.1)\]

ငါ့ထံသို့, ဒီညီမျှခြင်းဟာကြောင်းကျိုးဆက်စပ်အကျိုးသက်ရောက်မှုသတ်မှတ်ပေးရန်အရှင်းလင်းနည်းလမ်းဖြစ်ပါတယ်လျက်, အလွန်ရိုးရှင်းပြီးပေမယ့်, ဒီမူဘောင်အများအပြားအရေးကြီးသောနှင့်စိတ်ဝင်စားဖွယ်နည်းလမ်း generalizable ထွက်လှည့် (Imbens and Rubin 2015) ။

ကြှနျုပျတို့သညျဤလမ်းအတွက်ကြောင်းကျိုးဆက်စပ်သတ်မှတ်ပါက, သို့သော်ကျနော်တို့ပြဿနာတစ်ခုသို့ပြေး။ အားလုံးနီးပါးကိစ္စများတွင်ကျနော်တို့နှစ်ဦးစလုံးအလားအလာရလဒ်များစောငျ့ရှောကျဖို့မရကြဘူး။ အကြောင်း, ဝီကီပီးဒီးယားအယ်ဒီတာတစ်ဦး barnstar လက်ခံရရှိသို့မဟုတ်မဖြစ်စေတိကျတဲ့ဖြစ်ပါတယ်။ ထို့ကွောငျ့ကြှနျုပျတို့သအလားအလာ outcomes- ၏တဦးတည်းကိုစောင့်ရှောက်မည် \ \(Y_i(1)\) သို့မဟုတ် \(Y_i(0)\) အခြိနျမပေးနှစ်ဦးစလုံး။ နှစ်ဦးစလုံးအလားအလာရလဒ်များစောငျ့ရှောကျဖို့နိုင်စွမ်းမရှိခြင်းကြောင့်ဤကဲ့သို့သောအဓိကပြဿနာဖြစ်ပါတယ် Holland (1986) ကြောင်းကျိုးဆက်စပ်အခြ၏အခြေခံပြဿနာကြောင့်တောင်းဆိုခဲ့သည်။

ကျနော်တို့သုတေသနလုပ်နေကြတဲ့အခါမှာကံကောင်းထောက်မစွာ, ကျနော်တို့တဦးတည်းပုဂ္ဂိုလ်တစ်ဦးရှိသည်မဟုတ်ကြဘူး, ငါတို့လူများစွာရှိသည်, နှင့်ဤကြောင်းကျိုးဆက်စပ်အခြ၏အခြေခံပြဿနာပတ်လည်လမ်းပေးထားပါတယ်။ အဲဒီအစားတစ်ဦးချင်းစီ-Level ကုသမှုအကျိုးသက်ရောက်မှုကိုခန့်မှန်းရန်ကြိုးပမ်းခြင်းထက်, ငါတို့ပျမ်းမျှကုသမှုအကျိုးသက်ရောက်မှုခန့်မှန်းနိုင်သည်

\[ \text{ATE} = \frac{1}{N} \sum_{i=1}^N \tau_i \qquad(4.2)\]

ဤသည်နေဆဲ၏စည်းကမ်းချက်များ၌ထုတ်ဖော်ပြောဆိုဖြစ်ပါတယ် \(\tau_i\) unobservable နေသော, ဒါပေမယ့်တချို့ algebra (၏ Eq 2.8 နှင့်အတူ Gerber and Green (2012) ) ကြှနျုပျတို့မရ

\[ \text{ATE} = \frac{1}{N} \sum_{i=1}^N Y_i(1) - \frac{1}{N} \sum_{i=1}^N Y_i(0) \qquad(4.3)\]

ညီမျှခြင်းကျနော်တို့ကုသမှုအောက်မှာလူဦးရေပျှမ်းမျှရလဒ်ကို (ခန့်မှန်းနိုင်ပါလျှင် 4.3 ရှိုး \(N^{-1} \sum_{i=1}^N Y_i(1)\) ) နှင့်ထိန်းချုပ်မှုအောက်တွင်လူဦးရေပျှမ်းမျှရလဒ်ကို ( \(N^{-1} \sum_{i=1}^N Y_i(1)\) ), ပြီးရင်ကျွန်တော်ပင်မဆိုအထူးသဖြင့်လူတစ်ဦးအဘို့အကုသမှုအကျိုးသက်ရောက်မှုခန့်မှန်းခြင်းမရှိဘဲ, ပျမ်းမျှကုသမှုအကျိုးသက်ရောက်မှုခန့်မှန်းနိုင်ပါ။

အခုဆိုရင်ကျနော်တို့ estimand-The ကျွန်ုပ်တို့အမှန်တကယ်ဒေတာနှင့်အတူကခန့်မှန်းနိုင်ပုံကိုမှဖွင့်-I'll ခန့်မှန်းဖို့ကြိုးစားနေကြတယ်အရာသတ်မှတ်တော့ပါ။ ငါနမူနာပြဿနာအဖြစ်ဤခန့်မှန်းချက်စိန်ခေါ်မှု (အခန်း 3 ကိုပြန်သင်္ချာမှတ်စုများထင်) ကိုစဉ်းစားလို။ ကျနော်တို့ကျပန်းကုသမှုအခြေအနေစောင့်ရှောက်ခြင်းငှါလူအခြို့ကောက်ကျနော်တို့ကျပန်းပြီးတော့ကျနော်တို့တစ်ဦးချင်းစီအခြေအနေပျမ်းမျှရလဒ်ကိုခန့်မှန်းနိုင်, ထိန်းချုပ်မှုအခြေအနေစောင့်ရှောက်ခြင်းငှါလူအခြို့ကောက်ဆိုပါစို့:

\[ \widehat{\text{ATE}} = \underbrace{\frac{1}{N_t} \sum_{i:W_i=1} Y_i(1)}_{\text{average edits, treatment}} - \underbrace{\frac{1}{N_c} \sum_{i:W_i=0} Y_i(0)}_{\text{average edits, control}} \qquad(4.4)\]

ဘယ်မှာ \(N_t\) နှင့် \(N_c\) ကုသမှုနှင့်ထိန်းချုပ်မှုအခြေအနေများအတွက်လူများ၏နံပါတ်များကိုဖြစ်ကြသည်။ ညီမျှခြင်း 4.4 တစ်ဦးခြားနားချက်-of ​​နည်းလမ်းများခနျ့မှနျးဖြစ်ပါတယ်။ အဘယ်ကြောင့်ဆိုသော်နမူနာဒီဇိုင်းကျနော်တို့ပထမသက်တမ်းကုသမှုအောက်မှာပျမ်းမျှရလဒ်ကိုတစ်ခုဘက်မလိုက်ခနျ့မှနျးဖြစ်ပြီးဒုတိယသက်တမ်းထိန်းချုပ်မှုအောက်တွင်တစ်ဦးဘက်မလိုက်ခနျ့မှနျးကြောင်းကိုငါသိ၏။

Randomization ဖွဆင်ခြင်စဉ်းစားရန်နောက်ထပ်နည်းလမ်းကြုံရာနှစ်ခုအုပ်စုများအချင်းချင်းတူလိမ့်မည်ဟုသေချာဘာဖြစ်လို့လဲဆိုတော့ကုသမှုနှင့်ထိန်းချုပ်မှုအုပ်စုများအကြားနှိုင်းယှဉ်တရားမျှတကြောင်းသေချာသောကွောငျ့ဖွစျသညျ။ ဤသည်အကြံအစည် (ကျား, မပြောပါ) ကြှနျုပျတို့တိုင်းတာကြပါပြီသောအရာတို့ကို (ထိုစမ်းသပ်မှုမပြုမီရက်ပေါင်း 30 အတွင်းတည်းဖြတ်၏နံပါတ်ပြောပါ) နှင့်ကျနော်တို့တိုင်းတာကြပြီမဟုတ်အမှုအရာအဘို့ရရှိထားသူဖြစ်ပါသည်။ နှစ်ဦးစလုံးလေ့လာတွေ့ရှိခြင်းနှင့် unobserved အချက်များပေါ်တွင်ဟန်ချက်သေချာစေရန်ဤသည်နိုင်စွမ်းအရေးကြီးသည်။ unobserved အချက်များပေါ်တွင်အလိုအလျှောက်ချိန်ခွင်ညှိ၏တန်ခိုးကိုတွေ့မြင်ရန်, ဖွင့်အနာဂတ်သုတေသနယောက်ျားမိန်းမတို့သည်ထက်ဆုပိုမိုတုံ့ပြန်မှုဖြစ်ကြောင်းတွေ့ရှိခဲ့ကြောင်းစိတ်ကူးကြကုန်အံ့။ သော Restivo ၏ရလဒ်များကိုနှင့်ဗန်က de Rijt ရဲ့စမ်းသပ်မှု invalidate မလား? randomizing အားဖြင့်အမှတ်, သူတို့ကအားလုံး unobservables မျှော်လင့်အတွက်ဟန်ချက်ညီအောင်ထိန်းမည်ဖြစ်ကြောင်းရရှိနိုင်မည်။ မသိသောဆန့်ကျင်ဤသည်ကာကွယ်စောင့်ရှောက်ရေးဟာအလွန်အစွမ်းထက်သည်, ပြုလုပ်စမ်းသပ်ချက်အခန်း 2 မှာဖော်ပြထားတဲ့ non-စမ်းသပ်နည်းစနစ်ကနေမတူညီတဲ့ဖြစ်ကြောင်းအရေးပါသောနည်းလမ်းဖြစ်ပါတယ်။

တစ်ခုတစ်ခုလုံးကိုလူဦးရေအဘို့အကုသမှုအကျိုးသက်ရောက်မှု defining အပြင်, ကလူတွေများအနက်အချို့သာလျှင်များအတွက်ကုသမှုအကျိုးသက်ရောက်မှုသတ်မှတ်ဖို့ဖြစ်နိုင်ပါတယ်။ ဤသည်ပုံမှန်အားဖြင့်တစ်ဦးခြွင်းချက်ပျမ်းမျှအားကုသမှုအကျိုးသက်ရောက်မှု (Cate) ဟုခေါ်သည်။ ဥပမာအားဖြင့်, Restivo နှင့်ဗန်က de Rijt အားဖြင့်လေ့လာမှုရဲ့ကြောင်းစိတ်ကူးကြကုန်အံ့ \(X_i\) အယ်ဒီတာစမ်းသပ်မှုမပြုမီရက်ပေါင်း 90 အတွင်းမှာတည်းဖြတ်၏ပျမ်းမျှအရေအတွက်ကအထက်သို့မဟုတ်အောက်တွင်ဖော်ပြထားသောခဲ့ရှိမရှိဖြစ်ပါတယ်။ တဦးတည်း, ဤအလင်းနှင့်မိုးသည်းထန်စွာအယ်ဒီတာများအဘို့အသီးခြားစီကုသမှုအကျိုးသက်ရောက်မှုတွက်ချက်နိုင်ပါတယ်။

အလားအလာရလဒ်များမူဘောင်ကြောင်းကျိုးဆက်စပ်အခြနှင့်စမ်းသပ်ချက်စဉ်းစားရန်အစွမ်းထက်နည်းလမ်းဖြစ်ပါတယ်။ သို့သျောလညျးသငျသညျစိတျထဲထားသင့်ကြောင်းနှစ်ခုအပိုဆောင်းရှုပ်ထွေးရှိပါတယ်။ အဲဒီနှစျခုရှုပ်ထွေးမကြာခဏဟူသောဝေါဟာရကိုတည်ငြိမ်ယူနစ်ကုသမှု Value ကို Assumption (SUTVA) အရအတူတကွ lumped နေကြသည်။ SUTVA ၏ပထမဦးဆုံးအစိတ်အပိုင်းတစ်ခုလူတစ်ဦးများအတွက်အရေးပါသောတစ်ခုတည်းသောအရာသောယူဆချက်ဖြစ်ပါတယ် \(i\) 's ရလဒ်ကိုကြောင့်လူတစ်ဦးကုသမှုသို့မဟုတ်ထိန်းချုပ်မှုအခြေအနေဖြစ်ခဲ့သည်ရှိမရှိဖြစ်ပါတယ်။ တနည်းအားဖြင့်ဒါဟာပုဂ္ဂိုလ်တစ်ဦးယူဆနေသည် \(i\) အခြားလူအားပေးပြီးမှကုသမှုအားဖြင့်ထိခိုက်ခြင်းမရှိပါ။ ဤသည်တခါတရံတွင် "မနှောင့်ယှက်" သို့မဟုတ် "အဘယ်သူမျှမ spillovers" ဟုခေါ်၏, အဖြစ်စာဖြင့်ရေးသားနိုင်ပါတယ်:

\[ Y_i(W_i, \mathbf{W_{-i}}) = Y_i(W_i) \quad \forall \quad \mathbf{W_{-i}} \qquad(4.5)\]

ဘယ်မှာ \(\mathbf{W_{-i}}\) လူတစ်ဦး မှလွဲ. လူတိုင်းအတွက်ကုသမှု status အများ၏အားနည်းချက်ကိုဖြစ်ပါတယ် \(i\) ။ လူတစ်ဦးအနေဖြင့်ကုသမှုအခြားသူတစ်ဦးပေါ်သို့ကျော်တွေဆီကိုကူးစက်လျှင်ဤကိုချိုးဖောက်နိုင်တလမ်းတည်းဖြင့်လည်းကောင်းအပြုသဘောသို့မဟုတ်အပျက်သဘောဖြစ်ပါတယ်။ အဆွေခင်ပွန်းနှစ်ယောက်စိတ်ကူး, Restivo နှင့်ဗန်က de Rijt ရဲ့စမ်းသပ်မှုမှပြန်လာသော \(i\) နှင့် \(j\) နှင့်လူတစ်ဦး \(i\) တစ် barnstar အားလက်ခံတွေ့ဆုံနှင့် \(j\) မ။ အကယ်. \(i\) အဆိုပါ barnstar လက်ခံရရှိဖြစ်ပေါ်စေသည် \(j\) (စိတ်ပျက်အားငယ်နေတဲ့အသိထဲက) (ယှဉ်ပြိုင်မှုတစ်အသိထဲက) ကိုပိုပြီးတည်းဖြတ်ဒါမှမဟုတ်ဒီထက်နည်းတည်းဖြတ်ရန်, ထို့နောက် SUTVA ချိုးဖောက်ခဲ့တာဖြစ်ပါတယ်။ ကုသမှု၏သက်ရောက်မှုကုသမှုကိုလက်ခံရရှိအခြားလူများ၏အရေအတွက်စုစုပေါင်းအပေါ်မူတည်ပါလျှင်၎င်းသည်လည်းချိုးဖောက်နိုင်ပါသည်။ Restivo နှင့်ဗန်က de Rijt 1000 သို့မဟုတ် 10000 barnstars အစား 100 ထုတ်ပေးထားခဲ့မယ်ဆိုရင်ဥပမာ, ဒီ barnstar လက်ခံရရှိ၏အကျိုးသက်ရောက်မှုထိခိုက်ကြပေလိမ့်မည်။

; SUTVA သို့ lumped ဒုတိယပြဿနာကသာသက်ဆိုင်ရာကုသသုတေသီကယ်တင်သောတဦးတည်းသောယူဆချက်ဖြစ်ပါသည် ဒီယူဆချက်တစ်ခါတစ်ရံမျှမက hidden ကုသမှုသို့မဟုတ်မပါဝင်ပါ 'ဟုဆိုအပ်၏။ ဥပမာအားဖြင့်, Restivo နှင့်ဗန်က de Rijt အတွက်ကြောင့် barnstar ပေးခြင်းအားဖြင့်သုတေသီများအယ်ဒီတာများတစ်ဦးလူကြိုက်များအယ်ဒီတာများစာမျက်နှာပေါ်တွင်ကြောင့်လူကြိုက်များအယ်ဒီတာများအပေါ်ဖြစ်ခြင်းစာမျက်နှာ-ထက်တစ် barnstar- လက်ခံရရှိခဲ့ featured စေသောအမှုဖြစ်ရပြီစေခြင်းငှါ, ကြောင်းတည်းဖြတ်ရေးအပြုအမူအတွက်အပြောင်းအလဲစေ၏။ ဤစကားမှန်သည်ဆိုပါက, ထို့နောက် barnstar ၏အကျိုးသက်ရောက်မှုနာမည်ကျော်အယ်ဒီတာများစာမျက်နှာပေါ်တွင်ဖြစ်ခြင်း၏အကျိုးသက်ရောက်မှုကနေသိသာစွာကွဲပြားမဟုတ်ပါဘူး။ တစ်သိပ္ပံနည်းကျအမြင်ကနေ, ဒီဆွဲဆောင်မှုသို့မဟုတ်ဆွဲဆောင်မှုမရှိစဉ်းစားရပါမည်လျှင်ဟုတ်ပါတယ်, ရှင်းရှင်းလင်းလင်းမသိရပါဘူး။ ဒါကဖြစ်ပါသည်, သင်တစ်ဦး barnstar လက်ခံရရှိ၏အကျိုးသက်ရောက်မှုဟာ barnstar ကိုအစပျိုးလိုက်ခြင်းသမျှသောနောက်ဆက်တွဲကုသမှုလည်းပါဝင်သည်ဟုသုတေသီစိတ်ကူးနိုင်ဘူး။ သို့မဟုတ်သင်သုတေသနဤသူအပေါင်းတို့သည်အခြားအမှုအရာထဲကနေ barnstars ၏အကျိုးသက်ရောက်မှုခွဲထုတ်ဖို့လိုတဲ့အခွအေနေစိတ်ကူးနိုင်ဘူး။ အဲဒါကိုစဉ်းစားရန်တလမ်းတည်းဖြင့်အဘယ်အရာကိုမှဦးဆောင်ပြုလုပ်ဘာမှရှိလျှင်မေးရန်ဖြစ်ပါသည် Gerber and Green (2012) (စ။ 41) တစ်ဦး "symmetry အတွက်ပြိုကွဲခြင်း" ဟုခေါ်သော? တနည်းအားဖြင့်ကုသမှုနှင့်ထိန်းချုပ်မှုအခြေအနေများအတွက်လူတွေကွဲပြားခြားနားကုသခံရဖို့ဖြစ်စေသည်သောကုသမှုထက်အခြားဘာမှရှိသလော symmetry ကြေကွဲစိုးရိမ်ရလဒ်များအရအိပ်ယာဆေးလုံးယူမှဆေးပညာဆိုင်ရာစမ်းသပ်မှုများတွင်ထိန်းချုပ်မှုအုပ်စုတွင်လူနာများအဘယ်အရာကိုဦးဆောင်လမ်းပြနေကြသည်။ ဒါကလမ်း, သုတေသီများအခြေအနေနှစ်ခုအကြားတစ်ခုတည်းသောခြားနားချက်အမှန်တကယ်ဆေးဝါးနှင့်မဆေးလုံးကိုယူပြီး၏အတွေ့အကြုံကြောင်းကိုသေချာစေနိုင်ပါတယ်။

SUTVA အပေါ်ပိုပြီးအဘို့, ပုဒ်မ 2.7 တွေ့မြင် Gerber and Green (2012) ၏ပုဒ်မ 2.5 Morgan and Winship (2014) နှင့်ပုဒ်မ 1.6 Imbens and Rubin (2015) ။

စေ့စပ်သေချာခြင်း

ယခင်အပိုင်းမှာတော့ကျနော်ပျမ်းမျှကုသမှုအကျိုးသက်ရောက်မှုကိုခန့်မှန်းရန်မည်သို့မည်ပုံဖော်ပြထားပါတယ်။ ဤအပိုင်းကိုခုနှစ်, အဲဒီခန့်မှန်းချက်များအမျိုးမျိုးပြောင်းလဲအကြောင်းကိုအချို့သောစိတ်ကူးများပေးပါလိမ့်မယ်။

သငျသညျနှစျခုနမူနာနည်းလမ်းများအကြားခြားနားချက်ခန့်မှန်းအဖြစ်ပျမ်းမျှကုသမှုအကျိုးသက်ရောက်မှုခန့်မှန်းစဉ်းစားလျှင်, ဒါကြောင့်ပျမ်းမျှကုသမှုအကျိုးသက်ရောက်မှုရဲ့ standard အမှားကြောင်းပြသနိုင်ဖို့ဖြစ်နိုင်:

\[ SE(\widehat{\text{ATE}}) = \sqrt{\frac{1}{N-1} \left(\frac{m \text{Var}(Y_i(0))}{N-m} + \frac{(N-m) \text{Var}(Y_i(1))}{m} + 2\text{Cov}(Y_i(0), Y_i(1)) \right)} \qquad(4.6)\]

ဘယ်မှာ \(m\) ကုသမှုဖို့တာဝန်လူများနှင့် \(Nm\) (ကိုတွေ့မြင်ထိန်းချုပ်ဖို့ Gerber and Green (2012) , eq ။ 3.4) ။ ကုသမှု assign မှလူမည်မျှအကြောင်းကိုနှင့်မည်မျှထိန်းချုပ်မှုမှ assign လုပ်ဖို့စဉ်းစားတဲ့အခါမှာထို့ကြောင့်သင်လျှင်တွေ့နိုင်ပါသည် \(\text{Var}(Y_i(0)) \approx \text{Var}(Y_i(1))\) , ထို့နောက်သင်အလိုရှိ \(m \approx N / 2\) နေသမျှကာလပတ်လုံးကုသမှုနှင့်ထိန်းချုပ်မှုများကုန်ကျစရိတ်အတူတူပါပဲအဖြစ်။ ညီမျှခြင်းအတွက်ဘွန်းနှင့်လုပ်ဖော်ကိုင်ဖက်များက '' ၏ဒီဇိုင်းကိုအဘယ်ကြောင့် 4.6 ရှင်းလင်း (2012) မဲပေးအပေါ်လူမှုရေးအချက်အလက်များ၏အကျိုးသက်ရောက်မှုများနှင့် ပတ်သက်. စမ်းသပ်မှု (ပုံ 4.18) ကစာရင်းအင်းမတတ်နိုင်သောဖြစ်ခဲ့သည်။ ဒါကြောင့်ကုသမှုအခြေအနေသင်တန်းသားများကို 98% ရှိခဲ့ကွောငျးသတိရပါ။ ဒါဟာအလှည့်အတွက်ကုသမှုနှင့်ထိန်းချုပ်မှုအခွအေနေအကြားခန့်မှန်းကွာခြားချက်တိကျစွာကြောင့်ဖြစ်နိုင်ပါတယ်သကဲ့သို့ခန့်မှန်းမခံခဲ့ရဆိုလိုသောပါပြီနိုင်အဖြစ်ထိန်းချုပ်မှုအခြေအနေယုတ်အပြုအမူတိကျစွာအဖြစ်ခန့်မှန်းမရခဲ့ကွောငျးကိုဆိုလို၏။ ကုန်ကျစရိတ်အခြေအနေများအကြားကွဲပြားခြားနားသည့်အခါအပါအဝင်အခြေအနေများသင်တန်းသားများ၏အကောင်းဆုံးခွဲဝေအပေါ်ပိုပြီးအဘို့အတွေ့ List, Sadoff, and Wagner (2011) ။

နောက်ဆုံးအနေနဲ့အဓိကစာသားထဲမှာငါပုံမှန်အားဖြင့်တစ်ဦးရောနှောဒီဇိုင်းအတွက်အသုံးပြုထားတဲ့ပုံကိုတစ်ဦးခြားနားချက်-In-ကွဲပြားခြားနားမှုခန့်မှန်းတွက်ချက်မှုဖော်ပြထားပုံမှန်အားဖြင့်အကြား-ဘာသာရပ်များတစ်ဦးအတွက်အသုံးပြုသည်အရာ, တစ်ဦးခြားနားချက်-In-နည်းလမ်းများခန့်မှန်းချက်များထက်သေးငယ်ကှဲလှဲဖို့ဦးဆောင်လမ်းပြနိုင်ပါတယ် ဒီဇိုင်း။ အကယ်. \(X_i\) ကုသမှုမပြုမီရလဒ်ကို၏တန်ဖိုးပင်ဖြစ်သည်, ထို့နောက်ကျွန်ုပ်တို့ခြားနားချက်-In-ကွဲပြားခြားနားမှုချဉ်းကပ်မှုနှင့်အတူခန့်မှန်းဖို့ကြိုးစားနေသောအရေအတွက်သည်:

\[ \text{ATE}' = \frac{1}{N} \sum_{i=1}^N ((Y_i(1) - X_i) - (Y_i(0) - X_i)) \qquad(4.7)\]

ကြောင်းအရေအတွက်၏စံအမှား (ကြည့်ရှုဖြစ်ပါတယ် Gerber and Green (2012) eq ။ 4.4)

\[ SE(\widehat{\text{ATE}'}) = \sqrt{\frac{1}{N-1} \left( \text{Var}(Y_i(0) - X_i) + \text{Var}(Y_i(1) - X_i) + 2\text{Cov}(Y_i(0) - X_i, Y_i(1) - X_i) \right)} \qquad(4.8)\]

eq ၏တစ်ဦးကနှိုင်းယှဉ်။ 4.6 နှင့် eq ။ 4.8 အခါကွာခြားချက်-In-ကွဲပြားခြားနားမှုချဉ်းကပ်သေးငယ်တဲ့စံအမှားရှိလိမ့်မည်ဟုထုတ်ဖော်ပြသ (တွေ့မြင် Gerber and Green (2012) , eq ။ 4.6)

\[ \frac{\text{Cov}(Y_i(0), X_i)}{\text{Var}(X_i)} + \frac{\text{Cov}(Y_i(1), X_i)}{\text{Var}(X_i)} > 1\qquad(4.9)\]

သည့်အခါအကြမ်းအားဖြင့်, \(X_i\) အလွန်ကြိုတင်ခန့်မှန်းချက်ဖြစ်ပါတယ် \(Y_i(1)\) နှင့် \(Y_i(0)\) , ထို့နောက်သင်တစ်ဦး difference- ထံမှထက်ခြားနားချက်-of ကွဲပြားခြားနားမှုချဉ်းကပ်မှုကနေပိုပြီးတိကျတဲ့ခန့်မှန်းချက်ရနိုင် Of-နည်းလမ်းများထဲမှ။ Restivo နှင့်ဗန်က de Rijt ရဲ့စမ်းသပ်မှုများ၏အခြေအနေတွင်၌ဤအကြောင်းကိုစဉ်းစားရန်တလမ်းတည်းဖြင့်သဘာဝအလျောက်အပြောင်းအလဲအများကြီးလူတွေတည်းဖြတ်သောငွေပမာဏရှိကြောင်းဖြစ်တယ်, ဒါဒီခက်ခဲကုသမှုနှင့်ထိန်းချုပ်မှုအခြေအနေများနှိုင်းယှဉ်စေသည်: ကဆွေမျိုး detect လုပ်ဖို့ခဲယဉ်းသည် ဆူညံရလဒ်ကိုဒေတာအတွက်သေးငယ်တဲ့အကျိုးသက်ရောက်မှု။ သင်တို့မူကားကွာခြားချက်ထွက်ဒီသဘာဝဖြစ်ပေါ်ပြောင်းလဲနိုင်သည်မှန်လျှင်, အဲဒီမှာအများကြီးလျော့နည်းအမျိုးမျိုးပြောင်းလဲဖြစ်ပြီး, ကပိုမိုလွယ်ကူသေးငယ်တဲ့အကျိုးသက်ရောက်မှုကို detect လုပ်ဖို့စေသည်။

ကြည့်ရှုပါ Frison and Pocock (1992) , ခြားနားချက်-of နည်းလမ်းတစ်ခုအတိအကျနှိုင်းယှဉ်မှုအတွက်ခြားနားချက်-of ကွဲပြားခြားနားမှုများနှင့်အများအပြားတိုင်းတာ pre-ကုသမှုနှင့် Post-ကုသမှုရှိပါတယ်ရှိရာပိုပြီးယေဘုယျ setting ကိုအတွက် ANCOVA-based ချဉ်းကပ်။ အထူးသဖြင့်သူတို့ပြင်းပြင်းထန်ထန်ငါကဒီမှာမဖုံးသော, ANCOVA အကြံပြုပါသည်။ နောက်ထပ်တွေ့ McKenzie (2012) မျိုးစုံ Post-ကုသမှုရလဒ်ကိုအစီအမံ၏အရေးပါမှုကိုတစ်ဦးဆွေးနွေးမှုအဘို့။