Cyfroteka.pl

klikaj i czytaj online

Cyfro
Czytomierz
00128 004260 12920487 na godz. na dobę w sumie
Propensity Score Matching - ebook/pdf
Propensity Score Matching - ebook/pdf
Autor: Liczba stron: 169
Wydawca: Wydawnictwa Uniwersytetu Warszawskiego Język publikacji: polski
ISBN: 978-8-3235-1696-5 Data wydania:
Lektor:
Kategoria: ebooki >> poradniki >> ogólne
Porównaj ceny (książka, ebook, audiobook).
Książka omawia własności statystyczne metody Propensity Score Matching w małej próbie. Porównano w niej na gruncie symulacji różne estymatory łączenia wykorzystujące prawdopodobieństwo w małych próbach. Porównaniu są poddane estymatory służące do szacowania przeciętnych efektów oddziaływania (ATE) oraz przeciętnych efektów oddziaływania wobec jednostek poddanych oddziaływaniu (ATT). Dla obu efektów porównywane są estymatory wykorzystujące łączenie 1 do 1 według prawdopodobieństwa oraz wykorzystujące ważenie obserwacji odwrotnością oszacowania prawdopodobieństwa poddania oddziaływaniu (propensity score). Publikacja adresowana jest głównie do specjalistów z zakresu metod ilościowych w ekonomii, zajmujących się ilościową ewaluacją programów.
Znajdź podobne książki Ostatnio czytane w tej kategorii

Darmowy fragment publikacji:

Wprowadzenie W ostatnich latach metody mikroekonometryczne zdobywaj ˛a co- raz wi˛eksz ˛a popularno´s´c i uznanie badaczy. Jest to zwi ˛azane przede wszystkim z rozwojem technik gromadzenia i przetwarzania danych. Mikroekonometria to grupa metod przeznaczona do analizy mikroda- nych. Współcze´snie mikrodane, czyli dane jednostkowe, s ˛a gromadzone w wielu dziedzinach gospodarki takich jak finanse, ubezpieczenia, rynek pracy czy badanie zachowania gospodarstw domowych. Jednym z obszarów analiz ilo´sciowych prowadzonych na poziomie mikro jest analiza skuteczno´sci działa´n podejmowanych przez instytucje publiczne. Dotyczy to przede wszystkim ró˙znych form wsparcia takich jak szkolenia podnosz ˛ace kwalifikacje pracowników, szkolenia dla osób bezrobotnych czy programy wsparcia dla firm. Z reguły takie działania s ˛a skierowane do specyficznych grup odbiorców. Wyst˛epuj ˛ace zjawisko selekcji lub samoselekcji próby uniemo˙zliwia przeprowadzenie ilo´scio- wej oceny skuteczno´sci tych działów z wykorzystaniem klasycznych narz˛edzi ekonometrycznych (Strawi´nski 2007). Metoda ł ˛aczenia danych jest narz˛edziem pozwalaj ˛acym na ocen˛e skuteczno´sci podejmowanych działa´n o charakterze programów. Jest to grupa metod, wywodz ˛aca si˛e z nauk eskperymentalnych i przeniesiona na grunt dziedzin nauki, w których prowadzenie w pełni kontrolowanych eksperymentów nie jest mo˙zliwe albo jest w znacznym stopniu ograni- czone. Na przykład, nie jest mo˙zliwe przeprowadzenie eksperymental- nego badania skuteczno´sci leku, który mo˙ze zagra˙za´c zdrowiu lub ˙zyciu (Szulc 2012). Ł ˛aczenie danych pozwala uzyska´c odpowied´z na pytanie, „co by si˛e stało, gdyby”. Nie jest ono pytaniem nowym ani specyficznym 8 Wprowadzenie dla nauk ekonomicznych. W naukach eksperymentalnych badacze po- szukuj ˛a na nie odpowiedzi, dokonuj ˛ac serii eksperymentów. W dzie- dzinach, w których nie jest to mo˙zliwe, wykorzystuje si˛e dost˛epny aparat matematyczny do nadania wła´sciwo´sci zbioru eksperymentalnego danym niepochodz ˛acym z eksperymentu. Jedn ˛a z takich metod jest ł ˛aczenie danych. Umo˙zliwia ona przeprowadzenie analizy kontrfaktycz- nej. Jednym ze sposobów ł ˛aczenia danych, który w ostatnich latach uzyskał uznanie badaczy, jest ł ˛aczenie według prawdopodobie´nstwa (ang. Propensity Score Matching). Zastosowanie metody nie ogranicza si˛e do nauk ekonomicznych, jest ona z powodzeniem wykorzystywana w medycynie, naukach politycznych czy naukach rolniczych. Niniejsza ksi ˛a˙zka jest pogł˛ebionym studium własno´sci statystycz- nych estymatorów metody Propensity Score Matching, stosowanych do szacowania przeci˛etnych efektów oddziaływania. Asymptotyczne wła´sciwo´sci estymatorów zostały ju˙z przez badaczy opisane, brakuje natomiast bada´n dotycz ˛acych prób o niewielkiej liczbie obserwacji. Niniejsza ksi ˛a˙zka jest prób ˛a wypełnienia tej luki. Efekty oddziaływania mo˙zna szacowa´c, wykorzystuj ˛ac wiele sposobów. Dwoma najcz˛e´sciej wykorzystywanymi miarami s ˛a przeci˛etny efekt oddziaływania oraz przeci˛etny efekt oddziaływania wobec jednostek poddanych oddziały- waniu. Pierwsza wskazuje, jaki jest efekt działania programu wobec przeci˛etnej jednostki w populacji. Druga miara opisuje efekt działania programu wobec jednostek w tym programie uczestnicz ˛acych. W kon- tek´scie szacowania tych wielko´sci zostan ˛a ukazane wła´sciwo´sci staty- styczne estymatorów uzyskiwanych z wykorzystaniem dwóch metod bazuj ˛acych na oszacowaniach propensity score, czyli prawdopodobie´n- stwa poddania oddziaływaniu. Wspomnianymi metodami b˛ed ˛a ł ˛aczenie danych według prawdopodobie´nstwa oraz wa˙zenie odwrotno´sci ˛a osza- cowania prawdopodobie´nstwa. Pewn ˛a trudno´sci ˛a, która stała przed autorem, jest brak ugruntowanej terminologii w j˛ezyku polskim dotycz ˛acej metod ł ˛aczenia danych. Jedyn ˛a znan ˛a autorowi pozycj ˛a o charakterze akademickim, w której tematyka ł ˛aczenia danych jest omawiania, jest podr˛ecznik Mikroeko- nometria pod redakcj ˛a prof. dr. hab. Marka Gruszczy´nskiego. Kilka lat temu, przed powstaniem pierwszego wydania podr˛ecznika, próbo- Wprowadzenie 9 wali´smy uzgodni´c jednolite tłumaczenia angloj˛ezycznych terminów. W wielu przypadkach si˛e to udało, jednak drobne ró˙znice pozostały. Przykładem takiej rozbie˙zno´sci jest tłumaczenie na j˛ezyk polski poj˛ecia matching estimation. W podr˛eczniku Mikroekonometria zaproponowano „estymacja przez dopasowanie” (rozdział 9 autorstwa Adama Szulca), ja proponuj˛e „estymacja przez ł ˛aczenie”. Obie propozycje s ˛a dosłownymi tłumaczeniem poj˛ecia matching. Oznacza ono zarówno dopasowywanie, dobieranie, jak i ł ˛aczenie w pary. Wydaje mi si˛e, ˙ze termin „ł ˛aczenie” lepiej oddaje charakter poj˛ecia, gdy˙z jego istot ˛a jest ł ˛aczenie podob- nych obserwacji, najcz˛e´sciej w pary. Ponadto w ekonometrii słowo „dopasowanie” jest kojarzone ze stopniem dopasowania modelu do danych empirycznych. Aby unikn ˛a´c niejasno´sci terminologicznej, na ko´ncu niniejszej ksi ˛a˙zki jest umieszczony zał ˛acznik, w którym zesta- wiono stosowane tłumaczenia na j˛ezyk polski terminów angloj˛ezyczych. Dodatkowo w celu unikni˛ecia zamieszania, w ksi ˛a˙zce obok okre´sle´n polskich pojawiaj ˛a si˛e ich angloj˛ezyczne odpowiedniki. Osobnego komentarza wymaga wyja´snienie tytułu ksi ˛a˙zki. Jego pierwszy człon jest w j˛ezyku angielskim, nie ma bowiem utrwalone- go w literaturze tłumaczenia go na j˛ezyk polski. Moje tłumaczenie „ł ˛aczenie według prawdopodobie´nstwa” stara si˛e odda´c istot˛e metody, jednak nawet dla specjalistów w dziedzinie mikroekonometrii mogłoby by´c niezrozumiałe. W pracy oba poj˛ecia b˛ed ˛a pojawia´c si˛e wymiennie, chocia˙z Propensity Score Matching cz˛e´sciej. Ta sama uwaga dotyczy poj˛ecia propensity score i jego tłumaczenia – „prawdopodobie´nstwo oddziaływania”. Na ksi ˛a˙zk˛e składaj ˛a si˛e trzy rozdziały. Zadaniem pierwszego jest wprowadzenie czytelnika w ´swiat efektów oddziaływania i ł ˛aczenia danych. Ma on charakter teoretycznego przegl ˛adu najwa˙zniejszych prac z literatury dotycz ˛acej analizy kontrfaktycznej i ł ˛aczenia danych. Zaprezentowano fundamenty analizy kontrfaktycznej, które wywodz ˛a si˛e z prac Neymana (1923a i 1923b) i Fishera (1925) na temat rando- mizacji. Opisano dwa podstawowe efekty oddziaływania oraz warunki ich identyfikacji. Opieraj ˛ac si˛e na fundamentalnej pracy Rosenbauma i Rubina (1983), omówiono metod˛e ł ˛aczenia obserwacji oraz propo- zycj˛e autorów wykorzystania propensity score do ł ˛aczenia obserwa- 10 Wprowadzenie cji. W dalszej cz˛e´sci rozdziału przedstawiono zało˙zenia i statystyczne wła´sciwo´sci metody Propensity Score Matching w du˙zych próbach. Fragment tej cz˛e´sci bazuje na mojej rozprawie doktorskiej. Warto´sci ˛a dodan ˛a jest zebranie w jednym miejscu wyników najwa˙zniejszych prac z ostatnich 15 lat. Rozdział zamyka prezentacja ró˙znych algorytmów u˙zywanych do ł ˛aczenia danych oraz narz˛edzi diagnostycznych pozwa- laj ˛acych oceni´c jako´s´c uzyskanego ł ˛aczenia. Omówiono ró˙zne warianty algorytmu dobierania najbli˙zszego s ˛asiada – jego zalet ˛a jest szybko´s´c, a wad ˛a niejednoznaczno´s´c. Innym algorytmem jest wa˙zenie odwrotno- ´sci ˛a oszacowania prawdopodobie´nstwa, którego jako´s´c zale˙zy m.in. od jako´sci przyj˛etego modelu dla prawdopodobie´nstwa. Rozdział ko´nczy prezentacja dyskusji naukowej, która toczyła si˛e na pocz ˛atku XXI wieku i dotyczyła zagadnienia, czy wykorzystuj ˛ac metody ł ˛aczenia według prawdopodobie´nstwa, mo˙zna odtworzy´c wyniki eksperymentalne. W rozdziale drugim zaprezentowano wyniki bada´n symulacyjnych nad wła´sciwo´sciami estymatorów metody ł ˛aczenia według prawdopodo- bie´nstwa w małych próbach. Własno´sci metod statystycznych w małych próbach s ˛a kluczowe w praktycznym zastosowaniu narz˛edzi ekonome- trycznych. W konkretnych problemach badawczych, np. w pomiarze efektu interwencji na rynku pracy, badacz zazwyczaj staje przed ocen ˛a ilo´sciowego efektu oddziaływania na podstawie badania o charakterze pilota˙zowym. Cech ˛a charakterystyczn ˛a bada´n pilota˙zowych jest ich niewielka skala, a zatem niewielka liczebno´s´c próby. Wa˙zna jest wi˛ec informacja, czy wła´sciwo´sci statystyczne metod ł ˛aczenia, które udo- wodniono, korzystaj ˛ac z twierdze´n granicznych, s ˛a równie˙z zachowane w próbach o liczebno´sciach zbli˙zonych do liczebno´sci prób rzeczy- wistych. W literaturze brakuje ogólnych prac dotycz ˛acych własno´sci estymatorów metody Propensity Score Matching w małych próbach. W rozdziale zaprezentowano wyniki własnych oryginalnych bada´n sy- mulacyjnych. Struktura eksperymentalnego planu symulacyjnego jest analogiczna do moich wcze´sniejszych prac. Wykorzystany plan eks- perymentalny oraz cz˛e´s´c prezentowanych wyników dla estymatorów przeci˛etnych efektów oddziaływania wobec jednostek poddanych od- działywaniu zostały wcze´sniej opublikowane przeze mnie w artykułach. Cech ˛a odró˙zniaj ˛ac ˛a uzyskane wyniki od wcze´sniejszych rezultatów jest Wprowadzenie 11 cel badania oraz jego du˙zo szerszy zakres. Analizowano dwa sposoby szacowania efektów oddziaływania oraz wpływ ró˙znych technik wy- muszaj ˛acych spełnienie zało˙ze´n metody Propensity Score Matching na statystyczne własno´sci estymatorów dla efektów oddziaływania. Anali- zowano standardowe miary jako´sci: obci ˛a˙zenie, wariancj˛e i pierwiastek bł˛edu ´sredniokwadratowego estymatora. Nowym elementem niewyst˛e- puj ˛acym we wcze´sniejszych pracach s ˛a analizy rozmiaru procedury ł ˛aczenia i mocy testów istotno´sci estymatora oszacowanej warto´sci efektu oddziaływania. Celem trzeciego rozdziału jest próba prezentacji zastosowa´n i wła- ´sciwo´sci statystycznych omawianych metod zastosowanych do analizy rzeczywistych zbiorów danych. W rozdziale zaprezentowano cztery przykłady. Pierwszy z nich jest oryginalnym badaniem pokazuj ˛acym, w jaki sposób mo˙zna wykorzysta´c dost˛epne dane pochodz ˛ace z Badania Aktywno´sci Ekonomicznej Ludno´sci (BAEL) do oceny skuteczno´sci dodatkowych szkole´n podnosz ˛acych kwalifikacje zawodowe oraz ich wpływu na sytuacj˛e uczestnicz ˛acych w nich pracowników. Pozostałe przykłady zostały zaadaptowane z literatury. Drugi z nich powstał na podstawie artykułu, którego jestem współautorem. W przykładzie s ˛a porównane relatywne korzy´sci dla gospodarstw wiejskich z wyboru strategii dywersyfikacji albo specjalizacji działalno´sci. Trzeci przykład pochodzi z mojego własnego artykułu. S ˛a w nim analizowane dane dotycz ˛ace ameryka´nskiego programu subsydiowanych miejsc pracy. Celem badania jest oszacowanie efektu brutto programu, czyli efektu dla beneficjenta bez uwzgl˛edniania kosztu programu. Ostatni przykład został zaadaptowany z artykułu Vanderberghe’a i Robina (2004). Celem artykułu jest porównanie wpływu umieszczania dzieci w szkołach pry- watnych na ich osi ˛agni˛ecia edukacyjne. W ka˙zdym z przykładów podj˛eto prób˛e oszacowania przeci˛etnego efektu oddziaływania (ATE) oraz przeci˛etnego efektu oddziaływania wobec jednostek poddanych oddziaływaniu (ATT) metod ˛a ł ˛aczenia według oszacowanych warto´sci propensity score oraz metod ˛a prze- wa˙zania według odwrotno´sci oszacowa´n propensity score. Wskazano na dwa wa˙zne wyniki. Po pierwsze, wykorzystanie metod ł ˛aczenia danych przyczynia si˛e do zblilansowania rozkładów cech w grupie 12 Wprowadzenie eksperymentalnej i dobranej do niej grupie kontrolnej. Po drugie, nie istnieje jedna uniwersalna i zawsze skuteczna metoda wykorzystania wektorów prawdopodobie´nstwa oddziaływania w małych próbach.
Pobierz darmowy fragment (pdf)

Gdzie kupić całą publikację:

Propensity Score Matching
Autor:

Opinie na temat publikacji:


Inne popularne pozycje z tej kategorii:


Czytaj również:


Prowadzisz stronę lub blog? Wstaw link do fragmentu tej książki i współpracuj z Cyfroteką: