2 gün (10.00-12.00 ve 13.00-15.00 arası)Toplam 8 SaatKategori: Özel Eğitim Açıklamalar:
CATE, “tedavi herkese aynı etkiyi yapmaz” gerçeğini modelleyen bir kavramdır. Tedavi etkisinin kimde, ne kadar, hangi koşullarda değiştiğini ölçer. Stata 19’da yeni geldi.Bu eğitim, ortalama tedavi etkisinin (ATE) tek bir sayı ile özetlenmesinin çoğu durumda yetersiz kaldığını ve etkilerin bireyler arasında farklılaştığını analiz etmeyi öğretir. CATE yaklaşımı, tedavi etkisini bireylerin gözlenen özelliklerine bağlı olarak koşullu biçimde tahmin ederek “kim ne kadar fayda sağlıyor?” sorusuna doğrudan cevap verir . Örneğin aynı politika bazı bireylerde yüksek pozitif etki yaratırken, bazı bireylerde düşük ya da sınırlı etki yaratabilir ve ortalama etki bu farklılıkları gizleyebilir. Eğitimde birey düzeyinde tedavi etkileri tahmin edilerek bu heterojen yapı doğrudan ortaya konur ve sistematik olarak analiz edilir. Ayrıca lasso, random forest, AIPW ve cross-fitting gibi modern yöntemlerle yüksek boyutlu veri altında esnek ve güvenilir tahminler elde edilmesi gösterilir. Böylece katılımcılar yalnızca ortalama etkiyi ölçmekle kalmaz, aynı zamanda hangi bireylerin tedaviden daha fazla fayda sağladığını ve daha etkili tedavi-atama politikalarının nasıl tasarlanacağını analiz edebilir.Gün 1
Tedavi etkileri heterojen mi?
Tedavi etkileri bazı değişkenlere göre nasıl farklılaşıyor?
Tedavi etkileri önceden belirlenmiş gruplar arasında farklılık gösteriyor mu?
Veride, tedavi etkilerinin farklı olduğu bilinmeyen (örtük) gruplar var mı?
Olası tedavi-atama kuralları arasında hangisi en iyisi?
Örnek 1: Tedavi etkisi heterojenliğini keşfetme
Örnek 2: Çok boyutlu kontrol değişkenleri ekleme
Örnek 3: Önceden belirlenmiş gruplar için ATE tahmin etme
Örnek 4: Sürekli bir değişkenin değerlerine göre ATE tahmin etme
Gün 2
Örnek 5: AIPW tahmincisini kullanma
Örnek 6: Veri odaklı grup hipotez testi
Örnek 7: Esnek modeller (örneğin lasso, random forest, spline)
Örnek 8: Tedavi-atama politikalarının değerlendirilmesi