Letzte Woche wir haben darüber gesprochen Die großen Veränderungen, die der Instances/Siena-Umfrage bevorstehen:
- Neue Gewichtungsvariable: Unterstützungspunktzahl = E(2024 Abstimmung | andere X-Variablen).
- Neue Gewichtungsmethode: Energieausgleich (Huling & Mak, 2024)
Ben Schneider hilfreich gebloggt Auch zum Thema Energiebilanzierung:
Raking und ähnliche Kalibrierungsmethoden basieren auf dem Ausgleich von Mittelwerten oder Summen für bestimmte Variablen. Die Energieausgleichsmethode macht etwas anderes: Sie kalibriert auf der Grundlage einer gesamten multivariaten Verteilung, gemessen durch eine empirische kumulative Verteilungsfunktion (ECDF).
Jared Huling (von Huling & Mak, 2024) beantwortete hilfreich Fragen in den Kommentaren. Ich rätsele immer noch darüber, wie der Energieausgleich mit leeren Zellen (nicht abgetasteten Bereichen des gemeinsamen Kovariatenraums) umgeht. Ich brauche ein Spielzeugbeispiel.
Betrachten Sie 2 binäre Variablen, additionally 4 Populationszellen, mit bekannten Populationsanteilen:
okay=0 okay=1 whole j=0 .4 .2 .6 j=1 .2 .2 .4 whole .6 .4
Angenommen, in der Stichprobe fehlen Personen in Zelle 11:
okay=0 okay=1 whole j=0 .5 .3 .8 j=1 .2 0 .2 whole .7 .3
Betrachten Sie 4 Methoden:
1. Klassische Poststratifizierung: wegen Division durch 0 nicht definiert.
2. Harken: Passen Sie nur die Ränder an. Korrigieren, wenn Y | X1, X2 ist additiv.
okay=0 okay=1 whole j=0 .2 .4 .6 j=1 .4 0 .4 whole .6 .4
3. Energieausgleich: Minimieren Sie den Energieabstand (F_w, F_pop) zwischen der gewichteten Stichprobenverteilung von X1, X2 und der Populationsverteilung. Korrigieren, wenn Y | X1, X2 ist so, dass benachbarte Zellen ähnliche Mittelwerte haben.
Angenommen, X1 = jung/alt, X2 = Mann/Frau, Y = Prozent Demokraten, und es werden keine alten Frauen befragt.
Das Harken ist korrekt, wenn die Additivität gilt: alte Frauen = junge Frauen + (alte Männer − junge Männer)
Die Energiebilanzierung ist ungefähr dann korrekt, wenn: alte Frauen = (alte Männer + junge Frauen)/2 ?
library(WeightIt)
pop <- information.body(X1 = rep(c(0, 0, 1, 1), c(40, 20, 20, 20)),
X2 = rep(c(0, 1, 0, 1), c(40, 20, 20, 20)))
samp <- information.body(X1 = rep(c(0, 0, 1), c(50, 30, 20)),
X2 = rep(c(0, 1, 0), c(50, 30, 20)))
dat <- rbind(cbind(pop, A = 1),
cbind(samp, A = 0))
W <- weightit(A ~ X1 + X2, information = dat, methodology = "power",
estimand = "ATT", focal = "1",
dist.mat = as.matrix(dist(dat(, c("X1", "X2")))))
w <- W$weights(dat$A == 0)
tapply(w, interplay(samp$X1, samp$X2), sum) / sum(w)
okay=0 okay=1 whole j=0 .381 .309 .69 j=1 .309 0 .309 whole .69 .309
4. MRP: Passen Sie ein Modell für Y | an X1, X2. Das Posterior des Interaktionsterms entspricht seinem Prior, was zu Unsicherheit hinsichtlich der Additivität führt.
Verstehe ich das richtig?