facebookresearch/balance

解決的問題

balance 是為了減輕數據樣本中的偏差而設計的——例如來自調查或觀察性研究的樣本——這些樣本未能準確反映目標人口。當存在抽樣偏差或非回應偏差時，從樣本數據中推論整體特徵會變得困難。

工作原理

此套件實作了一個工作流程，用於擬合與評估樣本中每個單位的權重。這些權重代表特定受訪者代表目標人口中的多少人，有效「平衡」樣本，使其與目標人口的輔助資訊（共變量）分佈相符。

關鍵調整方法包括：

• 逆機率加權（IPW），使用 L1（LASSO）懲罰。
• 共變量平衡傾向得分（CBPS）。
• 事後分層（Post-stratification）。
• 重加權（Raking）。

它也提供工具，使用逆機率加權平均值（$\mu\hat{}{IPW}$）或結果模型估計值（$\mu\hat{}{OM}$）來估計整體結果，以及一種雙重穩健（AIPW）估計器。

適用對象

適用於需要平衡有偏差樣本以產生準確整體估計的研究人員、調查方法學家、人口統計學家、UX 研究人員、市場研究人員，以及資料科學家或機器學習工程師。

特色亮點

• 多種調整方法：支援 IPW、CBPS、重加權與重加權事後分層。
• 全面的診斷工具：包含條形圖、密度圖、QQ 圖與「Love 圖」，以視覺化調整前後共變量的平衡狀況。
• 統計摘要：提供絕對標準化平均差（ASMD）與 Kish 的設計效應，用於評估權重品質。
• 與 diff-diff 整合：提供輕量級適配器，可使用 balance 產生的權重進行差異中的差異分析。
• 結果估計：支援 IPW 與結果模型估計器，以進行穩健性檢驗。