Donald Rubin: Nedensellik Çıkarımının Harvard Yüzü

"Nedenselliği matematik yap"

Donald Rubin (d. 1943, Washington) — modern nedensellik çıkarımının en etkili figürlerinden. Harvard'da kurduğu okul, sosyal bilim, ekonomi, tıp araştırmasının standart yöntemini belirledi.

Tek cümle: rastgele kontrollü deney sınırını gözlemsel veriye taşıyan kişi.

Yol

• Princeton lisans (1965) — psikoloji.
• Harvard master psikoloji (1966).
• Harvard doktora istatistik (1970) — William Cochran'la.
• Educational Testing Service, Princeton, Wisconsin.
• Harvard istatistik departmanı başkanı (1985-1990, 1990'ların başı).
• 2017 Harvard'dan emekli, Temple Üniversitesi'nde devam.
• Akademik yan: birkaç ekonomi ve sağlık biliminde profesörlük.

Potential Outcomes (Rubin Causal Model)

Klasik nedensellik problemi: "Bu hasta ilaç alsa düzelir mi?"

Rubin'in çerçevesi (1974):

Her birey $i$ için iki potansiyel sonuç:

• $Y_i(1)$: tedavi alırsa sonuç.
• $Y_i(0)$: almazsa sonuç.

Bireysel tedavi etkisi (ITE): $\tau_i = Y_i(1) - Y_i(0)$.

Problem: aynı insan hem aldı hem almadı olamaz. Sadece biri gözlenir.

Rubin: bu eksik veri problemi. EM ile çözebilir misin? Evet — propensity scores, matching, vs.

Propensity Score (1983, Rosenbaum ile)

Propensity score: bir bireyin tedavi olma olasılığı $P(T_i = 1 \mid X_i)$.

Önemli sonuç: aynı propensity'ye sahip bireyleri eşleştirirsen, gözlemsel veriden rastgele kontrollü deney gibi çıkarım yapabilirsin (kovariates kontrolü altında).

Modern ekonomi, epidemiyoloji, politika analizi — propensity score matching standart.

EM algoritması (1977, Dempster, Laird ile)

3 yazardan biri. Eksik veri için genel çözüm — istatistik tarihinin en etkili makalesi.

Multiple Imputation

Eksik veri için birden fazla tahmin → belirsizliği doğru hesapla. Modern survey ve klinik veri standartı.

Akademik etki

• 20.000+ Google Scholar alıntı.
• National Academy of Sciences üyesi.
• COPSS Presidents' Award.
• Doctor honoris causa dünya çapında.
• Genç Bayesçilerin mentörü.

Tarz

• Felsefi ama uygulanabilir: "her teorik sonuç veri üzerinde test edilebilmeli".
• Bayesçi: olasılığı temel almak.
• Eklektik: ekonomi, tıp, eğitim, sosyal bilim — hepsi.
• Yapıcı eleştiri: meslektaşlarına nazik ama kesin.

"Iki kültür" tartışması

Rubin'in pozisyonu:

• Klasik istatistikte: hipotez testleri yetersiz, etki büyüklüğü ve belirsizlik önemli.
• ML'de: nedensellik ihmal ediliyor, sadece korelasyon ile yetiniliyor.

Bu eleştiriler Causal ML alanını doğurdu — Brady Neal, Susan Athey, ZHU Liangjun gibi modern figürler bu yolda.

Judea Pearl ile karşılaştırma

İki büyük nedensellik figürü:

• Rubin: potential outcomes (sayısal, istatistiksel).
• Pearl: graphical (do-operator, causal DAG).

Yıllarca rakipler sanılan iki yaklaşım sonradan eşdeğer kabul edildi. Modern ML'de ikisi de kullanılır.

Türkiye uygulamaları

• Sağlık politikası: COVID dönemi nedensel çıkarım.
• Eğitim ekonomisi: TEOG → LGS değişimi etkisi (propensity score).
• Ekonomi: KOBİ destek programlarının etkisi.
• Sosyal bilim: TÜBİTAK destekli nedensellik çalışmaları.

Felsefi miras

Rubin sık tekrarlar: "İstatistik teknik değil, akıl yürütme aracıdır."

Yani: t-test çalıştırmak değil, doğru soru sormak önemli.

Kapanış

Donald Rubin, 20. yüzyıl istatistiğinin en derin etki yapan figürlerinden. EM algoritması, potential outcomes, propensity score, multiple imputation — dördü de modern veri biliminin temel araçları. Nedenselliği matematiksel olarak ehlileştiren adam.