GARY KING

dette program er designet til at forbedre estimeringen af årsagseffekter via en ekstremt kraftfuld matchningsmetode, der er bredt anvendelig og usædvanligt let at forstå og bruge (hvis du forstår, hvordan man tegner et histogram, vil du forstå denne metode). Programmet implementerer coarsened eksakt Matching (CEM) algoritme beskrevet i:

“årsagssammenhæng uden Balance kontrol: Coarsened accurate Matching “(Politisk Analyse, 2012) og” Multivariate Matching Methods That are Monotonic ubalance Bounding “(JASA, 2011),” CEM: Coarsened accurate Matching in Stata “(Stata Journal, 2009), ” CEM: program til Coarsened accurate Matching.”(Tidsskrift for statistisk programmel, 2009),” en teori om statistisk slutning for matchende metoder i kausal Forskning ” (2017). Se også en forklaring af CEM-vægte.

Matching er en ikke-parametrisk metode til forbehandling af data til kontrol for nogle eller alle de potentielt forvirrende indflydelse af præbehandlingskontrolvariabler ved at reducere ubalance mellem de behandlede og kontrolgrupper. Efter forbehandling på denne måde kan enhver analysemetode, der ville have været anvendt uden matchning, anvendes til at estimere årsagseffekter, selvom nogle metoder vil have endnu bedre egenskaber. CEM er en monoton ubalance Bounding (MIB) matchningsmetode — hvilket betyder, at balancen mellem de behandlede og kontrolgrupper vælges af brugeren på forhånd snarere end opdaget gennem den sædvanlige besværlige proces med at kontrollere efter faktum og gentagne gange reestimere, og således at justering af ubalancen på en variabel ikke har nogen effekt på den maksimale ubalance af nogen anden. CEM begrænser også strengt gennem forudgående brugervalg både graden af modelafhængighed og den gennemsnitlige estimeringsfejl for behandlingseffekt, eliminerer behovet for en separat procedure for at begrænse data til almindelig empirisk support, opfylder kongruensprincippet, er robust over for målefejl, fungerer godt med flere imputationsmetoder for manglende data, kan automatiseres fuldstændigt og er ekstremt hurtig beregningsmæssigt selv med meget store datasæt. Efter forbehandling af data med CEM kan analytikeren derefter bruge en simpel forskel i midler eller hvilken statistisk model de ville have anvendt uden at matche. CEM fungerer også godt til multikategoriske behandlinger, bestemmelse af blokke i eksperimentelle designs og evaluering af ekstreme kontrafaktiske.

CEM er officielt blevet “kvalificeret til videnskabelig brug” af US Food and Drug Administration.

• send alle spørgsmål, fejl og funktionsanmodninger til vores mailingliste (du skal abonnere for at sende): Abonner, eller Gennemse/Søg arkiver
• CEM pakke til R:

  • for at installere, fra R:
    bibliotek (devtools); (installere.pakker (“devtools”) først om nødvendigt)
    install_github(“https://github.com/IQSS/cem.git”)

  • for dokumentation, fra R, type bibliotek (cem), og derefter ?cem (eller det offentliggjorte Tidsskrift for statistisk Programmelversion)
  • Github repository: https://github.com/IQSS/cem
• CEM i MatchIt for R: de fleste af funktionerne i CEM er også tilgængelige via r-pakken MatchIt: ikke-parametrisk forbehandling til parametrisk kausal slutning.
• CEM for SAS, af Stefano Versillo, Paolo Berta og Matteo Bossi
  Hent SAS CEM-makroen (Version: 2/2017, spørgsmål: [email protected])
  Se også JSCs-artikel: “%CEM: en SAS-makro til at udføre grov nøjagtig matchning”
• CEM til Stata (version 10 eller nyere):
  • for at installere, skriv:
    net fra https://www.mattblackwell.org/files/stata
    net install cem
  • du kan også installere fra SSC:
    ssc install cem
  • for dokumentation, skriv “help cem” eller Hent PDF (eller den offentliggjorte version i Stata Journal: PDF).

• CEM for SPSS: hjemmeside

• CEM for KVL (arbejder med milliarder af observationer): KVL