GARY KING

tämä ohjelma on suunniteltu parantamaan estimointia kausaalisten vaikutusten kautta erittäin tehokas menetelmä matching, joka on laajalti sovellettavissa ja poikkeuksellisen helppo ymmärtää ja käyttää (jos ymmärrät, miten piirtää histogrammi, ymmärrät tämän menetelmän). Ohjelma toteuttaa Coarsened Exact Matching (CEM) – algoritmin, joka on kuvattu julkaisussa:

” Causal Inference Without Balance Checking: Coarsened Exact Matching “(Political Analysis, 2012) ja” Multivariate Matching Methods That are Monotonic epätasapaino Bounding “(JASA, 2011),” CEM: Coarsened Exact Matching in Stata “(Stata Journal, 2009, with Matthew Blackwell), ” CEM: Software for Coarsened Exact Matching.”(Journal of Statistical Software, 2009),” A Theory of Statistical Inference for Matching Methods in Causal Research ” (2017). Katso myös selitys CEM painot.

Matching on ei-parametrinen menetelmä esikäsittelyn tietoja hallita joitakin tai kaikkia mahdollisesti sekoittava vaikutus esikäsittelyä kontrollimuuttujat vähentämällä epätasapainoa käsiteltyjen ja kontrolliryhmien välillä. Kun esikäsittely tällä tavalla, mitä tahansa analyysimenetelmää, jota olisi käytetty ilman matching voidaan soveltaa arvioida syy-vaikutuksia, vaikka jotkut menetelmät ovat vielä parempia ominaisuuksia. CEM on monotoninen epätasapaino Bounding (MIB) matching menetelmä — mikä tarkoittaa, että tasapaino käsiteltyjen ja verrokkiryhmien valitaan käyttäjä etukäteen sen sijaan, että havaitaan tavanomaisen työläs prosessi tarkistaa jälkikäteen ja toistuvasti uudelleen, ja niin, että säätämällä epätasapaino yhden muuttujan ei vaikuta suurin epätasapaino muiden. CEM myös tiukasti Rajat kautta etukäteen käyttäjän valinta sekä aste malliriippuvuuden ja keskimääräinen hoidon vaikutus estimointivirhe, poistaa tarpeen erillisen menettelyn rajoittaa tietoja yhteiseen empiirinen tuki, täyttää kongruence periaate, on vankka mittaus virhe, toimii hyvin useita imputointimenetelmiä puuttuvien tietojen, voidaan täysin automatisoitu, ja on erittäin nopea laskennallisesti jopa hyvin suuria tietojoukkoja. Kun tiedot on käsitelty CEM: llä, analyytikko voi käyttää yksinkertaista keinoeroa tai mitä tahansa tilastollista mallia, jota he olisivat soveltaneet ilman vastaavuutta. CEM toimii hyvin myös monikategorisiin hoitoihin, lohkojen määrittämiseen kokeellisissa malleissa ja äärimmäisien vastavaikutusten arviointiin.

CEM on virallisesti” hyväksytty tieteelliseen käyttöön ” Yhdysvaltain elintarvike-ja lääkeviraston toimesta.

• lähetä kaikki kysymykset, bugit ja ominaisuuspyynnöt postituslistallemme (sinun on tilattava lähettää): Tilaa tai Selaa/Etsi arkistoja
• CEM-paketti R:

  • asennus, alkaen R:
    library (devtools); (install.paketit (“devtools”) ensin tarvittaessa)
    install_github(“https://github.com/IQSS/cem.git”)

  • dokumentaatiota varten R, type library (cem), ja sitten ?cem (or the published Journal of Statistical Software version)
  • GitHub repository: https://github.com/IQSS/cem
• CEM in MatchIt for R: suurin osa CEM: n ominaisuuksista on saatavilla myös R-Paketin MatchIt: Nonparametric Preprocessing for Parametric Causal Inference kautta.
• CEM for SAS, tekijöinä Stefano Verzillo, Paolo Berta ja Matteo Bossi
  Lataa SAS CEM Macro (versio: 2/2017, kysymykset: [email protected])
  Katso myös JSCS: n artikkeli: “%CEM: SAS: n makro, joka suorittaa karkean tarkan sovituksen”
• CEM Statalle (versio 10 tai uudempi):
  • asenna, Kirjoita:
    net https://www.mattblackwell.org/files/stata
    net install CEM
  • voit myös asentaa SSC: stä:
    ssc install CEM
  • dokumentaatiota varten, kirjoita “help cem” tai Lataa PDF (tai Stata Journalissa julkaistu versio: PDF).

• SPSS: n CEM: n verkkosivut

• CEM SQL: lle (toimii miljardeilla havainnoilla): ZaliQL