GARY KING

dit programma is ontworpen om de schatting van causale effecten te verbeteren via een zeer krachtige methode van matching die breed toepasbaar is en uitzonderlijk gemakkelijk te begrijpen en te gebruiken (als je begrijpt hoe je een histogram te trekken, zult u deze methode begrijpen). Het programma implementeert het Coarsened Exact Matching (CEM) algoritme beschreven in:

” Causal Inference Without Balance Checking: Coarsened Exact Matching ” (Political Analysis, 2012) and “Multivariate Matching Methods That are monotone onbalans 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). Zie ook een uitleg van Cem gewichten.

Matching is een niet-parametrische methode voor de voorbewerking van gegevens om de mogelijk verstorende invloed van variabelen voor de voorbehandeling van de controle te controleren door de onbalans tussen de behandelde en de controlegroepen te verminderen. Na het voorbewerken op deze manier kan elke analysemethode die zonder matching zou zijn gebruikt, worden toegepast om causale effecten te schatten, hoewel sommige methoden nog betere eigenschappen zullen hebben. CEM is een monotonoic onbalans Bounding (MIB) matching methode — wat betekent dat de balans tussen de behandelde en controlegroepen wordt gekozen door de gebruiker ex ante in plaats van ontdekt door het gebruikelijke moeizame proces van het controleren na het feit en herhaaldelijk opnieuw schatten, en zodat het aanpassen van de onbalans op een variabele heeft geen effect op de maximale onbalans van een andere. CEM ook strikt beperkt door ex ante gebruiker keuze zowel de mate van model afhankelijkheid en de gemiddelde behandeling effect schatting fout, elimineert de noodzaak voor een aparte procedure om gegevens te beperken tot gemeenschappelijke empirische ondersteuning, voldoet aan het Congruentie principe, is robuust voor meetfout, werkt goed met meerdere toerekeningsmethoden voor ontbrekende gegevens, kan volledig worden geautomatiseerd, en is zeer snel rekenkundig zelfs met zeer grote datasets. Na de voorbewerking van de gegevens met CEM, kan de analist dan gebruik maken van een eenvoudig verschil in middelen of welk statistisch model ze zouden hebben toegepast zonder matching. CEM werkt ook goed voor multicategorie behandelingen, het bepalen van blokken in experimentele ontwerpen, en het evalueren van extreme counterfactuals.

CEM is officieel “gekwalificeerd voor wetenschappelijk gebruik” door de Amerikaanse Food and Drug Administration.

• stuur alle vragen, bugs en feature requests naar onze mailinglijst (u moet zich abonneren om te verzenden): Abonneren, of Bladeren/Zoeken Archieven
• CEM pakket voor R:

  • om te installeren vanuit R:
    library (devtools); (install.pakketten (“devtools”) eerst indien nodig)
    install_github(“https://github.com/IQSS/cem.git”)

  • voor documentatie typt u vanuit R bibliotheek(CEM) en vervolgens ?cem (of de gepubliceerde versie van Journal of Statistical Software)
  • GitHub repository: https://github.com/IQSS/cem
• CEM in MatchIt voor R: De meeste functies van CEM zijn ook beschikbaar via het R pakket MatchIt: Nonparametric Preprocessing voor parametrische Causale gevolgtrekking.
• CEM voor SAS, door Stefano Verzillo, Paolo Berta, en Matteo Bossi
  Download de SAS CEM Macro (Versie: 2/2017, Vragen: [email protected])
  Zie ook JSCS artikel: “%CEM: EEN SAS-macro uit te voeren grof exacte matching”
• CEM voor staten bestaan (versie 10 of hoger):
  • Te installeren, type je:
    netwerk https://www.mattblackwell.org/files/stata
    netto installeren cem
  • Je kunt ook de installatie van het SSC:
    ssc installeren cem
  • Voor documentatie, type “help cem” of download de PDF (of de gepubliceerde versie in De staten bestaan Journal: PDF).

• CEM voor SPSS: Website

• CEM voor SQL( werkt met miljarden waarnemingen): ZaliQL