GARY KING

Este programa é projetado para melhorar a estimativa dos efeitos causais através de um poderoso método de correspondência, que é amplamente aplicável e excepcionalmente fácil de entender e usar (se você entender como desenhar um histograma, você vai entender este método). The program implements the Coarsened Exact Matching (CEM) algorithm described in:

” Causal inferência Without Balance Checking: Grosseiro Correspondência Exata” (Análise Política, 2012) e “Multivariada de Correspondência de Métodos Que são Monotônicas Desequilíbrio Delimitadora” (JASA, 2011), “CEM: Grosseiro Correspondência Exata no Stata” (Stata Jornal, de 2009, com Mateus Blackwell), “CEM: Software para Grosseiro a Correspondência Exata.”(Journal of Statistical Software, 2009),” A Theory of Statistical Inference for Matching Methods in Causal Research ” (2017). Veja também uma explicação dos pesos CEM.

a Correspondência é um método não paramétrico de pré-processamento de dados para controle de alguns ou de todos os potencialmente confusas influência do pré-tratamento de variáveis de controle, reduzindo o desequilíbrio entre os grupos tratado e controle. Após o pré-processamento desta forma, qualquer método de análise que teria sido usado sem correspondência pode ser aplicado para estimar os efeitos causais, embora alguns métodos terão propriedades ainda melhores. CEM é uma Monotonoic Desequilíbrio Delimitadora (MIB) método correspondente — o que significa que o equilíbrio entre os grupos tratado e controle, é escolhido pelo usuário, ex ante, em vez de descobertas através do costume trabalhoso processo de verificação após o fato e repetidamente reestimating, e então ajustar o desequilíbrio em uma variável não tem efeito sobre o máximo de desequilíbrio de qualquer outro. CEM também estritamente limites através ex-ante, a escolha do usuário, tanto o grau de modelo de dependência e a média do efeito do tratamento erro de estimativa, elimina a necessidade de um procedimento separado para restringir os dados comuns de suporte empírico, atende ao princípio da congruência, é robusta para o erro de medição, funciona bem com vários métodos de imputação de dados em falta, pode ser completamente automatizado, e é extremamente rápido computacionalmente mesmo com conjuntos de dados muito grandes. Após o pré-processamento de dados com MCE, o analista pode então usar uma simples diferença de meios ou qualquer modelo estatístico que eles teriam aplicado sem correspondência. O CEM também funciona bem para tratamentos multicategoriais, determinando blocos em projetos experimentais, e avaliando contra-fatores extremos.

CEM foi oficialmente “qualificado para uso científico” pela U. S. Food and Drug Administration.

• por favor, envie todas as perguntas, bugs e pedidos de recursos para a nossa lista de discussão (você deve se inscrever para enviar): Subscrever, ou navegar/procurar arquivos
• CEM pacote para R:

  • to install, from R:
    library (devtools); (install.pacotes (“devtools”) primeiro, se necessário)
    install_ bithub(“https://github.com/IQSS/cem.git”)

  • para documentação, a partir de R, type library (cem), e então ?cem (ou publicado Journal of Statistical Software versão)
  • repositório no Github: https://github.com/IQSS/cem
• CEM no plugin matchit para R: a Maioria dos recursos de CEM são também disponível através do Pacote de R plugin matchit: não paramétricos de pré-Processamento para Paramétrica Inferência Causal.
• CEM para SAS, por Stefano Verzillo, Paolo Berta, e Matteo Bossi
  faça o Download do SAS CEM Macro (Versão: 2/2017, Perguntas: [email protected])
  Veja também: JSCS artigo: “%CEM: UM SAS macro para executar grosseiro correspondência exata”
• CEM por Stata (versão 10 ou posterior):
  • Para instalar, digite:
    rede https://www.mattblackwell.org/files/stata
    instalação de rede de cem
  • Você também pode instalar a partir do SSC:
    ssc instalar cem
  • Para a documentação, o tipo de ajuda “cem” ou faça o download em PDF (ou a versão publicada no Stata Diário: PDF).

• CEM para o SPSS: Site

• CEM para SQL (funciona com bilhões de observações): ZaliQL