GARY KING

detta program är utformat för att förbättra uppskattningen av kausala effekter via en extremt kraftfull metod för matchning som är allmänt tillämplig och exceptionellt lätt att förstå och använda (om du förstår hur man ritar ett histogram kommer du att förstå den här metoden). Programmet implementerar den grova exakta matchningsalgoritmen (CEM) som beskrivs i:

” kausal inferens utan balanskontroll: Coarsened Exact Matching “(Political Analysis, 2012) och” Multivariate Matching Methods That are Monotonic Obalance Bounding “(JASA, 2011),” CEM: Coarsened Exact Matching in Stata “(Stata Journal, 2009, med Matthew Blackwell), ” CEM: programvara för Coarsened Exact Matching.”(Journal of Statistical Software, 2009),” en teori om statistisk inferens för matchningsmetoder i kausalforskning ” (2017). Se även en förklaring av CEM-vikter.

matchning är en icke-parametrisk metod för förbehandling av data för att kontrollera för vissa eller alla potentiellt förvirrande påverkan av förbehandlingskontrollvariabler genom att minska obalansen mellan de behandlade och kontrollgrupperna. Efter förbehandling på detta sätt kan alla analysmetoder som skulle ha använts utan matchning tillämpas för att uppskatta kausala effekter, även om vissa metoder kommer att ha ännu bättre egenskaper. CEM är en matchningsmetod för Monotonobalans (MIB) som innebär att balansen mellan de behandlade och kontrollgrupperna väljs av användaren på förhand snarare än att upptäckas genom den vanliga mödosamma processen att kontrollera efter det faktum och upprepade gånger omvärdera, och så att justering av obalansen på en variabel inte har någon effekt på den maximala obalansen hos någon annan. CEM begränsar också strikt genom ex ante användarval både graden av modellberoende och det genomsnittliga behandlingseffektberäkningsfelet, eliminerar behovet av ett separat förfarande för att begränsa data till gemensamt empiriskt stöd, uppfyller kongruensprincipen, är robust mot mätfel, fungerar bra med flera imputeringsmetoder för saknade data, kan vara helt automatiserad och är extremt snabb beräkningsmässigt även med mycket stora datamängder. Efter förbehandling av data med CEM kan analytikern sedan använda en enkel skillnad i medel eller vilken statistisk modell de skulle ha tillämpat utan matchning. CEM fungerar också bra för multicategory-behandlingar, bestämmer block i experimentella mönster och utvärderar extrema kontrafakter.

CEM har officiellt varit “kvalificerad för vetenskaplig användning” av US Food and Drug Administration.

• vänligen skicka alla frågor, buggar och funktionsförfrågningar till vår e-postlista (du måste prenumerera För att skicka): Prenumerera, eller Bläddra/sök Arkiv
• CEM paket för R:

  • för att installera, från R:
    bibliotek (devtools); (installera.paket (“devtools”) först om det behövs)
    install_github(“https://github.com/IQSS/cem.git”)

  • för dokumentation, från R, typ bibliotek (cem), och sedan ?cem (eller den publicerade Journal of Statistical Software version)
  • Github repository: https://github.com/IQSS/cem
• CEM i MatchIt för R: de flesta funktionerna i CEM är också tillgängliga via r-paketet MatchIt: icke-parametrisk förbehandling för parametrisk kausal inferens.
• CEM för SAS, av Stefano Verzillo, Paolo Berta och Matteo Bossi
  ladda ner SAS CEM-makrot (Version: 2/2017, frågor: [email protected])
  Se även JSCs-artikeln: “%CEM: ett SAS-Makro för att utföra grov exakt matchning”
• CEM för Stata (version 10 eller senare):
  • för att installera, skriv:
    net från https://www.mattblackwell.org/files/stata
    Net install cem
  • du kan också installera från SSC:
    SSC install cem
  • för dokumentation, skriv “hjälp cem” eller ladda ner PDF (eller den publicerade versionen i Stata Journal: PDF).

• CEM för SPSS: webbplats

• CEM för SQL (fungerar med miljarder observationer): ZaliQL