Coarsened Exact Matching (CEM)
El Coarsened Exact Matching (CEM) és un mètode de preprocessament que aconsegueix l'equilibri de covariables mitjançant la categorització temporal de variables contínues en intervals (bins), l'aparellament exacte d'unitats tractades i de control dins d'aquests intervals, i el posterior descart de totes les unitats no aparellades. Introduït per Iacus, King i Porro (2011, 2012), limita el desequilibri de cada covariable de manera independent, produint una mostra aparellada sobre la qual es pot aplicar qualsevol estimador sense dependre d'un model de puntuació de propensió.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Mapa de mètodes
El veïnat de mètodes relacionats — seleccioneu un node per explorar-lo.
+17 més
Fonts
- Iacus, S. M., King, G., & Porro, G. (2012). Causal Inference without Balance Checking: Coarsened Exact Matching. Political Analysis, 20(1), 1-24. DOI: 10.1093/pan/mpr013 ↗
- Iacus, S. M., King, G., & Porro, G. (2011). Multivariate matching methods that are monotonic imbalance bounding. Journal of the American Statistical Association, 106(493), 345-361. DOI: 10.1198/jasa.2011.tm09599 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Coarsened Exact Matching Estimator. ScholarGate. https://scholargate.app/ca/causal-inference/coarsened-exact-matching
Quin mètode?
Poseu aquest mètode al costat dels seus parents més pròxims i llegiu-los de costat a costat — la biblioteca disposa els llibres sobre la taula; la tria és vostra.
- Diferència en Diferències (Diff-in-Diff)Econometria↔ compara
- Equilibri d'EntropiaInferència causal↔ compara
- Pes pesat per la probabilitat inversa (IPW / IPTW)Inferència causal↔ compara
- Estimador per emparellamentInferència causal↔ compara
- Emparellament per puntuació de propensióEstadística per a la recerca↔ compara
- Ponderació per puntuació de propensió (PSW / IPW)Inferència causal↔ compara
Citat per
Similar methods
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →