Regression modelQuasi-experimental / causal inference
機械学習拡張型粗視化完全一致法（ML-CEM）
機械学習拡張型粗視化完全一致法（ML-CEM）は、連続共変量をビンに離散化する粗視化ステップを、研究者が指定したカットポイントに依存するのではなく、教師あり機械学習を用いて自動化・最適化することで、粗視化完全一致法（Iacus, King & Porro, 2012）を拡張したものである。これにより、粗視化決定におけるアドホックな主観性が減少し、残差的な不均衡が軽減される一方で、粗視化された層内での完全一致というCEMの核となる論理が維持される。
MethodMindで開く近日公開Apply, compare, get guidance
Tools & resources
Learn & explore
動画近日公開
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
手法マップ
関連する手法の近傍 — ノードを選択して探索できます。
出典
- 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 ↗
- Imai, K., & Ratkovic, M. (2014). Covariate balancing propensity score. Journal of the Royal Statistical Society: Series B, 76(1), 243-263. DOI: 10.1111/rssb.12027 ↗
このページの引用方法
ScholarGate. (2026, June 3). Machine Learning-Augmented Coarsened Exact Matching Estimator. ScholarGate. https://scholargate.app/ja/causal-inference/machine-learning-augmented-coarsened-exact-matching
どの手法を選ぶ？
この手法を最も近い類縁の手法と並べ、両者を見比べてください — ライブラリは本を机の上に並べるだけ。選ぶのはあなたです。
- 粗化完全マッチング（CEM）因果推論↔ 比較
- 二重に頑健な推定量（AIPW）因果推論↔ 比較
- エントロピー・バランシング因果推論↔ 比較
- 機械学習拡張プロペンシティスコアマッチング因果推論↔ 比較
- マッチング推定量因果推論↔ 比較
- 傾向スコアマッチング研究統計↔ 比較
Similar methods
Coarsened Exact MatchingMachine Learning-Augmented Matching EstimatorPolicy Evaluation Coarsened Exact MatchingBayesian Coarsened Exact MatchingPanel Data Coarsened Exact MatchingHeterogeneous Treatment Effect Coarsened Exact MatchingMachine Learning-Augmented Propensity Score MatchingMachine Learning-Augmented Entropy Balancing