Coarsened Exact Matching (CEM)
Coarsened Exact Matching เป็นวิธีการเตรียมข้อมูลล่วงหน้า (preprocessing method) ที่บรรลุความสมดุลของตัวแปรร่วม (covariate balance) โดยการแบ่งตัวแปรต่อเนื่องออกเป็นช่วงๆ (coarsening) ชั่วคราว, จับคู่หน่วยทดลอง (treated units) และหน่วยควบคุม (control units) อย่างแม่นยำภายในช่วงเหล่านั้น, และจากนั้นจึงทิ้งหน่วยที่ไม่ถูกจับคู่ทั้งหมด วิธีการนี้ถูกนำเสนอโดย Iacus, King, และ Porro (2011, 2012) โดยจำกัดความไม่สมดุลในแต่ละตัวแปรร่วมอย่างอิสระ ทำให้ได้กลุ่มตัวอย่างที่ถูกจับคู่แล้ว ซึ่งสามารถใช้อะไรก็ตามในการประมาณค่า (estimator) โดยไม่ต้องพึ่งพารูปแบบของคะแนนความโน้มเอียง (propensity score model)
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
+17 เพิ่มเติม
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Coarsened Exact Matching Estimator. ScholarGate. https://scholargate.app/th/causal-inference/coarsened-exact-matching
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- Difference-in-Differences (DiD)เศรษฐมิติ↔ เปรียบเทียบ
- Entropy Balancingการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- Inverse Probability Weighting (IPW / IPTW) การถ่วงน้ำหนักด้วยความน่าจะเป็นผกผันการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- ตัวประมาณค่าด้วยการจับคู่การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การจับคู่คะแนนแนวโน้มสถิติการวิจัย↔ เปรียบเทียบ
- การถ่วงน้ำหนักด้วยคะแนนแนวโน้ม (Propensity Score Weighting - PSW / IPW)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ