การจับคู่แบบแม่นตรงที่ถูกทำให้หยาบเพื่อผลกระทบของการรักษาที่แตกต่างกัน
การจับคู่แบบแม่นตรงที่ถูกทำให้หยาบเพื่อผลกระทบของการรักษาที่แตกต่างกัน (HTE-CEM) เป็นการขยายกรอบการทำงานของการจับคู่แบบแม่นตรงที่ถูกทำให้หยาบ (CEM) เพื่อประมาณว่าผลกระทบของการรักษาแตกต่างกันไปในแต่ละกลุ่มย่อยหรือลักษณะเฉพาะของแต่ละบุคคลอย่างไร หลังจาก CEM สร้างชั้นที่สมดุลโดยการทำให้ตัวแปรต่อเนื่องหยาบเป็นกลุ่มและจับคู่หน่วยต่างๆ ภายในแต่ละกลุ่มอย่างแม่นตรงแล้ว จะมีการคำนวณค่าเฉลี่ยผลกระทบของการรักษาโดยมีเงื่อนไข (CATEs) ภายในหรือข้ามชั้นเหล่านี้ เพื่อเปิดเผยว่าการรักษาได้ผลอย่างไร สำหรับใคร และมากน้อยเพียงใด
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
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 ↗
- Imai, K., & Ratkovic, M. (2013). Estimating treatment effect heterogeneity in randomized program evaluation. Annals of Applied Statistics, 7(1), 443-470. DOI: 10.1214/12-AOAS593 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Heterogeneous Treatment Effect Estimation via Coarsened Exact Matching. ScholarGate. https://scholargate.app/th/causal-inference/heterogeneous-treatment-effect-coarsened-exact-matching
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- Coarsened Exact Matching (CEM)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- Difference-in-Differences (DiD)เศรษฐมิติ↔ เปรียบเทียบ
- Entropy Balancingการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การจับคู่คะแนนแนวโน้มเพื่อผลกระทบของการรักษาที่แตกต่างกันการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การจับคู่คะแนนแนวโน้มสถิติการวิจัย↔ เปรียบเทียบ