การจับคู่แบบละเอียดหยาบที่เสริมด้วยแมชชีนเลิร์นนิง (ML-CEM)
การจับคู่แบบละเอียดหยาบที่เสริมด้วยแมชชีนเลิร์นนิง (Machine Learning-Augmented Coarsened Exact Matching) เป็นการต่อยอดวิธีการจับคู่แบบละเอียดหยาบ (Coarsened Exact Matching - CEM) (Iacus, King & Porro, 2012) โดยใช้แมชชีนเลิร์นนิงแบบมีผู้สอน (supervised machine learning) เพื่อทำให้ขั้นตอนการทำให้หยาบ (coarsening step) ซึ่งคือการแปลงตัวแปรร่วมแบบต่อเนื่องให้เป็นช่วงๆ (discretisation of continuous covariates into bins) เป็นไปโดยอัตโนมัติและมีประสิทธิภาพสูงสุด แทนที่จะอาศัยจุดตัดที่ผู้วิจัยกำหนดเอง วิธีนี้ช่วยลดทั้งความลำเอียงเฉพาะหน้าในการตัดสินใจทำให้หยาบและความไม่สมดุลที่เหลืออยู่ ในขณะที่ยังคงรักษาหลักการสำคัญของ CEM ในการจับคู่ที่แม่นยำภายในชั้นข้อมูลที่ทำให้หยาบแล้ว
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. (2014). Covariate balancing propensity score. Journal of the Royal Statistical Society: Series B, 76(1), 243-263. DOI: 10.1111/rssb.12027 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Machine Learning-Augmented Coarsened Exact Matching Estimator. ScholarGate. https://scholargate.app/th/causal-inference/machine-learning-augmented-coarsened-exact-matching
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- Coarsened Exact Matching (CEM)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การประมาณค่าแบบทนทานสองเท่า (AIPW)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- Entropy Balancingการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การจับคู่คะแนนความโน้มเอียงที่เสริมด้วยแมชชีนเลิร์นนิงการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- ตัวประมาณค่าด้วยการจับคู่การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การจับคู่คะแนนแนวโน้มสถิติการวิจัย↔ เปรียบเทียบ