Robust Matching Estimator (การประมาณค่าด้วยการจับคู่ที่ทนทานต่อความคลาดเคลื่อน)
การประมาณค่าด้วยการจับคู่ที่ทนทานต่อความคลาดเคลื่อน ซึ่งพัฒนาโดย Abadie และ Imbens (2006, 2011) เป็นการขยายผลจากการจับคู่แบบเพื่อนบ้านที่ใกล้ที่สุด (nearest-neighbor matching) โดยเพิ่มการแก้ไขความคลาดเคลื่อนตามการถดถอย (regression-based bias correction) ที่ช่วยขจัดความคลาดเคลื่อนในตัวอย่างจำกัด (finite-sample bias) ซึ่งเกิดขึ้นเมื่อหน่วยที่ถูกจับคู่ไม่เหมือนกันอย่างสมบูรณ์ วิธีการนี้ให้ค่าประมาณที่สอดคล้องกัน (consistent) และมีการแจกแจงแบบปกติเชิงเส้นกำกับ (asymptotically normal) ของผลกระทบของการรักษาโดยเฉลี่ย (average treatment effects) พร้อมด้วยสูตรความแปรปรวนที่ทนทานต่อความแปรปรวนต่างกัน (heteroskedasticity-robust variance formula) ซึ่งใช้ได้โดยไม่คำนึงถึงจำนวนของตัวแปรร่วมต่อเนื่อง (continuous covariates).
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Abadie, A., & Imbens, G. W. (2011). Bias-Corrected Matching Estimators for Average Treatment Effects. Journal of Business & Economic Statistics, 29(1), 1-11. DOI: 10.1198/jbes.2009.07333 ↗
- Abadie, A., & Imbens, G. W. (2006). Large Sample Properties of Matching Estimators for Average Treatment Effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Bias-Corrected Robust Matching Estimator. ScholarGate. https://scholargate.app/th/causal-inference/robust-matching-estimator
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Coarsened Exact Matching (CEM)การอนุมานเชิงสาเหตุ↔ compare
- Difference-in-Differences (DiD)เศรษฐมิติ↔ compare
- การประมาณค่าแบบทนทานสองเท่า (AIPW)การอนุมานเชิงสาเหตุ↔ compare
- Inverse Probability Weighting (IPW / IPTW) การถ่วงน้ำหนักด้วยความน่าจะเป็นผกผันการอนุมานเชิงสาเหตุ↔ compare
- ตัวประมาณค่าด้วยการจับคู่การอนุมานเชิงสาเหตุ↔ compare
- การจับคู่คะแนนแนวโน้มสถิติการวิจัย↔ compare