เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การประเมินนโยบายผ่านการจับคู่แบบหยาบที่แม่นยำ (Coarsened Exact Matching - CEM)× | Inverse Probability Weighting (IPW / IPTW) การถ่วงน้ำหนักด้วยความน่าจะเป็นผกผัน× | |
|---|---|---|
| สาขาวิชา | การอนุมานเชิงสาเหตุ | การอนุมานเชิงสาเหตุ |
| ตระกูล | Regression model | Regression model |
| ปีกำเนิด≠ | 2011-2012 | 2000 |
| ผู้ริเริ่ม≠ | Iacus, King & Porro | Robins, Hernán & Brumback |
| ประเภท≠ | Matching / quasi-experimental design | Causal inference weighting estimator |
| แหล่งต้นตำรับ≠ | Iacus, S. M., King, G., & Porro, G. (2012). Causal inference without balance checking: Coarsened exact matching. Political Analysis, 20(1), 1-24. DOI ↗ | Robins, J. M., Hernán, M. A., & Brumback, B. (2000). Marginal Structural Models and Causal Inference in Epidemiology. Epidemiology, 11(5), 550-560. DOI ↗ |
| ชื่อเรียกอื่น≠ | CEM, Coarsened Exact Matching, CEM policy evaluation, coarsening-based matching | IPW, IPTW, inverse probability of treatment weighting, marginal structural model weighting |
| ที่เกี่ยวข้อง | 5 | 5 |
| สรุป≠ | Coarsened Exact Matching (CEM) is a quasi-experimental causal-inference technique that creates balanced treatment and control groups from observational data by temporarily coarsening covariates into bins, exactly matching units within those bins, and then pruning unmatched observations before estimating policy effects. Introduced by Iacus, King, and Porro, CEM belongs to the monotonic imbalance bounding family of matching methods and is especially popular in policy evaluation. | Inverse Probability Weighting is a causal-inference method that assigns each observation a weight equal to the inverse of its probability of receiving the treatment it actually received. Introduced by Robins, Hernán and Brumback (2000) for marginal structural models, it builds a pseudo-population in which treatment is independent of measured confounders, balancing selection bias. |
| ScholarGateชุดข้อมูล ↗ |
|
|