Coarsened Exact Matching (CEM)
Coarsened Exact Matching Estimator · Ayrıca şöyle bilinir: CEM, coarsened matching, monotonic imbalance bounding matching
Coarsened Exact Matching (CEM), kovaryat dengesini sağlamak amacıyla sürekli değişkenleri geçici olarak gruplara ayıran, bu gruplar içinde tedavi ve kontrol birimlerini tam olarak eşleştiren ve ardından eşleşmeyen tüm birimleri çıkaran bir ön işleme yöntemidir. Iacus, King ve Porro (2011, 2012) tarafından tanıtılan bu yöntem, her bir kovaryat üzerindeki dengesizliği bağımsız olarak sınırlar ve herhangi bir tahmincinin eğilim skoru modeline dayanmadan uygulanabileceği eşlenmiş bir örneklem sunar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+16 tane daha
Ne zaman kullanılır
Gözlemlenen kovaryatlar üzerinde doğrudan dengeyi zorlamak ve gruplama seçimleri üzerinde tam şeffaflık sağlamak isteyen araştırmacılar için, nedensel bir etkiyi tahmin etmeden önce orta sayıda ön tedavi kovaryatı (kabaca 2-10) üzerinde dengeyi sağlamak için şeffaf, varsayımları hafif bir yöntem gerektiğinde CEM kullanın. İkili tedavi ve sürekli, kategorik veya karma değişkenlere sahip kesitsel ve panel veriler için uygundur. Açık kontrol istediğinizde ve eğilim skoru modeline güvenmek yerine, eğilim skoru eşleştirmesine tercih edin. Kovaryat uzayı çok yüksek boyutlu olduğunda (çok sayıda değişken veya çok sayıda seviye) uygun değildir, çünkü katman ızgarası patlar ve çok fazla birim budanır, yetersiz eşlenmiş veri bırakır. Ayrıca tedavi ikili yerine sürekli olduğunda uygun değildir.
Güçlü yönler & sınırlılıklar
- Her kovaryat üzerinde bağımsız olarak dengesizlik sınırlar (monoton dengesizlik sınırlama özelliği), böylece araştırmacılar kalan dengesizliği doğrudan inceleyebilir ve kontrol edebilir.
- Eğilim skoru modeli gerektirmez, bu da belirtim hatası için potansiyel bir kaynak ortadan kaldırır.
- Gruplama seçimleri tamamen şeffaftır ve raporlanması ve tekrarlanması kolaydır.
- Eşlenmiş örneklem kolayca incelenebilir ve doğrulanabilir: eşleşmeyen her birim basitçe hariç tutulur.
- Özel ön işleme gerektirmeden karma veri türleriyle (sürekli, ikili, sıralı, nominal) çalışır.
- Boyutsallık laneti: çok sayıda kovaryat veya çok sayıda kovaryat seviyesi ile, çoğu katman boştur ve birimlerin büyük bir kısmı budanır, örneklem büyüklüğünü ve istatistiksel gücü azaltır.
- Gruplama seçimleri araştırmacı tarafından belirlenir ve sonuçlar seçilen grup sınırlarına duyarlı olabilir.
- Eşleşmeyen birimleri atmak örneklem seçimine neden olabilir ve ATT tahmininin genelleştirilebilirliğini sınırlayabilir.
- Tüm eşleştirme yöntemleri gibi, yalnızca gözlemlenen karıştırıcıları kontrol eder; ölçülmeyen karıştırıcılar bir tehdit olmaya devam eder.
SSS
CEM, komşu en yakın eğilim skoru eşleştirmesinden nasıl farklıdır?
Komşu en yakın PSM, tek bir skaler (eğilim skoru) üzerinde eşleştirme yapar ve bireysel kovaryatlar üzerindeki dengeyi maskeleyebilir. CEM, gruplanmış gruplar içinde kovaryatların kendileri üzerinde doğrudan eşleştirme yapar, her bir değişkendeki kalan denge üzerinde açık kontrol ve şeffaflık sağlar. CEM ayrıca bir skor modeli gerektirmez, bu da model bağımlılığının bir katmanını ortadan kaldırır.
Gruplama gruplarını nasıl seçmeliyim?
Yaygın stratejiler arasında standart özet istatistikler (örneğin, çeyrekler, medyan), anlamsal olarak anlamlı kesme noktaları (örneğin, yaş grupları) veya cem R paketindeki varsayılan otomatik gruplama (Sturges kuralını kullanır) yer alır. Anahtar, sonuçta ortaya çıkan dengesizlik istatistiğini (L1) ve eşlenmiş birimlerin kesrini kontrol etmek ve sağlamlığı doğrulamak için birkaç alternatif denemektir.
Eşleşmeyen birimlere ne olur?
Analizden çıkarılırlar. Bu tasarım gereğidir: CEM, denge için örneklem büyüklüğünden ödün verir. Çok büyük bir kesir budanırsa, daha kaba bir eşleştirme çözünürlüğü düşünün veya tüm birimleri tutan bir ağırlıklandırma yöntemine (entropi dengeleme veya IPW gibi) geçin.
CEM'i panel verilerle veya farklar-içinde-farklarla kullanabilir miyim?
Evet. CEM, DiD veya panel regresyonundan önce bir ön işleme adımı olarak yaygın olarak kullanılır. Dengesiz bir örneklem oluşturmak için tedavi öncesi özellikler üzerinde eşleştirme yaparsınız ve ardından hem gözlemlenen karıştırıcıları (eşleştirme yoluyla) hem de zaman eğilimlerini (fark alma yoluyla) kontrol etmek için eşlenmiş örneklem içinde DiD tahmincisini uygularsınız.
Hangi yazılım CEM'i uygular?
R'deki cem paketi (Iacus, King ve Porro tarafından), otomatik ve manuel gruplama, L1 dengesizlik tanıları ve CEM ağırlıkları ile standart uygulamayı sağlar. Stata kullanıcıları cem komutunu kullanabilir ve bir Python arayüzü de mevcuttur.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Coarsened Exact Matching Estimator. ScholarGate. https://scholargate.app/tr/causal-inference/coarsened-exact-matching
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Entropi DengelemeNedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Eşleştirme TahmincisiNedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır