Eşleştirme Yöntemleri (CEM / Optimal / Genetik)
General Matching Methods (CEM / Optimal / Genetic) · Ayrıca şöyle bilinir: coarsened exact matching, optimal matching, genetic matching, CEM, Genel Eşleştirme Yöntemleri (CEM / Optimal / Genetic)
Eşleştirme Yöntemleri, eğilim puanı eşleştirmesinin ötesinde, tedavi edilmiş ve kontrol birimlerini benzer kovaryetlere sahip olacak şekilde eşleştiren, böylece bir tedavi etkisinin dengelenmiş örneklemden okunabileceği nedensel çıkarım teknikleri ailesidir. Bu aile Kaba Kesin Eşleştirme (Iacus, King & Porro, 2012), optimal eşleştirme ve genetik eşleştirmeyi içerir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gözlemsel (kesitsel veya boylamsal) verilerde, bir tedavi etkisini tahmin etmek istediğinizde ve koşullu bağımsızlık (görmezden gelinebilirlik) varsayımını güvenilir bir şekilde yapabildiğinizde, en az yaklaşık 80 gözlem olduğunda, yeterli sayıda eşleştirilmiş birim kaldığı için eşleştirme yöntemlerini kullanın. Sürekli, ikili veya kategorik kovaryetlerle uyumludur ve kovaryet dengesi (CEM) için açık bir garantiye veya eşleştirmeler arasındaki en küçük toplam mesafeye (optimal eşleştirme) ihtiyacınız olduğunda, basit eğilim puanı eşleştirmesine güçlü bir alternatiftir. CEM için, eşleştirme değişkenlerini inceltmek için kullanılan kesme noktaları anlamlı bir şekilde seçilmelidir.
Güçlü yönler & sınırlılıklar
- Kaba Kesin Eşleştirme, yapısı gereği kovaryet dengesini garanti eder ve eğilim puanı eşleştirmesinin sıklıkla ihtiyaç duyduğu deneme yanılma denge kontrolünü ortadan kaldırır.
- Optimal eşleştirme, toplam çift içi mesafeyi en aza indirir ve genel olarak mümkün olan en yakın eşleştirme kümesini üretir.
- Sürekli, ikili ve kategorik kovaryetlerle çalışır ve kalan herhangi bir dengesizlik eşleştirmeden sonra ağırlıklı bir regresyon ile giderilebilir.
- Yaklaşık 80 gözlemden az olduğunda, çok az birim eşleştirmeden sonra hayatta kalır ve tedavi etkisi tahmini kararsız hale gelir.
- Ortak destek bölgesi dar olduğunda, iyi eşleştirmeler bulunamaz ve denge (SMD) elde edilemez; bu durumda ters olasılık ağırlıklandırması tercih edilir.
- Tanımlama hala test edilemeyen koşullu bağımsızlık varsayımına dayanır — eşleştirme yalnızca gözlemlenen kovaryetleri dengeler, gizli karıştırıcıları değil.
SSS
Kaba Kesin Eşleştirme, eğilim puanı eşleştirmesinden nasıl farklıdır?
Kaba Kesin Eşleştirme, her kovaryeti gruplara ayırır ve birimleri bu gruplar içinde kesin olarak eşleştirir, bu da doğrudan seçilen bir düzeyde kovaryet dengesini garanti eder. Eğilim puanı eşleştirmesi ise kovaryetleri tek bir puana indirger ve eşleştirmelerin işe yaradığını doğrulamak için genellikle tekrarlanan denge kontrolü gerektirir.
Optimal eşleştirme neyi optimize eder?
Optimal eşleştirme, tüm eşleştirmelerdeki toplam kovaryet mesafesini en aza indiren tedavi-kontrol çiftleri kümesini seçer, böylece eşleştirilmiş örneklem, birimleri tek tek açgözlüce eşleştirmek yerine genel olarak mümkün olduğunca yakın olur.
Eşleştirmenin işe yaradığını nasıl doğrularım?
Eşleştirmeden sonra tedavi edilmiş ve kontrol grupları arasındaki standartlaştırılmış ortalama farkı (SMD) kullanarak kovaryet dengesini kontrol edin. Bir miktar dengesizlik kalırsa, bunu düzeltmek için eşleştirilmiş örneklem üzerinde ağırlıklı bir regresyon çalıştırın.
Eşleştirme yöntemlerini ne zaman kullanmamalıyım?
Yaklaşık 80 gözlemden az olduğunda, eğilim puanı eşleştirmesine geçin; ve ortak destek bölgesi dar olduğunda, iyi eşleştirmeler bulunamadığında, bunun yerine ters olasılık ağırlıklandırmasını kullanın.
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 ↗
- Hansen, B. B. (2004). Full Matching in an Observational Study of Coaching for the SAT. Journal of the American Statistical Association, 99(467), 609-618. DOI: 10.1198/016214504000000647 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). General Matching Methods (CEM / Optimal / Genetic). ScholarGate. https://scholargate.app/tr/causal-inference/matching-methods
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Heterojen Tedavi Etkileri (CATE / Meta-Öğreniciler)Nedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Yerel Ortalama Tedavi Etkisi (LATE / CACE)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Gizli Yanlılık İçin Duyarlılık Analizi (Rosenbaum Sınırları / E-değeri)Nedensel çıkarım↔ karşılaştır