Question

我需要一个R包或函数，使我可以将控件与大型数据集（500万个主题）的案例匹配。我已经尝试了一些软件包，下面总结了我的问题。我只尝试匹配单个协变量，并且很可能需要匹配多个协变量。

软件包MatchIt：最近的邻居，最优方法和遗传方法都运行了几个小时。 "cem"方法的运行速度非常快，但我需要知道匹配/不匹配的情况，以便可以对匹配的子集进行进一步的分析。在cem上运行match.data()的结果仅提供在回归中使用的权重，而不提供匹配的子集。如果我想要一对一匹配，但我想保留尽可能多的控件，则cem中的配对函数将起作用。

matchControls()包中的

e1071：运行很长时间，它们返回"not able to allocate vector of size 1352 GB"

Match()包中的

Matching函数：只需运行并运行...

quickmatch()包中的

quickmatch：运行很快，但是我不确定我是否正确使用了该函数或如何从返回的"qm_matching"对象中提取匹配的数据。以下是我对伪造数据使用quickmatch的尝试。

library(MatchIt)
library(cem)
library(Matching)
library(rgenoud)
library(quickmatch)

set.seed(100)
control_df=data.frame(Group=factor("Control"),value=rnorm(1400000,95,2))
set.seed(101)
treatment_df=data.frame(Group=factor("Treatment"),value=c(rnorm(500000,92,2),rnorm(100000,50,5)))
dat=rbind(control_df,treatment_df)
covariate_balance(dat$Group, dat$value, matching = NULL,
                   normalize = TRUE, all_differences = TRUE)
my_distances <- distances(dat, dist_variables = c("value"))
matchedDat=quickmatch(my_distances,dat$Group )
matchedDat.df=data.frame(matchedDat)

不确定如何处理返回的对象。我认为quickmatch可能是最可行的选择。 covariate_balance结果表明，对照组和治疗组之间存在相当大的失衡，因此可以进行一定程度的匹配。

具体地说，我如何获得匹配的结果，即标记在控制和治疗之间成功匹配的受试者？ cluster_label中的matchedDat.df表示该函数正在创建大量群集，如何/可以限制它？

在加速上述某些功能方面的任何帮助或提出新建议都将不胜感激。

Answer 1

在仔细阅读了cem文档之后，我认为我可以使用Matchit软件包或cem软件包解决问题。

library(cem)
library(tidyverse)
set.seed(100)
control_df=data.frame(Group=factor("Control"),value=rnorm(1400000,95,2))
set.seed(101)
treatment_df=data.frame(Group=factor("Treatment"),value=c(rnorm(500000,92,2),rnorm(100000,50,5)))
dat=rbind(control_df,treatment_df)%>% rownames_to_column()
cem.match=cem(treatment="Group", baseline.group="Control",data=dat,keep.all=TRUE, drop ="rowname")
matchedData=data.frame(Group.check=cem.match$groups, matched=cem.match$matched,weights=cem.match$w)%>% 
  rownames_to_column()%>% 
  inner_join(dat,by="rowname") %>% 
  filter(matched==TRUE)

大数据集的匹配采样包或函数

1 个答案: