本文共 1916 字，大约阅读时间需要 6 分钟。

MatchingFrontier 包简介

由哈佛大学的 Gary King 和 Christopher Lucas 以及 MIT 的 Richard Nielsen 三位学者共同开发的 MatchingFrontier 包于 2015 年首次发布在 GitHub 上，现已可在 CRAN 上方便下载。该包提供了一种用于因果推断的优化分组匹配效率的算法。

传统的 PSM 方法仅通过倾向得分本身进行匹配，在匹配组与对照组的相似度、模型依赖度、统计效率及偏误等多方面表现欠佳。研究者长期面临偏误与方差之间的权衡困境：通过修剪数据以降低不平衡，从而减少模型依赖度，但同时也会减少样本量，进而增大估计值的方差。

MatchingFrontier 算法通过同步优化不平衡（在处理组与对照组之间）和样本大小，实现了对分组匹配效率的最大化。此外，该包的核心用途在于生产最优的匹配样本，标准的 PSM 分析流程在计算出 ATT 值后已实质上结束。

核心功能

该包主要由以下四个函数模块构成：

使用步骤

1. 载入所需程序包和数据集

library(MatchingFrontier)  
data(lalonde)  
lalonde <- as.data.frame(lalonde)  
attach(lalonde)

2. 数据集简介

数据集 lalonde 包含以下变量：

• re78：1978 年实际收入（结果变量）
• treat：是否参加就业培训（处理变量）
• age：年龄
• educ：教育年限
• black：是否为黑人
• hisp：是否为拉丁族
• married：是否结婚
• nodegree：是否有学位
• re74、re75：1974 年和 1975 年的实际收入
• u74、u75：1974 年和 1975 年是否失业

样本共计 1185 个观测。

3. 计算匹配边界

match.on <- colnames(lalonde)[!(colnames(lalonde) %in% c('re78', 'treat'))]  
my.frontier <- makeFrontier(  
  dataset = lalonde,  
  treatment = 'treat',  
  outcome = 're78',  
  match.on = match.on  
)  
# 返回结果显示，997 个观测值被移除，最终保留 188 个优化样本。

4. 估计效应

my.form <- as.formula(re78 ~ treat + age + black + education + hispanic + married + nodegree + re74 + re75)  
my.estimates <- estimateEffects(  
  my.frontier,  
  're78 ~ treat',  
  mod.dependence.formula = my.form,  
  continuous.vars = c('age', 'education', 're74', 're75'),  
  prop.estimated = 0.1,  
  means.as.cutpoints = TRUE  
)

5. 可视化分析

plotFrontier(  
  my.frontier,  
  cex.lab = 1.4,  
  cex.axis = 1.4,  
  type = 'l',  
  panel.first = grid(NULL, NULL, lwd = 2)  
)  
plotEstimates(  
  my.estimates,  
  ylim = c(-10000, 3000),  
  cex.lab = 1.4,  
  cex.axis = 1.4,  
  panel.first = grid(NULL, NULL, lwd = 2)  
)  
plotMeans(my.frontier)

6. 生成优化后的匹配样本

n <- 180  
matched.data <- generateDataset(my.frontier, N = n)  
# 可选择部分或全部观测本文选择了 180 个观测。

总结

MatchingFrontier 包通过创新性的算法解决了传统 PSM 方法在偏误与方差权衡上的缺陷，帮助研究者高效完成因果推断任务。

转载地址：http://ezyfk.baihongyu.com/