マッチング（統計）

マッチングは、観察研究または準実験（すなわち、治療がランダムに割り当てられていない場合）で治療を受けたユニットと治療を受けなかったユニットを比較することによって治療の効果を評価する統計的手法である。マッチングの目的は、観察データ研究で推定される治療効果のバイアスを減らすことであり、治療を受けたユニットごとに、共変量がバランスされている同様の観察可能な特性を持つ1つ（または複数）の非治療ユニットを見つける（K近傍法アルゴリズムに類似）ことによって。治療を受けたユニットを同様の非治療ユニットにマッチングさせることにより、マッチングは治療ユニットと非治療ユニットの結果を比較して、交絡によるバイアスを減らして治療の効果を推定することを可能にする。 [ ^{1] [2] [3]初期のマッチング手法である} 傾向スコアマッチングは、ルビン因果モデルの一部として開発されたが、^[4]モデル依存性、バイアス、非効率性、および検出力が増大することが示されており、他のマッチング方法と比較して推奨されなくなった。^[5]シンプルでわかりやすく、統計的に強力なマッチング手法で、Coarsened Exact Matching（CEM）として知られています。^[6]

マッチングはドナルド・ルービンによって推進されてきた。^[4]経済学ではロバート・ラロンド（1986）^[7]によって顕著に批判され、彼は実験からの治療効果の推定値とマッチング法で生成された類似の推定値を比較し、マッチング法には偏りがあることを示した。ラジーヴ・デヘジアとサデック・ワバ（1999）はラロンドの批判を再評価し、マッチングは良い解決策であることを示した。^{[8]同様の批判は}政治学^[9]や社会学^[10]のジャーナルでも提起されている。

関心のある結果がバイナリである場合、マッチしたデータの分析に最も一般的なツールは条件付きロジスティック回帰です。これは、任意のサイズの層と連続またはバイナリ処理（予測子）を処理し、共変量を制御できるためです。特定のケースでは、対応のある差の検定、マクネマー検定、コクラン・マンテル・ヘンツェル検定などのより単純な検定が利用できます。

関心のある結果が連続的である場合、平均治療効果の推定が実行されます。

マッチングは、回帰分析などの別の手法で分析する前にサンプルを「前処理」するためにも使用できます。^[11]

オーバーマッチング、または治療後バイアスとは、実際には曝露の結果である見かけ上のメディエーターとマッチングすることです。^[12]メディエーター自体が層別化されている場合、疾患への曝露のあいまいな関係が誘発される可能性が高くなります。^{[13]このように、オーバーマッチングは}統計的バイアスを引き起こします。^[13]

例えば、体外受精（IVF）後の周産期死亡率と出生体重を推定する際に、妊娠期間や多胎出産の数で対照群をマッチングさせることは、体外受精自体が早産や多胎出産のリスクを高めるため、過剰マッチングとなる。^[14]

曝露に関しては、対照群は一般集団よりも症例群に類似するため、研究の 外部妥当性を低下させるサンプリングバイアスとみなされる可能性があります。

• 傾向スコアマッチング

• Angrist, Joshua D.; Pischke, Jörn-Steffen (2009)。「Regression Meets Matching」。Mostly Harmless Econometrics : An Empiricist's Companion。プリンストン大学出版局。pp. 69–80。ISBN 978-0-691-12034-8。