时间戳

首页 > 解决方案 > 大型数据集的匹配采样包或函数

r - 大型数据集的匹配采样包或函数

问题描述

我需要一个 R 包或函数，它允许我将控件与大型数据集（500 万个主题）的案例相匹配。我尝试了几个包，我的问题总结如下。我只尝试匹配一个协变量，我很可能需要匹配几个。

包MatchIt：最近邻、最优和遗传方法都只运行几个小时。该"cem"方法运行得非常快，但我需要知道哪些案例匹配/不匹配，以便我可以对匹配的子集进行进一步分析。在 cem 结果上运行match.data()仅提供要在回归中使用的权重，而不是匹配的子集。如果我想要一对一匹配但我想保留尽可能多的控件，cem 中的配对函数将起作用。

matchControls()在e1071包中：运行很长时间，它们会返回"not able to allocate vector of size 1352 GB"

Match()包中的功能Matching：只需运行并运行...

quickmatch()从quickmatch包中：它运行得很快，但我不确定我是否正确使用了该函数或如何从"qm_matching"返回的对象中提取匹配的数据。quickmatch以下是我对假数据的尝试。

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。结果covariate_balance显示对照组和治疗组之间存在相当大的不平衡，因此可以进行一些匹配。

具体来说，我如何获得匹配的结果，即标记在对照和治疗之间成功匹配的受试者？cluster_labelfrom暗示该matchedDat.df函数正在创建大量集群如何/我可以限制这个？

对于加速上述某些功能或新建议的任何帮助将不胜感激。

标签： rsampling

解决方案

在仔细阅读文档后，我认为我可以使用包或包cem解决我的问题。Matchitcem

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)

推荐阅读