Matchit 包中的警告 ("Glm.fit: fitted probabilities numerically 0 or 1 occurred") 如何处理？
Warning in the Matchit package ("Glm.fit: fitted probabilities numerically 0 or 1 occurred") How to deal with that?
我是 运行 一个具有大约 200.000 个观察值的代码，其中 10.000 个被处理，其余的我正在尝试使用包 MatchIt 进行匹配。
由于这些变量之一，出现了一条警告消息，我不知道是否应该忽略它。消息是：Glm.fit：拟合概率数值为 0 或 1 发生
我 运行 的代码类似于下面的代码：
m.out <- matchit(var ~ VAR1 + VAR2 + VAR3 + VAR4 + VAR5, data = mydata, method = "nearest", exact = c("VAR1", "VAR3", "VAR5"))
为了便于说明，假设有问题的变量是 "VAR5"。这个变量是一个字符变量，有大约 200 个不同的文本。所以，我的问题是这个警告是否是一个真正的问题，或者它是否只是因为这个变量中的选项太多，无法满足我的数据大小，因此，不可能找到 treatment/control 预测？无论如何，我可以做些什么来避免这个警告？
最佳，
MatchIt 默认情况下通过 glm 函数使用逻辑回归来估计倾向得分。这个警告意味着逻辑回归模型已经过度拟合，一些变量完美地预测了治疗状态。这可能表明违反了积极性（即，您的两组从根本上彼此不同），但是，正如您所提到的，可能只是一个相对不重要的特征有很多类别，其中一些与治疗完全重叠。有几种方法可以解决这个问题；其中之一确实是放弃 VAR5，但您也可以尝试使用不受此问题影响的方法在 MatchIt 之外估计自己的倾向得分，然后将这些倾向得分提供给 matchit() 通过distance 参数。
我想到了两种方法。第一种是使用 brglm2，这是一个实现拟合逻辑回归模型的替代方法的包，因此拟合概率永远不会为 0 或 1。这种方法很容易实现，因为它只使用 glm函数。
第二种是使用执行正则化（即变量选择）的机器学习方法，以便仅包括对分析重要的变量和因素水平。您可以使用 glmnet 执行套索或弹性网络逻辑回归，您可以使用 gbm 或 twang 进行广义增强建模，或者您可以使用 SuperLearner 堆叠多个机器学习方法并从中做出最好的预测。然后，您可以将预测值提供给 matchit().
我是 运行 一个具有大约 200.000 个观察值的代码，其中 10.000 个被处理，其余的我正在尝试使用包 MatchIt 进行匹配。
由于这些变量之一，出现了一条警告消息，我不知道是否应该忽略它。消息是：Glm.fit：拟合概率数值为 0 或 1 发生
我 运行 的代码类似于下面的代码：
m.out <- matchit(var ~ VAR1 + VAR2 + VAR3 + VAR4 + VAR5, data = mydata, method = "nearest", exact = c("VAR1", "VAR3", "VAR5"))
为了便于说明，假设有问题的变量是 "VAR5"。这个变量是一个字符变量，有大约 200 个不同的文本。所以，我的问题是这个警告是否是一个真正的问题，或者它是否只是因为这个变量中的选项太多，无法满足我的数据大小，因此，不可能找到 treatment/control 预测？无论如何，我可以做些什么来避免这个警告？
最佳，
MatchIt 默认情况下通过 glm 函数使用逻辑回归来估计倾向得分。这个警告意味着逻辑回归模型已经过度拟合，一些变量完美地预测了治疗状态。这可能表明违反了积极性（即，您的两组从根本上彼此不同），但是，正如您所提到的，可能只是一个相对不重要的特征有很多类别，其中一些与治疗完全重叠。有几种方法可以解决这个问题；其中之一确实是放弃 VAR5，但您也可以尝试使用不受此问题影响的方法在 MatchIt 之外估计自己的倾向得分，然后将这些倾向得分提供给 matchit() 通过distance 参数。
我想到了两种方法。第一种是使用 brglm2，这是一个实现拟合逻辑回归模型的替代方法的包，因此拟合概率永远不会为 0 或 1。这种方法很容易实现，因为它只使用 glm函数。
第二种是使用执行正则化（即变量选择）的机器学习方法，以便仅包括对分析重要的变量和因素水平。您可以使用 glmnet 执行套索或弹性网络逻辑回归，您可以使用 gbm 或 twang 进行广义增强建模，或者您可以使用 SuperLearner 堆叠多个机器学习方法并从中做出最好的预测。然后，您可以将预测值提供给 matchit().