基于MatchIt完全匹配结合lme4混合效应模型计算稳健标准误

1. 改用clubSandwich包计算聚类稳健标准误 #

sandwich包对lme4的混合效应模型支持有限，但clubSandwich包专门针对聚类/分层数据设计，可完美兼容lmer对象。具体步骤：

• 安装并加载clubSandwich包
• 在avg_comparisons中通过vcov参数调用clubSandwich的聚类稳健方差估计方法（如CR1，这是针对聚类数据的常用稳健标准误类型）

示例代码（模拟学生嵌套班级的匹配后数据）：

library(lme4)
library(marginaleffects)
library(clubSandwich)
library(MatchIt)

# 构建模拟数据：20个班级，每班15名学生，含处理变量与成绩
set.seed(123)
dat <- expand.grid(class_id = 1:20, student_id = 1:15)
dat$treat <- rbinom(nrow(dat), 1, 0.4)
dat$score <- rnorm(nrow(dat), 50 + dat$treat*3 + rnorm(20, 0, 2)[dat$class_id], 5)

# 执行全匹配（full matching）
m.out <- matchit(treat ~ score + class_id, data = dat, method = "full")
matched_dat <- match.data(m.out)

# 拟合混合效应模型（学生嵌套于班级）
model <- lmer(score ~ treat + (1 | class_id), data = matched_dat)

# 按班级聚类计算稳健标准误并估计处理效应
avg_comparisons(model, 
                variables = "treat",
                vcov = vcovCR(model, cluster = ~class_id, type = "CR1"))

2. 匹配后加权混合效应模型 #

全匹配会生成组平衡权重，需将其纳入模型以保证估计无偏。结合clubSandwich计算加权后的稳健标准误：

# 带匹配权重的混合效应模型
model_weighted <- lmer(score ~ treat + (1 | class_id), data = matched_dat, weights = weights)

# 加权后的聚类稳健处理效应估计
avg_comparisons(model_weighted, 
                variables = "treat",
                vcov = vcovCR(model_weighted, cluster = ~class_id, type = "CR1"))

3. 简化语法：lmerTest结合clubSandwich #

若偏好更简洁的模型拟合语法，可使用lmerTest包配合clubSandwich生成稳健方差矩阵，再传入marginaleffects：

library(lmerTest)

# 用lmerTest拟合模型
model_lmertest <- lmer(score ~ treat + (1 | class_id), data = matched_dat)

# 生成聚类稳健方差矩阵
vcov_robust <- vcovCR(model_lmertest, cluster = ~class_id, type = "CR1")

# 估计处理效应
avg_comparisons(model_lmertest, 
                variables = "treat",
                vcov = vcov_robust)

关键注意事项 #

• 聚类单位必须与嵌套结构一致（如班级ID而非学生ID），确保稳健标准误正确反映分层数据的相关性。
• 全匹配生成的weights列必须纳入模型，否则会丢失匹配带来的组平衡效果。
• marginaleffects处理混合效应模型时仅考虑固定效应的不确定性，这与处理效应估计的需求一致。

内容的提问来源于stack exchange，提问作者ila