大样本Propensity Score Matching（PMS）执行异常咨询：200万行数据用MatchIt包跑最近邻匹配耗时超一天未正常终止，求替代方法

哇，200万行数据跑MatchIt的最近邻匹配卡一天还没结束，太闹心了——我之前处理百万级样本的PSM时也踩过一模一样的坑，给你分享几个亲测有效的高效方案，从调参换包到预处理都有：

如果不想换工具，先试试这些参数调整，能大幅提速：

• 简化倾向得分模型：别给模型塞一堆高阶交互、多项式项，200万行数据下，复杂GLM的拟合本身就慢到离谱。可以先用glmnet做LASSO变量筛选，只保留显著的主效应变量再代入MatchIt，比如：

  library(glmnet)
  x <- model.matrix(treat ~ ., data = dat)[, -1]
  y <- dat$treat
  lasso_fit <- cv.glmnet(x, y, family = "binomial")
  selected_vars <- coef(lasso_fit, s = "lambda.min") %>% rownames() %>% setdiff("(Intercept)")
  # 用筛选后的变量拟合MatchIt
  match_formula <- as.formula(paste("treat ~", paste(selected_vars, collapse = " + ")))
  m <- matchit(match_formula, data = dat, method = "nearest", replace = TRUE, ratio = 1)
  

• 调整匹配核心参数：
  • 设replace = TRUE（允许对照被重复匹配），比无替换匹配的计算量小很多；
  • 用ratio = 1（只匹配1个对照），别搞多匹配；
  • 对关键分类变量用exact = ~group_var做精确匹配，提前缩小匹配池，比如先按性别、地区精确分组，再在组内做PSM。
• 开启并行计算：MatchIt 4.0+版本支持用future包并行，把CPU核心全用上：

  library(future)
  plan(multisession, workers = parallel::detectCores() - 1) # 留一个核心给系统
  m <- matchit(treat ~ x1 + x2, data = dat, method = "nearest", future = TRUE)
  

如果MatchIt怎么调都慢，直接换这些专门优化过大样本的包：

• Matching包：底层用C++实现，最近邻匹配的速度是MatchIt的数倍，还支持并行。建议先单独拟合倾向得分，再传入匹配：

  library(Matching)
  # 先拟合倾向得分
  ps <- glm(treat ~ x1 + x2 + x3, data = dat, family = binomial)$fitted.values
  # 最近邻匹配，M=1是匹配1个对照，replace=TRUE允许重复匹配，parallel=TRUE开并行
  match_result <- Match(Tr = dat$treat, X = ps, M = 1, replace = TRUE, parallel = TRUE)
  # 提取匹配后的样本
  matched_dat <- rbind(dat[match_result$index.treated, ], dat[match_result$index.control, ])
  

• optmatch包：针对大样本的最优匹配和最近邻匹配做了线性规划优化，适合需要严格平衡 covariates 的场景：

  library(optmatch)
  ps <- glm(treat ~ x1 + x2, data = dat, family = binomial)$fitted.values
  # 最近邻匹配，max.controls=1限制每个处理组匹配1个对照
  m <- fullmatch(treat ~ ps, data = dat, max.controls = 1)
  matched_dat <- dat[!is.na(m), ]
  

• 手动用fastmatch实现极速匹配：如果追求极致速度，自己写逻辑用fastmatch的哈希匹配，百万级样本秒级完成：

  library(fastmatch)
  # 按处理组和倾向得分排序
  dat_sorted <- dat[order(dat$treat, dat$ps), ]
  # 拆分处理组和对照组的倾向得分
  treat_ps <- dat_sorted$ps[dat_sorted$treat == 1]
  control_ps <- dat_sorted$ps[dat_sorted$treat == 0]
  # 快速匹配最近邻
  match_indices <- fmatch(treat_ps, control_ps, nomatch = NA_integer_)
  # 提取匹配后的样本
  matched_treat <- dat_sorted[dat_sorted$treat == 1, ]
  matched_control <- dat_sorted[dat_sorted$treat == 0 & seq_along(control_ps) %in% match_indices, ]
  matched_dat <- rbind(matched_treat, matched_control)
  

• 先做粗匹配（CEM）：用cem包先对关键变量做粗分类匹配，把样本分成若干平衡的层，再在每层内做PSM，计算量直接砍半：

  library(cem)
  # 对连续变量设置分箱，比如x1分3箱，x2分4箱
  mat <- cem(treatment = "treat", data = dat, cutpoints = list(x1 = c(0, 50, 100), x2 = 4))
  # 提取粗匹配后的样本
  cem_dat <- dat[mat$matched, ]
  # 再在cem_dat里跑PSM
  

• 过滤极端倾向得分样本：把倾向得分在0.01~0.99之外的样本删掉，这些样本本来就很难匹配，去掉后匹配池变小，还能减少极端值对结果的干扰。

内容的提问来源于stack exchange，提问作者ymmy