MatchIt包get_matches()在函数/并行环境中失效的问题求助

问题背景 #

使用MatchIt包进行倾向得分匹配时，get_matches()在全局环境中可正常生成匹配后数据，但将其放入自定义函数或foreach()%dopar%{}并行环境（结合groundhog做模拟）时，会出现找不到匹配数据对象的错误，例如函数内调用时报错object 'm.data' not found，并行循环也存在类似问题。需要完成千次模拟，必须依赖并行提升效率。

数据生成代码 #

dataGen <- function(b0,b1,n = 2000,cor = 0){
  # covariate
  sigma <- matrix(rep(cor,9),3,3)
  diag(sigma) <- rep(1,3)
  cov <- MASS::mvrnorm(n, rep(0,3), sigma)
  # error
  error <- rnorm(n,0,sqrt(18))
  # treatment variable
  logit <- b0+b1*cov[,1]+0.3*cov[,2]+cov[,3]
  p <- 1/(1+exp(-logit))
  treat <- rbinom(n,1,p)
  # outcome variable
  y <- error+treat+cov[,1]+cov[,2]
  data <- as.data.frame(cbind(cov,treat,y))
  return(data)
}
set.seed(1)
data <- dataGen(b0=-0.92, b1=0.8, 900) 

全局环境下可正常运行的代码 #

fm1 <- treat ~ V1+V2+V3

m.out <- MatchIt::matchit(data = data, formula = fm1, link = "logit", m.order = "random", caliper = 0.2)

m.data  <-  MatchIt::get_matches(m.out,data=data)

iest.m.WLS <- function(m.data, fm2){
  model.1 <- lm(fm2, data = m.data, weights=(weights))
  est <- model.1$coefficients["treat"]
  ## regular robust standard error ignoring pair membership
  model.1.2 <- lmtest::coeftest(model.1,vcov. = sandwich::vcovHC)
  CI.r <- confint(model.1.2,"treat",level=0.95)
  ## cluster robust standard error accounting for pair membership
  model.2.2 <- lmtest::coeftest(model.1, vcov. = sandwich::vcovCL, cluster = ~subclass)
  CI.cr <- confint(model.2.2,"treat",level=0.95)
  return(c(est=est,CI.r,CI.cr))
}
fm2 <- y ~ treat+V1+V2+V3
iest.m.WLS(m.data,fm2)

函数内部调用get_matches()报错的代码 #

执行以下代码会报错："object 'm.data' not found"

rm(m.data)

m.out <- MatchIt::matchit(data = data, formula = fm1, link = "logit", m.order = "random", caliper = 0.2)

iest.m.WLS <- function(m.out, fm2){
  m.data  <-  MatchIt::get_matches(m.out,data=data)
  model.1 <- lm(fm2, data = m.data, weights=(weights))
  est <- model.1$coefficients["treat"]
  ## regular robust standard error ignoring pair membership
  model.1.2 <- lmtest::coeftest(model.1,vcov. = sandwich::vcovHC)
  CI.r <- confint(model.1.2,"treat",level=0.95)
  ## cluster robust standard error accounting for pair membership
  model.2.2 <- lmtest::coeftest(model.1, vcov. = sandwich::vcovCL, cluster = ~subclass)
  CI.cr <- confint(model.2.2,"treat",level=0.95)
  return(c(est=est,CI.r,CI.cr))
}
iest.m.WLS(m.out,fm2)

并行循环中调用get_matches()的问题 #

res=foreach(s = 1:7,.combine="rbind")%dopar%{

m.out <- MatchIt::matchit(data = data, formula = fm.p, distance = data$logit, m.order = "random", caliper = 0.2)

m.data  <-  MatchIt::get_matches(m.out,data=data)

...

}

问题原因分析 #

1. 作用域冲突：matchit对象默认仅保存原始数据的引用而非完整数据，当在函数环境中调用get_matches()时，若未显式传递数据，R会尝试从matchit对象的创建环境（如全局环境）查找数据，可能因作用域隔离导致查找失败。
2. 并行环境隔离：foreach的并行子进程拥有独立的运行环境，全局环境中的变量不会自动传递到子进程，若未显式导出数据或包，get_matches()无法找到所需的原始数据或依赖包。
3. 变量查找歧义：lm中weights=(weights)的写法可能导致R优先在函数环境中查找weights变量，而非从指定的数据框中提取列，间接引发错误。

解决方案 #

1. 自定义函数内的修复方案 #

方案一：让matchit对象保存完整数据

在创建matchit对象时添加keep.data = TRUE参数，使匹配对象内置原始数据，get_matches()无需额外传递数据即可提取：

# 修改matchit调用，添加keep.data=TRUE
m.out <- MatchIt::matchit(data = data, formula = fm1, link = "logit", m.order = "random", caliper = 0.2, keep.data = TRUE)

iest.m.WLS <- function(m.out, fm2){
  # 直接从m.out中提取数据，无需传递data参数
  m.data  <-  MatchIt::get_matches(m.out)
  # 明确从数据框中读取weights列，避免作用域歧义
  model.1 <- lm(fm2, data = m.data, weights = weights)
  est <- model.1$coefficients["treat"]
  ## regular robust standard error ignoring pair membership
  model.1.2 <- lmtest::coeftest(model.1,vcov. = sandwich::vcovHC)
  CI.r <- confint(model.1.2,"treat",level=0.95)
  ## cluster robust standard error accounting for pair membership
  model.2.2 <- lmtest::coeftest(model.1, vcov. = sandwich::vcovCL, cluster = ~subclass)
  CI.cr <- confint(model.2.2,"treat",level=0.95)
  return(c(est=est,CI.r,CI.cr))
}
iest.m.WLS(m.out,fm2)

方案二：显式传递数据到函数

将原始数据作为函数参数传入，确保get_matches()能在函数环境中找到数据：

iest.m.WLS <- function(m.out, fm2, data){
  m.data  <-  MatchIt::get_matches(m.out, data = data)
  model.1 <- lm(fm2, data = m.data, weights = weights)
  # 后续代码同方案一
}
iest.m.WLS(m.out, fm2, data)

2. 并行循环中的修复方案 #

并行环境需解决变量传递、包加载和种子设置三个核心问题，以下是适配千次模拟的优化代码：

# 加载必要依赖包
library(foreach)
library(doParallel)
library(MatchIt)
library(lmtest)
library(sandwich)
library(MASS)
library(groundhog) # 若需版本管理可保留

# 设置并行集群（根据CPU核心数调整）
cl <- makeCluster(detectCores() - 1)
registerDoParallel(cl)

# 定义单轮模拟函数
simulate_single <- function(seed) {
  # 设置独立种子，保证结果可复现
  set.seed(seed)
  # 生成模拟数据
  data <- dataGen(b0=-0.92, b1=0.8, 900)
  fm.p <- treat ~ V1+V2+V3
  
  # 创建匹配对象，内置原始数据
  m.out <- MatchIt::matchit(data = data, formula = fm.p, link = "logit", m.order = "random", caliper = 0.2, keep.data = TRUE)
  m.data <- MatchIt::get_matches(m.out)
  
  # 拟合模型并提取结果
  fm2 <- y ~ treat+V1+V2+V3
  model.1 <- lm(fm2, data = m.data, weights = weights)
  est <- model.1$coefficients["treat"]
  
  model.1.2 <- lmtest::coeftest(model.1, vcov. = sandwich::vcovHC)
  CI.r <- confint(model.1.2, "treat", level=0.95)
  
  model.2.2 <- lmtest::coeftest(model.1, vcov. = sandwich::vcovCL, cluster = ~subclass)
  CI.cr <- confint(model.2.2, "treat", level=0.95)
  
  return(c(est=est, CI.r, CI.cr))
}

# 执行千次并行模拟
res <- foreach(seed = 1:1000, .combine="rbind", .packages = c("MatchIt", "lmtest", "sandwich", "MASS")) %dopar% {
  simulate_single(seed)
}

# 关闭并行集群
stopCluster(cl)

关键优化点：

• 每个子进程独立生成数据，避免大对象跨进程传递的开销
• 用seed参数设置独立随机种子，保证模拟结果可复现
• 通过.packages指定子进程需加载的依赖包
• 用keep.data=TRUE让matchit对象内置数据，无需额外传递

关键要点总结 #

• 作用域问题：优先使用keep.data=TRUE让匹配对象保存原始数据，或显式传递数据参数，避免依赖环境变量
• 并行环境：通过.export传递全局变量，.packages加载依赖包，子进程独立生成数据或接收数据
• 代码健壮性：在lm中直接使用列名作为weights参数（因已指定data，R会自动从数据框中查找），避免变量查找歧义

内容的提问来源于stack exchange，提问作者Qidi Man