<div dir="ltr"><p class="MsoNormal">Dear Applied Statistics Community,</p>

<p class="MsoNormal">&nbsp;</p>

<p class="MsoNormal">Please join us on Wednesday October 1<sup>st</sup> when Gary
King, the David Florence Professor of Government, will present "Matching for
Causal Inference Without Balance Checking".<span style="mso-spacerun: yes">&nbsp;
</span>A draft of the paper is available here: <a href="http://gking.harvard.edu/files/cem.pdf">http://gking.harvard.edu/files/cem.pdf</a>
, and here is the abstract:</p>

<p class="MsoNormal">&nbsp;</p>

<p class="MsoNormal">We address a major discrepancy in matching methods for
causal inference in observational data.<span style="mso-spacerun: yes">&nbsp;
</span>Since these data are typically plentiful, the goal of matching is to
reduce bias and only secondarily to keep variance low. However, most matching
methods seem designed for the opposite problem, guaranteeing sample size ex
ante but limiting bias by controlling for covariates through reductions in the
imbalance between treated and control groups only ex post and only
sometimes.<span style="mso-spacerun: yes">&nbsp; </span>(The resulting practical
difficulty may explain why many published applications do not check whether</p>

<p class="MsoNormal">imbalance was reduced and so may not even be decreasing bias.)
We introduce a new class of "Monotonic Imbalance Bounding" (MIB) matching
methods that enables one to choose a fixed level of maximum imbalance, or to
reduce maximum imbalance for one variable without changing it for the others.
We then discuss a specific MIB method called "Coarsened Exact Matching" (CEM)
which, unlike most existing approaches, also explicitly bounds through ex ante
user choice both the degree of model dependence and the causal effect
estimation error, eliminates the need for a separate procedure to restrict data
to common support, meets the congruence principle, is approximately invariant
to measurement error, works well with modern methods of imputation for missing
data, is computationally efficient even with massive data sets, and is easy to
understand and use. This method can improve causal inferences in a wide range
of applications, and may be preferred for simplicity of use even when it is
possible to design superior methods for particular problems. We also make
available open source software which implements all our suggestions.</p>

<p class="MsoNormal">&nbsp;</p>

<p class="MsoNormal">&nbsp;</p>

<p class="MsoNormal">The applied statistics workshop meets in room K-354, CGIS–Knafel
(1737 Cambridge St) at 12 noon, with a light-lunch served.<span style="mso-spacerun: yes">&nbsp; </span>The presentation will begin at 1215 and the
workshop usually ends around 130.<span style="mso-spacerun: yes">&nbsp; </span>All
are welcome to attend,</p>

<p class="MsoNormal">&nbsp;</p>

<p class="MsoNormal">Cheers</p>

<span style="font-size:12.0pt;font-family:&quot;Times New Roman&quot;;mso-fareast-font-family:
&quot;Times New Roman&quot;;mso-ansi-language:EN-US;mso-fareast-language:EN-US;
mso-bidi-language:AR-SA">Justin Grimmer</span><br></div>