R 为什么匹配的结果取决于数据的顺序（MatchIt包）？

使用matchit函数进行完全匹配时，结果会因输入数据帧的顺序而不同。也就是说，如果数据的顺序改变，结果也会改变。这是令人惊讶的，因为在我的理解中，最优完整算法应该只产生一个最佳解

我是遗漏了什么还是这是一个错误

优化算法也存在类似的差异

下面是一个可复制的示例。对于这两个数据集，子类应该是相同的，而不是相同的。 谢谢你的帮助

# create data
nr <- c(1:100)
x1 <- rnorm(100, mean=50, sd=20)
x2 <- c(rep("a", 20),rep("b", 60), rep("c", 20))
x3 <- rnorm(100, mean=230, sd=2)
outcome <- rnorm(100, mean=500, sd=20)
group <- c(rep(0, 50),rep(1, 50))

df <- data.frame(x1=x1, x2=x2, outcome=outcome, group=group, row.names=nr, nr=nr)
df_neworder <- df[order(outcome),]  # re-order data.frame

# perform matching
model_oldorder <- matchit(group~x1, data=df, method="full", distance ="logit")
model_neworder <- matchit(group~x1, data=df_neworder, method="full", distance ="logit")

# store matching results
matcheddata_oldorder <- match.data(model_oldorder, distance="pscore")
matcheddata_neworder <- match.data(model_neworder, distance="pscore")


# Results based on original data.frame
head(matcheddata_oldorder[order(nr),], 10)
          x1 x2  outcome group nr    pscore weights subclass
1  69.773776  a 489.1769     0  1 0.5409943     1.0       27
2  63.949637  a 529.2733     0  2 0.5283582     1.0       32
3  52.217666  a 526.7928     0  3 0.5028106     0.5       17
4  48.936397  a 492.9255     0  4 0.4956569     1.0        9
5  36.501507  a 512.9301     0  5 0.4685876     1.0       16


# Results based on re-ordered data.frame
head(matcheddata_neworder[order(matcheddata_neworder$nr),], 10)
          x1 x2  outcome group nr    pscore weights subclass
1  69.773776  a 489.1769     0  1 0.5409943     1.0       25
2  63.949637  a 529.2733     0  2 0.5283582     1.0       31
3  52.217666  a 526.7928     0  3 0.5028106     0.5       15
4  48.936397  a 492.9255     0  4 0.4956569     1.0        7
5  36.501507  a 512.9301     0  5 0.4685876     2.0       14

#创建数据
nroptmatch软件包（matchit函数调用该软件包）的开发人员提供了有用的帮助：

我认为我们在这里看到的是宽容争论的结果
那场全场比赛已经结束了。匹配算法需要整数距离，
所以我们必须缩放然后截断浮点距离。暂时
给定一组整数距离，可能有多个匹配
达到最小值，因此解算器可以在这些值中自由选择
非唯一解决方案

进一步开发您的示例：
>库（optmatch）
>nr glm_新订单匹配打开（glm（组~x1，数据=df_新订单），数据=df_新订单）
>fm_旧fm_新平均值（匹配距离（fm_旧值、glm_旧值、平均值））
> ## 0.06216174 
>平均值（sapply（匹配距离（fm_new，glm_neworder），平均值））
>###0.062058平均值（匹配的距离（fm#u old，glm#u older），平均值）-
>平均值（sapply（匹配距离（fm_new，glm_neworder），平均值））
> ## 0.00010373 

我们可以看到它小于默认公差0.001。您始终可以降低公差级别，这可能会导致

需要增加运行时间，以便更接近真实情况
浮动看跌期权最小。我们发现0.001在实践中似乎运行良好，
但这个值没有什么特别之处

optmatch包（matchit函数调用该包）的开发人员提供了有用的帮助：

我认为我们在这里看到的是宽容争论的结果
那场全场比赛已经结束了。匹配算法需要整数距离，
所以我们必须缩放然后截断浮点距离。暂时
给定一组整数距离，可能有多个匹配
达到最小值，因此解算器可以在这些值中自由选择
非唯一解决方案

进一步开发您的示例：
>库（optmatch）
>nr glm_新订单匹配打开（glm（组~x1，数据=df_新订单），数据=df_新订单）
>fm_旧fm_新平均值（匹配距离（fm_旧值、glm_旧值、平均值））
> ## 0.06216174 
>平均值（sapply（匹配距离（fm_new，glm_neworder），平均值））
>###0.062058平均值（匹配的距离（fm#u old，glm#u older），平均值）-
>平均值（sapply（匹配距离（fm_new，glm_neworder），平均值））
> ## 0.00010373 

我们可以看到它小于默认公差0.001。您始终可以降低公差级别，这可能会导致

需要增加运行时间，以便更接近真实情况
浮动看跌期权最小。我们发现0.001在实践中似乎运行良好，
但这个值没有什么特别之处

匹配算法是否依赖于任何随机数？如果是这样，您需要在运行任何代码之前设置种子？我也会这样做，因为您是从
rnorm
生成数据的，这会使问题重复出现。还要尽量保持向量和变量名的差异。如果我理解正确，算法不应该依赖于随机数。但是，在运行代码之前，我重新尝试设置种子，但结果再次不同。匹配算法是否依赖于任何随机数？如果是这样，您需要在运行任何代码之前设置种子？我也会这样做，因为您是从
rnorm
生成数据的，这会使问题重复出现。还要尽量保持向量和变量名的差异。如果我理解正确，算法不应该依赖于随机数。但是，我在运行代码之前重新尝试设置种子，但结果仍然不同。
Developing your example a little more:
> library(optmatch) 
> nr <- c(1:100) x1 <- rnorm(100, mean=50, sd=20)
> outcome <- rnorm(100, mean=500, sd=20) group <- c(rep(0, 50),rep(1, 50)) 
> df_oldorder <- data.frame(x1=x1, outcome=outcome, group=group, row.names=nr, nr=nr) > df_neworder <- df_oldorder[order(outcome),]  # > re-order data.frame 
> glm_oldorder <- match_on(glm(group~x1, > data=df_oldorder), data = df_oldorder) 
> glm_neworder <- > match_on(glm(group~x1, data=df_neworder), data = df_neworder) 
> fm_old <- fullmatch(glm_oldorder, data=df_oldorder) 
> fm_new <- fullmatch(glm_neworder, data=df_neworder)

> mean(sapply(matched.distances(fm_old, glm_oldorder), mean))
> ## 0.06216174 

> mean(sapply(matched.distances(fm_new, glm_neworder), mean))
> ## 0.062058 mean(sapply(matched.distances(fm_old, glm_oldorder), mean)) -  

> mean(sapply(matched.distances(fm_new, glm_neworder), mean))
> ## 0.00010373