倾向值匹配讲述.pptx

倾向值匹配研究（Propensity Matched Study）;对于个体i，其未来收入yi可能有两种状态，取决于是否参加此项目，即：;处理效应： 在经济学中，我们常常希望评估某项目或政策实施后的效应，如政策推出的各种项目，此类研究被称之为项目效应评估，也被称之为处理效应，项目参与者的全体构成控制组或对照组，而未参加项目者则构成控制组或对照组。 即y1i-y0i;平均处理效应（ATE） ≡ E（ y1i-y0i ）： 表示从总体中随机抽取某个体的期望处理效应，无论该个体是否参与项目;依可测变量选择： 如果个体i对Di的选择完全取决于可观测的xi;匹配估计量的基本思路： 找到属于控制组的某个体j使得其与属于处理组的个体i的可测变量取值尽可能相似，即xi ≈xj;倾向值是在 1983 年由学者 Rubin 和 Rosenbaum 首次给出了明确的定义：指在一系列可观察到的协变量条件下，任意一个研究对象被分配到试验组或者对照组的概率。;马氏距离： 考虑xi与xj之间的相似度或距离（均为k维向量） ;理论依据： 如果可忽略性假定成立，则只需给定p（x）的情况下，（ y0i,y1i）独立于Di ;倾向值匹配(Propensity Matching)步骤;（1）首先要对数据进行数据质量核查，鉴别数据类型，考察数据的完整性和逻辑性，然后根据数据类型和样本量大小来选择相应的倾向得分的分析方法。 ;（3）根据数据结构类型和选定的模型来计算每一个试验对象的倾向得分，倾向得分在 0～1 之间，表示试验对象被分配到试验组或者对照组的概率。 ;（4）选择合适的倾向得分应用方法。 PS 分层法、PS 匹配法和 PS 协变量校正法等。 以倾向得分匹配法为例，在估计出试验对象倾向得分之后，需要选择合适的算法计算出组间倾向得分之间的距离，也就是近似程度。 ;6）在匹配前后，进行组间均衡性检验。 组间基线的均衡性优劣是评价倾向得分方法在实际应用中控制选择性偏倚及混杂效应的较好的指标。 传统上常用的均衡性检验方法是假设检验，但假设检验法存在先天不足，针对此问题 1986 年由 Flury 和 Reidwyl 提出了标准化差异法，给出了明确的定义和计算方法 。 ;（7）对匹配后的数据集，选择合适的统计学分析方法来估计处理效??。 由于匹配后试验组和对照组之间的协变量均已均衡，数据可以看作是近似随机化的，如果选择了合适的统计学方法则可以得出真实可信的处理效应。经过匹配，每一个试验组个体都能在对照组找到一个或多个与之匹配的对照个体，所以我们在统计学处理时，也可以考虑类似配对设计的统计方法来进行分析。 ;K近邻匹配即寻找倾向得分最近的k个不同组个体;近邻匹配法匹配的结果为最近的部分个体，然后进行简单算术平均;（8）对数据进行敏感性分析。 在一次试验中，好的匹配方法产生不完整的匹配集是不可避免的，哪怕采用最大化匹配也不能消除匹配的不精确。因此，如何在匹配的精度和完整度之间进行选择，值得探讨。由于匹配数据的不完整导致严重的偏倚要远远高于由于精度不够导致的偏倚。所以选择一种合适的匹配算法是十分重要的，因为它影响到处理效应的估计。比较数据集在匹配前后的精确度和完整度，以此来评价不同的匹配算法的优劣是至关重要的。 ;PSM的局限性： PSM通常要求比较大的样本容量以得到高质量的匹配 PSM要求处理组与控制组的倾向得分有较大的共同取值范围；否则，将丢失较多观测值，导致剩下的样本不具有代表性 PSM只控制了可测变量的影响，如果存在依不可测变量选择，仍会带来隐性偏差;倾向得分匹配举例——培训对工资的效应;倾向得分匹配举例——培训对工资的效应;倾向得分匹配举例——培训对工资的效应;倾向得分匹配举例——培训对工资的效应;倾向得分匹配举例——培训对工资的效应;倾向得分匹配举例——培训对工资的效应;倾向得分匹配举例——培训对工资的效应;倾向得分匹配举例——培训对工资的效应;偏差校正匹配估计量（bias-corrected matching estimator）;由于在倾向得分匹配第一阶段估计倾向得分时存在不确定性，Abadie and Imbens(2002,2004,2006,2011)又重新回到更简单的马氏距离，进行有放回且允许并列（ties）的k近邻匹配，针对非精确匹配一般存在偏差，提出了偏差校正的方法，通过回归的方法估计偏差，然后得到偏差校正匹配估计量。;双重差分倾向得分匹配;前面几种匹配估计量均依赖可忽略假定，即可测变量选择，对于观测数据，如果怀疑存在依不可测变量选择，大致有以下几种处理办法： 尽量使用更多的相关可测变量，以满足可忽略假定 若处理变量的不可观测变量不随时间而变，而且有面板数据，则可使用双重差分倾向得分匹配估计量 使用断点回归法，特别是模糊断点回归