倾向值匹配模型(PSM模型).ppt

方法二：半径匹配法

（radiusmatching）1半径匹配法是事先设定半径，找到所有设定半径范围内的单位圆中的控制样本，半径取值为正。随着半径的降低，匹配的要求越来越严。2命令setseed10101attrre78treat$x,comsupbootreps($breps)dotslogitradius(0.001)方法二：半径匹配法

（radiusmatching）（radiusmatching）方法二：半径匹配法01020304方法三：分层匹配法内容：分层匹配法是根据估计的倾向得分将全部样本分块，使得每块的平均倾向得分在处理组和控制组中相等。（stratificationmatching）优点：Cochrane,Chambers（1965）指出五个区就可以消除95%的与协变量相关的偏差。这个方法考虑到了样本的分层问题或聚类问题。就是假定：每一层内的个体样本具有相关性，而各层之间的样本不具有相关性。05缺点：如果在每个区内找不到对照个体，那么这类个体的信息，会丢弃不用。总体配对的数量减少。命令01setseed1010102attsre78treat,pscore(mypscore)blockid(myblock)comsupbootreps($breps)dots03方法三：分层匹配法

（stratificationmatching）方法三：分层匹配法

（stratificationmatching）方法四：核匹配法

（kernelmatching）核匹配是构造一个虚拟对象来匹配处理组，构造的原则是对现有的控制变量做权重平均，权重的取值与处理组、控制组PS值差距呈反向相关关系。命令setseed10101attkre78treat$x,comsupbootreps($breps)dotslogit010203方法四：核匹配法

（kernelmatching）倾向值匹配法（PSM）解决方法：样本配对04样本选择偏误：考上北大的孩子本身就很出色（聪明、有毅力、能力强…）03例：上北大有助于提高收入吗？02A：解决样本选择偏误带来的内生性问题01Q：为什么要使用PSM？01同行业（一维配对）02同行业、规模相当（二维配对）03同行业、规模相当、股权结构相当、……（多维配对）？？？04PSM：把多个维度的信息浓缩成一个（降维：多维到一维）配对方法配对过程中的两个核心问题（1）Q1：哪个样本更好一些？010102A1:Sample2较好：比较容易满足共同支撑假设（commonsupportassumption）02配对过程中的两个核心问题（2）Q2：stuc1,c2,c3三人中，谁是stuPK的最佳配对对象？1A2：stuc3是最佳配对对象，比较容易满足平行假设（balancingassumption）2ATT（AverageTreatmentEffectontheTreated）

平均处理效应的衡量运用得分进行样本匹配并比较，估计出ATT值。ATT=E[Y(1)-Y(0)|T=1]Y(1):StuPK上北大后的年薪Y(0):StuPK假如不上北大的年薪可观测数据不可观测数据，采用配对者的收入来代替ATT=12W-9W=3W实例介绍实例介绍研究问题：培训对工资的效应基本思想：分析接受培训行为与不接受培训行为在工资表现上的差异。但是，现实可以观测到的是处理组接受培训的事实，而如果处理组没有接受培训会怎么样是不可观测的，这种状态称为反事实。匹配法就是为了解决这种不可观测的事实的方法。01分组：在倾向值匹配法中，根据处理指示变量将样本分为两个组。处理组，在本例中就是在NSW（国家支持工作示范项目）实施后接受培训的组；控制组，在本例中就是在NSW实施后不接受培训的组。02研究目的：通过对处理组和对照组的匹配，在其他条件完全相同的情况下，通过接受培训的组（处理组）与不接受培训的组（控制组）在工资表现上的差异来判断接受培训的行为与工资之间的因果关系。实例介绍变量定义变量定义treat接受培训（处理组）表示1，没有接受培训（控制组）表示0age年龄educ受教育年数black种族虚拟变量，黑人时，black=1hsip民族虚拟变量，西班牙人时，hsip=1marr婚姻状况虚拟变量，已婚，marr=1re741974年实际工资re751975年实际工资变量定义re781978年实际工资u74当在1974年失业，u7