傾向匹配分析深度(propsensity-matching-analysis)(編輯修改稿)
2025-07-13 21:31 本頁面
【文章內(nèi)容簡介】 究生”小剛“，我們便能對這兩組樣本進(jìn)行比較研究了。1. 所以第一步，我們要對總體樣本執(zhí)行probit或者logit模型，然后估計(jì)出每一個(gè)觀測對象讀研究生的概率是多少。以probit模型為例，在stata中，執(zhí)行以下命令：probit [dependent var] [independent var]其中，[dependent var]是一個(gè)0或1的二進(jìn)制變量，1代表該對象讀了研究生，否則是0。2. 對每一個(gè)觀測值，我們根據(jù)估計(jì)出來的probit模型，算出他讀研究生的概率是多少。Stata中，執(zhí)行如下命令：predict pscore, p其中，pscore是定義的記錄每個(gè)觀測對象概率的變量名稱。3. 使用psmatch2命令，讓Stata幫你對于每個(gè)讀了研究生的觀測對象，找出一個(gè)與之具有最接近的概率值的，可是沒有讀研究生的觀測對象：psmatch2 [dependent var], pscore(pscore) noreplacement其中，(pscore)是在第二步中生成的那個(gè)記錄對象概率的變量，noreplacement是一個(gè)選項(xiàng)，使得任何讀了研究生的觀察對象的對照對象都具有唯一性，換言之，只能1對1匹配。4. Stata會(huì)在你的數(shù)據(jù)中自動(dòng)添加幾個(gè)變量，其中_id是自動(dòng)生成的每一個(gè)觀測對象唯一的ID；_treated表示某個(gè)對象是否讀了研究生，如果讀了，_n表示的是他被匹配到的對照對象的_id；_pdif表示一組匹配了的觀察對象他們概率值的差。做好了這些，你就完成了一個(gè)最簡單的1對1的傾向得分匹配。psmatch2還提供多種匹配方法，比如在一定的半徑范圍內(nèi)的臨近匹配、在一定概率閥值內(nèi)的全部匹配等等。具體的可以在Stata中輸入help psmatch2查看所有可用的選項(xiàng)。傾向得分匹配的理論傾向得分匹配的理論框架是“反事實(shí)推斷模型”。“反事實(shí)推斷模型”假定任何因果分析的研究對象都有兩種條件下的結(jié)果：觀測到的和未被觀測到的結(jié)果。如果我們說“A是導(dǎo)致B的原因”，用的就是一種“事實(shí)陳述法”。而“反事實(shí)”的推斷法則是：如果沒有A，那么B的結(jié)果將怎樣（此時(shí)，其實(shí)A已經(jīng)發(fā)生了）？因此，對于處在干預(yù)狀態(tài)(treatment condition)的成員而言，反事實(shí)就是處在控制狀態(tài)(condition of control)下的潛在結(jié)果(potential oute)；相反，對于處在控制狀態(tài)的成員而言，反事實(shí)就是處在干預(yù)狀態(tài)下的潛在結(jié)果。顯然，這些潛在結(jié)果是我們無法觀測到的，也就是說，它們是缺失的。PSM介紹傾向得分匹配的理論框架是“反事實(shí)推斷模型”?！胺词聦?shí)推斷模型”假定任何因果分析的研究對象都有兩種條件下的結(jié)果：觀測到的和未被觀測到的結(jié)果。如果我們說“A是導(dǎo)致B的原因”，用的就是一種“事實(shí)陳述法”。而“反事實(shí)”的推斷法則是：如果沒有A，那么B的結(jié)果將怎樣（此時(shí)，其實(shí)A已經(jīng)發(fā)生了）？因此，對于處在干預(yù)狀態(tài)(treatment condition)的成員而言，反事實(shí)就是處在控制狀態(tài)(condition of control)下的潛在結(jié)果(potential oute)；相反，對于處在控制狀態(tài)的成員而言，反事實(shí)就是處在干預(yù)狀態(tài)下的潛在結(jié)果。顯然，這些潛在結(jié)果是我們無法觀測到的，也就是說，它們是缺失的。我們假定有N個(gè)個(gè)體，每一個(gè)處在干
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1