【正文】
4. 黃福強(qiáng),杜春霖,孫夢(mèng)輝,等. 傾向評(píng)分配比在SPSS軟件上的實(shí)現(xiàn)[J]. 南方醫(yī)科大學(xué)學(xué)報(bào),2015,(11):15971601.計(jì)量經(jīng)濟(jì)學(xué)圈記錄一個(gè)我們生活在其中的時(shí)代社會(huì),一個(gè)非常具有潛力的深度與客觀兼具的大號(hào),囊括的主題如下:經(jīng)濟(jì)、社會(huì)、歷史、新聞、世界、計(jì)量工具。 Evaluation, 2014, 19. R軟件MatchIt包的簡(jiǎn)易教程,對(duì)結(jié)果的講解較詳細(xì),可實(shí)現(xiàn)常用傾向值分析的功能。該書為譯文,英文著作已在2014年推出第版《Propensity Score Analysis: Statistical Methods and Applications 2nd Edition》,對(duì)新的方法進(jìn)行了更新,內(nèi)容也更豐富,應(yīng)該是目前關(guān)于傾向值分析最詳細(xì)的教材。在模型和算法選擇,匹配后處理等方面有諸多細(xì)節(jié),有需要的可以參照下列書目。(3)核匹配(Kernel Matching)將干預(yù)組樣本與由控制組所有樣本計(jì)算出的一個(gè)估計(jì)效果進(jìn)行配對(duì),其中估計(jì)效果由實(shí)驗(yàn)組個(gè)體得分值與控制組所有樣本得分值加權(quán)平均獲得,而權(quán)數(shù)則由核函數(shù)計(jì)算得出。所以,PSM的ATT(x)的表達(dá)式為: 為了估計(jì)ATT,需對(duì)p(X)在干預(yù)上的條件作用的分布取平均: PSM的步驟計(jì)算傾向值(采用logistic回歸)進(jìn)行得分匹配得分匹配的幾種方法:(1)最鄰近匹配(Nearest neighbor matching, NNM)(是否使用卡尺 with or without caliper)以傾向得分為依據(jù),在控制組樣本中向前或向后尋找最接近干預(yù)組樣本得分的對(duì)象,并形成配對(duì)。定理二,如果條件獨(dú)立假設(shè)依舊成立,那么潛在結(jié)果在傾向得分的條件下也將獨(dú)立于干預(yù)狀態(tài)。同樣的,PSM的主要定理總結(jié)為以下幾點(diǎn):定理一,傾向得分p(X)是一個(gè)平衡得分。所以傾向得分中包含了X中所有變量的信息,綜合反映了每個(gè)個(gè)體X變量組的水平。針對(duì)這個(gè)問(wèn)題,Rosenbaum and Rubin (1983)解決了維度問(wèn)題,并證明了如果基于X相關(guān)變量的匹配是有效的,那么基于X變量組的傾向得分的匹配也將同樣有效,從而奠定了PSM的理論基礎(chǔ)。若X只有一個(gè)變量,則對(duì)于給定的X=x,ATT(x)的表達(dá)式為: 顯然,X只有一個(gè)變量時(shí),干預(yù)組和控制組針對(duì)X的匹配標(biāo)準(zhǔn)是清晰的:對(duì)于干預(yù)組個(gè)體和控制組個(gè)體,他們的X變量的值越近,這兩個(gè)個(gè)體的特征也就越相似。共同支撐條件(mon support condition):對(duì)于X的每一個(gè)值,存在于干預(yù)組或控制組的可能性均為正,即。但是,如果X并不是某一個(gè)變量,而是一組變量時(shí),最終簡(jiǎn)單的匹配方式也就不再適用,而是采用傾向得分匹配方式進(jìn)行匹配。匹配的目的在于確保干預(yù)效應(yīng)估計(jì)是建立在可比個(gè)體之間的不同結(jié)果的基礎(chǔ)上。這時(shí),我們必須要考慮到這些區(qū)別以防止出現(xiàn)潛在偏倚。在實(shí)驗(yàn)數(shù)據(jù)中,個(gè)體是隨機(jī)分配(random assignment)的,所以個(gè)體的所有特征在干預(yù)組和控制組之間是相等,也就無(wú)需考慮用 作為替代對(duì)反事實(shí) 進(jìn)行估計(jì)時(shí)存在的偏差了,這里稱為選擇偏倚,換句話說(shuō),實(shí)驗(yàn)數(shù)據(jù)能夠確保數(shù)據(jù)的選擇偏倚為0,所以實(shí)驗(yàn)設(shè)計(jì)中,隨機(jī)性能保證干預(yù)組和控制組之間的數(shù)據(jù)平衡。用ATT(Average treatmenteffect for the treate