倾向得分匹配法介绍
stata：倾向得分匹配（PSM）
stata：倾向得分匹配（PSM）导读：在经济学中，我们常常希望评估项目实施后的效应，一般的做法是加入虚拟变量，但是这种做法并不科学。
例如政府推行就业培训计划，该项目的参与者，我们将其称作处理组（treatment group），未参与的培训的样本称作控制组（control group）也叫对照组。
PSM考虑就业培训的处理效应评估。
我们一般的做法是比较两组的收入状况。
如果这样处理，可能得到的结论是参加培训的收入低于未参加培训者。
这是由于一开始选择控制组的样本时，选择范围比较广阔，存在选择偏差。
所以在此介绍倾向得分匹配方法（PSM）。
本文在此就不介绍相关理论了，因为小编的理论也不是特别的好，如果想学习的可以参阅连玉君老师的相关视频（重点推介），大概有5个课时；同时也可以参考陈强老师的《高级计量经济学及stata应用》中的第28章处理效应。
在此小编仅仅介绍stata的相关操作。
1、安装psmatch2ssc install psmatch2，replace2、导入数据，方法比较多，可以粘贴复制、也可以使用命令use E:\BaiduNetdiskDownload\A\labor.dta,clear3、命令语法格式介绍psmatch2 D x1 x2 x3 ,outcome(y) logit ties ate common odds /// pscore(varname) qui对以上的标准命令进行解析D为处理变量，是虚拟变量即是否参加培训x1 x2 x3是协变量，一般的称呼也叫解释变量outcome(varname)是输出变量，例如收入logit 表示计算得分的时候使用logit模型，如果不写Logit，默认为probit模型计算得分，在连玉君的视频中论述了二者并不存在明显的差异。
ties表示包括所有倾向得分相同的并列个体，默认按照数据排序选择其中一位个体。
ATE表示同是汇报ATE、ATU、ATT，大家看书重点了解common表示仅对共同取值范围内的个体进行匹配odds使用几率比（odds ratio）算法为p/(1-p),熟悉logit模型的应该了解qui屏幕中不显示logit模型估计过程，可以节省运算时间4 匹配方法连玉君的视频教程讲了三种：最近0匹配、半径匹配、核匹配；陈强老师讲了6种，如果想详细学习，可以参考他们的相关视频与书籍。
倾向得分匹配法介绍
倾向得分匹配法介绍倾向得分匹配法介绍本研究主要考察政府对企业研究开发补贴的影响，由于传统的模型例如采用普通最小二乘法（OLS）估计的多元线性模型难以有效地解决可能存在的样本选择性偏差和遗漏关键变量所造成的内生性这两个关键性问题。
因此，本研究主要采用倾向得分匹配法（propensity score matching，PSM）对政府对企业研究开发的补贴与企业发展水平的实证关系进行稳健性的因果推断。
一、模型构建1、政府补贴的二值分类指标倾向得分匹配法方法的理论框架是基于“反事实推断模型”，即假定任何因果分析的研究对象都存在可以观测到的和未被观测到的两种结果。
以本研究为例，根据建模的需要，首先将样本企业分为两种类型，比较样本企业在“受到补贴”与“没有受到补贴”这两种状态下是否存在系统性差异。
一类是获得政府在研究开发方面给予补贴的企业，即处理组（T，treatment group）；另一类是没有获得政府补贴的企业，即为控制组（C，control group），由此建立二元虚拟变量D s={0，1}。
当D s=1时，表示该企业S获得了政府补贴；当D s=0时，表示该企业S为参照组，没有获得政府补贴。
2、倾向得分匹配估计（PSM）根据倾向得分匹配法方法的估计思路，假设lnincome表示企业发展水平的结果变量，lnincome1表示获得政府补贴的企业发展水平，lnincome0表示未获得政府补贴的企业发展水平。
根据Rubin反事实估计的设定要求，本研究将获得政府补贴对企业发展水平影响的参照组平均处理效应（ATT）、控制组平均处理效应（ATU）和平均处理效应（ATE）分别定义为公式（1）-（3）。
ATT=E[(lnincome1- lnincome0) | X, subside=1] （1）ATU= E[(lnincome1- lnincome0) | X, subside=0] （2）ATE=E[(lnincome1- lnincome0) | X] （3）其中，X 为影响企业发展水平的一系列自变量；参照组平均处理效应（ATT ）测度的是试验组样本（获取政府补贴的企业样本）在获取政府补贴前后发展水平变化的期望值；控制组平均处理效应（ATU ）测度的是对照组样本（未获取政府补贴的企业样本）在获取政府补贴前后发展水平变化的期望值；平均处理效应（ATE ）测度的是样本满足“个体处理效应稳定假设”前提下，同一样本企业在获取政府补贴前后发展变化的期望值。
倾向得分匹配（Propensity?Score?Matching）?通俗解析及在Stata里的运用
倾向得分匹配（Propensity Score Matching）通俗解析及在Stata里的运用倾向得分匹配法是一种研究方法，它在研究某项治疗、政策、或者其他事件的影响因素上很常见。
对于经济、金融学领域来说，比如需要研究某个劳动者接受某种高等教育对其收入的影响，或者比如研究某个企业运用了某项管理层激励措施以后对企业业绩的影响。
如果我们简单地将是否执行了某项时间作为虚拟变量，而对总体进行回归的话，参数估计就会产生偏误，因为在这样的情况下，我们只观察到了某一个对象他因为发生了某一事件后产生的表现，并且拿这种表现去和另一些没有发生这件事情的其他对象去做比较。
这样的比较显然是不科学的，因为比较的基础并不同。
通俗地说，我们真正要做的是考虑，如果拿小明来说，小明读了研究生和小明没有读研究生，他的收入会差多少？可是小明已经读了研究生，我怎么才能估计出他要是不读研究生，他的收入会是多少呢？于是，我们引入“倾向得分匹配”这样一种研究方法。
英文叫Propensity Score Matching。
这种方法能让我们从一大堆没有参加培训的人群中（也就是我们的总体样本的一个子集），对每个人读研究生的概率进行估计，然后选出和小明具有非常相似的去读研究生的概率，可是没有去读的同学小刚——作为小明的对照，然后再来看他们的区别。
当样本中的每个研究生”小明“都找到了匹配的非研究生”小刚“，我们便能对这两组样本进行比较研究了。
1. 所以第一步，我们要对总体样本执行probit或者logit模型，然后估计出每一个观测对象读研究生的概率是多少。
以probit模型为例，在stata中，执行以下命令：probit [dependent var] [independent var]其中，[dependent var]是一个0或1的二进制变量，1代表该对象读了研究生，否则是0。
2. 对每一个观测值，我们根据估计出来的probit模型，算出他读研究生的概率是多少。
倾向匹配得分结果解读 -回复
倾向匹配得分结果解读-回复以下是一篇1500-2000字的文章，逐步解释倾向匹配得分结果的含义和解读过程。
[倾向匹配得分结果解读]引言：倾向匹配是一种用于分析因果关系的方法，它可以帮助我们理解某个因素对另一个因素的影响程度。
得分结果反映了两个因素之间的相对关系，本文将一步一步解释如何解读倾向匹配得分结果。
一、理解倾向匹配方法倾向匹配是一种被广泛应用于社会科学研究中的一种统计方法，它通过选择是否接受某项干预措施（例如：药物治疗、政策干预等）的倾向来建立一个参照组，从而实现对干预效果的估计。
倾向匹配得分是在进行倾向匹配分析后得出的结果，它表示了接受干预和不接受干预两组之间的差异。
二、倾向匹配得分的计算方法倾向匹配得分的计算通常使用一种机器学习算法，例如：逻辑回归、随机森林或支持向量机等。
这些算法会根据数据集中的特征和指标，为每个个体计算出一个倾向匹配得分，以判断其接受干预的可能性。
三、倾向匹配得分的含义倾向匹配得分的含义取决于具体的研究问题和研究设计。
在大多数情况下，得分越高表示个体接受干预的可能性越大，即说明某个因素对另一个因素的影响越强。
相反，得分越低说明个体接受干预的可能性越小。
四、解读倾向匹配得分的步骤1. 了解研究问题和研究设计：在进行倾向匹配分析之前，研究者需要明确研究问题和研究设计，确定需要比较的两组（接受干预组和不接受干预组）。
2. 检查倾向匹配得分分布：通过查看倾向匹配得分的分布情况，可以获得关于样本是否有足够的变异性以及倾向匹配是否成功的信息。
如果两个组的分布相似，说明倾向匹配是有效的。
3. 比较两组的倾向匹配得分：计算接受干预组和不接受干预组的倾向匹配得分的平均值，并进行比较。
如果接受干预组的得分明显高于不接受干预组，说明干预措施对目标因素产生了积极的影响。
4. 分析倾向匹配得分的稳健性：通过进行灵敏性分析和处理观察到的偏差，可以验证倾向匹配结果的稳健性。
例如，可以尝试使用不同的算法或调整匹配比例来检验结果的一致性。
关于倾向评分配比法
关于倾向评分配比法【关键词】倾向评分配比法配比(matching)，或称匹配，是指选择某些特征上与处理组一致的对照，排除这些因素的混杂作用，从而凸显出研究因素的效应。
配比是控制混杂偏倚的常用方法。
配比又分为频数配比和个体配比。
频数配比(frequency matching)又称为成组配比，是指在选择对照时要求对照组某些重要混杂因素的分布与处理组总体一致。
比如研究某处理在人群中的效应时，如果处理组男性占30 %，则选择对照组时，男性也要占30 %。
个体配比(inpidual matching)是以个体为单位进行的匹配，即处理组的每一个个体与对照组1个或几个个体在某些特征(配比变量)相同。
如果1个处理组个体对应1个对照，则为1∶1配比，又称配对，这是个体配比研究最常见的形式。
如果1个处理对象配2个或2个以上对照，这为1∶m配比，如1∶2，1∶3。
一、倾向评分配比的概念倾向评分配比(propensity score matching)就是利用倾向评分值从对照组中为处理组每个个体寻找1个或多个背景特征相同或相似的个体作为对照，最终两组的混杂变量也趋于均衡可比，属于一种个体配比的方法。
与传统的个体配比方法相比，倾向评分配比的优势是同时匹配许多混杂因素时不增加匹配的难度和效果。
传统的分层匹配的方法要根据每个变量取值分层后进行匹配，如果需要平衡的变量个数或水平较多，则分层数成倍增加，往往难以实现。
马氏配比是通过计算两个观察对象的马氏距离进行配比，随着配比维数的增加，不但运算量大大增加，而且马氏距离均值也增加，使配比效果下降[1]。
而倾向评分配比将所有的协变量综合为一个尺度变量，因此协变量个数增加并不增加配比的难度[2，3]。
尽管倾向评分配比能够同时平衡较多的变量，但其永远只局限于已知的混杂变量，而许多未知的混杂变量可能仍然会对最终的结果产生影响。
因此，其组间均衡性不可能完全达到随机对照研究的均衡性。
二、倾向评分配比的原理目前利用倾向评分进行配比的具体方法较多，如：最邻配比法(nearest neighborhood matching)、与马氏矩阵配比法(Mahalanobis metric matching)、Radius配比法(Radius Matching)、Kernel配比法(Kernel Matching)和局部线性回归配比法(local linear regression matching)等[4]。
倾向得分匹配法的研究探索及应用
倾向得分匹配法的研究探索及应用倾向得分匹配法是一种广泛应用于社会科学和医学领域的研究方法，该方法通过匹配实验组和对照组的倾向得分，以减少选择偏误和混杂因素的影响，从而提高研究结果的准确性和可靠性。
本文将探讨倾向得分匹配法的研究应用，并分析其实验设计和数据分析过程，以期为相关领域的研究提供借鉴和参考。
本文将围绕倾向得分匹配法展开，涉及的关键字包括：倾向得分、匹配法、实验设计、数据收集、数据分析等。
以下是这些关键字的定义：倾向得分：在倾向得分匹配法中，倾向得分是指对个体接受处理（如干预、治疗等）的概率进行评估的分数。
倾向得分通过综合考虑个体的各种特征和变量来计算，这些特征和变量可以包括个体的年龄、性别、教育程度、职业、健康状况等。
匹配法：匹配法是一种将研究对象配对或分组的方法，以减少混杂因素的影响，从而提高研究结果的准确性和可靠性。
在倾向得分匹配法中，研究人员根据倾向得分将实验组和对照组进行匹配，以使两个组之间的特征和变量更加相似。
实验设计：实验设计是指一项研究的设计过程，包括实验的目的、假设、样本选择、变量确定、数据采集和分析方法等。
在倾向得分匹配法中，实验设计还包括如何计算倾向得分和进行匹配的方法。
数据收集：数据收集是指通过调查、观察、问卷等方式获取研究所需的数据。
在倾向得分匹配法中，数据收集需要考虑如何收集与倾向得分相关的数据，以及如何保证数据的准确性和完整性。
数据分析：数据分析是指对收集到的数据进行统计、计算、绘图等方式的处理和分析，以得出研究结果和结论。
在倾向得分匹配法中，数据分析需要运用倾向得分匹配法对数据进行处理和分析，以得出研究结果。
本文将分为以下几个部分展开探讨倾向得分匹配法的研究应用：倾向得分匹配法是一种广泛应用于社会科学和医学领域的研究方法，该方法通过匹配实验组和对照组的倾向得分，以减少选择偏误和混杂因素的影响，从而提高研究结果的准确性和可靠性。
目前，倾向得分匹配法已经在众多领域得到了广泛的应用，如医学、社会科学、经济学等。
倾向得分匹配法的前提条件
倾向得分匹配法（Propensity Score Matching）是一种用于处理观测数据中存在选择偏差的统计方法。
在使用倾向得分匹配法时，以下是一些前提条件和假设：
1.随机分配原则：倾向得分匹配法的前提条件之一是，处理组和对照组之间的暴露（或干
预）是随机分配的。
这意味着没有系统性的因素影响了个体被分配到不同组的可能性。
2.缺乏完全遗漏变量：倾向得分匹配法假设不存在未观察到或未记录的重要变量，这些变
量既与暴露（或干预）相关，又与结果变量相关。
如果存在未观察到的重要变量，则可能导致偏倚估计。
3.共线性假设：倾向得分匹配法假设倾向得分（propensity score）可以按照一定的规则（如
逻辑回归模型）从可观察到的协变量中获取，而且倾向得分不会存在较高的共线性问题。
4.反应同质性假设：倾向得分匹配法假设不同个体对暴露（或干预）的反应相对稳定，即
不存在异质性效应。
换句话说，个体的暴露与结果之间的关系在不同的子群体中是相似的。
5.随机非响应假设：倾向得分匹配法假设观测到的样本中，处理组和对照组之间的选择进
入研究的概率不受未观察到的因素影响。
这些前提条件和假设对于正确地应用倾向得分匹配方法以减少选择偏差至关重要。
研究者需要在设计研究和分析数据时考虑这些条件，并进行适当的敏感性分析来评估任何潜在的偏倚。
SPSS—倾向性评分匹配法（PSM）
SPSS—倾向性评分匹配法（PSM）倾向评分匹配(propensity score matching, PSM)的概念由Rosenbaum和Rubin在1983年首次提出。
2010年之后，这一方法日益受到人们的关注。
国际上越来越多的研究者将倾向指数法应用到流行病学、健康服务研究、经济学以及社会科学等许多领域。
在流行病学研究中，该方法可以在分析和设计阶段有效平衡非随机对照研究中的混杂偏倚，使研究结果接近随机对照研究的效果。
在观察性研究中，如病例对照研究，经常会见到匹配的概念，即按照某些因素或特征，将病例组（或暴露组）和对照组的研究对象进行匹配，以保证两组研究对象具有可比性，从而排除匹配因素的干扰。
同样，既然倾向性评分是一个能够反映多个混杂因素影响的综合评分，我们也可以将两组人群按照倾向性评分从小到大来进行匹配，仅用匹配倾向性评分一个指标来达到同时控制多个混杂因素的目的。
倾向性评分匹配是倾向性分析中应用最为广泛的一种方法。
首先我们要计算出每一个研究对象的倾向性评分，然后从小到大进行排序，对于每一个暴露/处理组的研究对象，从对照组中选取与其倾向性评分最为接近的所有个体，并从中随机抽取一个或N个研究对象作为匹配对象，直至所有的研究对象均匹配完毕，未匹配上的研究对象则进行舍去。
当然，有多少研究对象可以成功匹配，常常与选择匹配的比例和匹配的标准有关。
匹配的比例最常见的为1:1匹配，需要根据两组人群的数量来决定合适的匹配比例，建议不要超过1:4匹配。
对于匹配标准，如果匹配的标准很高，则能够成功匹配的对象就可能会少，甚至出现匹配不上的现象，造成研究对象信息的浪费，如果匹配的标准很宽泛，则匹配的效果就会较差，有可能出现两组人群在匹配后依然存在混杂因素分布不均衡的现象。
例如某个个体的倾向性评分为0.8，如果设定匹配标准为±0.02，则需要为其寻找倾向性评分在0.78-0.82之间的对照进行匹配，匹配范围太窄就可能出现匹配不上的情况；如果设定匹配标准为±0.2，则需要为其寻找倾向性评分在0.8-1.0之间的对照进行匹配，匹配范围太宽则可能降低匹配的效果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
倾向得分匹配法介绍
本研究主要考察政府对企业研究开发补贴的影响，由于传统的模型例如采用
普通最小二乘法（OLS）估计的多元线性模型难以有效地解决可能存在的样本选
择性偏差和遗漏关键变量所造成的内生性这两个关键性问题。
因此，本研究主要
采用倾向得分匹配法（propensity score matching，PSM）对政府对企业研究开
发的补贴与企业发展水平的实证关系进行稳健性的因果推断。
一、模型构建
1、政府补贴的二值分类指标
倾向得分匹配法方法的理论框架是基于“反事实推断模型”，即假定任何因
果分析的研究对象都存在可以观测到的和未被观测到的两种结果。
以本研究为例，
根据建模的需要，首先将样本企业分为两种类型，比较样本企业在“受到补贴”
与“没有受到补贴”这两种状态下是否存在系统性差异。
一类是获得政府在研究
开发方面给予补贴的企业，即处理组（T，treatment group）；另一类是没有获
得政府补贴的企业，即为控制组（C，control group），由此建立二元虚拟变量
D s={0，1}。
当D s=1时，表示该企业S获得了政府补贴；当D s=0时，表示该企
业S为参照组，没有获得政府补贴。
2、倾向得分匹配估计（PSM）
根据倾向得分匹配法方法的估计思路，假设lnincome表示企业发展水平的
结果变量，lnincome1表示获得政府补贴的企业发展水平，lnincome0表示未获得
政府补贴的企业发展水平。
根据Rubin反事实估计的设定要求，本研究将获得政
府补贴对企业发展水平影响的参照组平均处理效应（ATT）、控制组平均处理效应
（ATU）和平均处理效应（ATE）分别定义为公式（1）-（3）。
ATT=E[(lnincome1- lnincome0) | X, subside=1] （1）
ATU= E[(lnincome1- lnincome0) | X, subside=0] （2）
ATE=E[(lnincome1- lnincome0) | X] （3）
其中，X 为影响企业发展水平的一系列自变量；参照组平均处理效应（ATT ）测度的是试验组样本（获取政府补贴的企业样本）在获取政府补贴前后发展水平变化的期望值；控制组平均处理效应（ATU ）测度的是对照组样本（未获取政府补贴的企业样本）在获取政府补贴前后发展水平变化的期望值；平均处理效应（ATE ）测度的是样本满足“个体处理效应稳定假设”前提下，同一样本企业在获取政府补贴前后发展变化的期望值。
3、倾向得分匹配过程（matching ）
在公式（1）和（2）中，E(lnincome 0 | X, subside=1)表示获得补贴的企业如果不接受政府补贴时的企业发展水平，E(lnincome 1 | X, subside=0)表示没有获得补贴的企业如果接受政府补贴时的企业发展水平，由此可以看出，这两个期望均值是非事实以及不可观测的。
解决这一问题的关键思路是，如果可以找到与获得政府补贴的企业“相似”的未获取政府补贴的企业，那么，就可以通过观察未获取补贴企业来判断接受补贴的企业在反事实情况下的发展水平，这一过程被称之为匹配过程（matching ）。
通过匹配，可以使得获取补贴的企业和未获取补贴的企业所有的特征变量都尽量相同，但这些特征变量的权重在很多情况下难以衡量。
基于此，采用倾向得分匹配法则可以将众多指标合成为一个得分（score ），对得分相近的企业进行匹配，因此，可以采用Probit 或logit 二元选择模型来估计企业接受补贴的概率值（公式（4））。
exp()()Pr (1|)1exp()X p X o subside X X ββ===-
（4） 其中，p 是企业获取政府补贴的概率，X 为一系列影响企业获得政府补贴的因素，即匹配变量。
将这些匹配变量进行回归，进而可以计算得到每一个企业是否获取政府补贴的倾向得分（propensity score ）。
根据这些倾向得分，我们可以将得分相近的企业进行匹配，通常采用的近邻匹配方法有K 近邻匹配、卡尺匹配和卡尺K 近邻匹配。
本研究分别采用上述三种近邻匹配方法进行实证检验，近邻匹配方法的基本思想是为每个获取政府补贴的企业前向或者后向寻找唯一得分最为邻近的未获取政府补贴的企业作为前者的匹配对象。
4、匹配平衡性检验
最后，要对匹配的结果进行平衡性检验，以检测本研究的匹配结果是否可靠。
如果匹配结果良好，则两组企业匹配后在匹配变量上应该是不存在显着差异的，这表明本研究选取的匹配变量和匹配方法都是合适的,匹配后的获得政府补贴的企业与未获得补贴的企业基本一致。