倾向值匹配法(PSM)素材.ppt

方法四：核匹配法（kernel matching） 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。 方法四：核匹配法（kernel matching） 命令 set seed 10101 attk re78 treat $x,comsup boot reps($breps) dots logit 方法四：核匹配法（kernel matching） 倾向值匹配法（PSM） Q：为什么要使用PSM？ A：解决样本选择偏误带来的内生性问题 例：上北大有助于提高收入吗？ 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…） 解决方法：样本配对 配对方法 同行业（一维配对） 同行业、规模相当（二维配对） 同行业、规模相当、股权结构相当、……（多维配对）？？？ PSM：把多个维度的信息浓缩成一个（降维：多维到一维） 配对过程中的两个核心问题（1） Q1：哪个样本更好一些？ A1:Sample2较好：比较容易满足共同支撑假设（common support assumption） 配对过程中的两个核心问题（2） Q2：stu c1,c2,c3三人中，谁是stu PK的最佳配对对象？ A2：stu c3是最佳配对对象，比较容易满足平行假设（balancing assumption） ATT（Average Treatment Effect on the Treated）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):Stu PK 上北大后的年薪 Y(0): Stu PK 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。 实例介绍 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。 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。 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0 age 年龄 educ 受教育年数 black 种族虚拟变量，黑人时，black=1 hsip 民族虚拟变量，西班牙人时，hsip=1 marr 婚姻状况虚拟变量，已婚，marr=1 re74 1974年实际工资 re75 1975年实际工资 变量定义 re78 1978年实际工资 u74 当在1974年失业，u74=1 agesq age*age educsq educ*educ re74sq re74*re74 re75sq re75*re75 u74blcak u74*blcak 倾向打分 OLS回归结果 工资的变化到底是来自个体的异质性 性还是培训？ 倾向打分 1.设定宏变量 (1)设定宏变量breps表示重复抽样200次 命令：global breps 200 (2)设定宏变量x，表示age agesq educ educsq married black hisp re74 re75 re74sq re75sq u74black 命令：global x age agesq educ educsq married black hisp re74 re75 re74sq re75sq u74black 倾向打分 2.通过logit模型进行倾向打分 命令：pscore treat $x,pscore(mypscore) blockid(myblock) comsup numblo(5) level(0.05) logit 注:$表示引用宏变量 pscore结果 倾向值分布 倾向值分布 block中样本的分布 block中的描述性统计 运用得分进行样本匹配并比较 方法一：最邻近方法（nearest neighbor matching） 含义：最邻近匹配法是最常用的一种匹配方法，它把控制组中找到的与处理组个体倾向得分差异最小的个体，作为自己的比较对象 。 优点：按处理个体找控制个体，所有处理个体都会配对成功，处理组的信息得以充分使用。 缺点：由于