Stata手动：各类匹配方法大全A——理论篇

全文阅读：https://www.lianxh.cn/news/8491785f3a1f7.html

目录

• 1. 单变量匹配 uni-variate match
  • 1.1 精确匹配 exact match
  • 1.2 粗糙精确匹配 coarsened exact match
  • 1.3 k-近邻匹配 k-nearest neighbor match
  • 1.4 radius (caliper) match
• 2. 多变量匹配 multi-variate match
  • 2.1 欧氏距离匹配 euclidean distance match
  • 2.2 马氏距离匹配 mahalanobis distance match
  • 2.3 百分等级匹配 percentile rank match
  • 2.4 倾向得分匹配 propensity score match
• 3. 代码展示
  • 3.1 数据生成过程
  • 3.2 欧氏距离匹配的结果
  • 3.3 马氏距离匹配的结果
  • 3.4 倾向得分匹配的结果
• 4. 参考文献和资料
• 附：文中使用的 dofiles

匹配是研究处理效应的常见工具，本文总结了常见的匹配方法，并在第三部分给出 Stata 模拟以比较不同的匹配方法的优劣。

1. 单变量匹配 uni-variate match

单变量匹配的方法有精确匹配、粗糙精确匹配，k-近邻匹配和半径 (卡尺) 匹配。

1.1 精确匹配 exact match

顾名思义，当且仅当两个观测值的匹配变量相等时匹配成功。

1.2 粗糙精确匹配 coarsened exact match

粗糙精确匹配用途广泛，通常要求匹配变量是分类变量。比如公司金融中同行业的公司，又比如教育经济学中在同一个班的同学。粗糙精确匹配可以轻松的推广到多变量匹配的情形，如同行业同年度的公司，同班同性别的同学。

1.3 k-近邻匹配 k-nearest neighbor match

k-近邻匹配要求匹配变量是距离，它选取距离最近的 k 个观测值作为对照组。

1.4 radius (caliper) match

k-近邻匹配要求匹配变量也是距离，它事先设定半径 (上下半径可以不同)，找出设定范围内的全部观测值作为对照组。显然，随着半径的降低，匹配要求也更趋严格。

 

2. 多变量匹配 multi-variate match

多变量匹配的核心思路是降维 (dimension reduction)，将多变量降维为距离或得分，然后再运用单变量匹配的方法。多变量匹配的方法有欧氏距离、百分等级、马氏距离和倾向得分匹配等。

为能直观的图示，下文全部示例仅考虑双变量 (平面) 的情形。

全文阅读：https://www.lianxh.cn/news/8491785f3a1f7.html