倾向值分析：统计方法与应用（美）郭申阳-阅读笔记

czchenzhou

于 2022-06-26 14:34:02 发布

阅读量572

点赞数

文章标签：经验分享

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/czchenzhou/article/details/125414425

版权

本文介绍了PSM（Propensity Score Matching）的步骤，包括使用Logit回归或机器学习（如GBM、GDBT）估计倾向得分，根据匹配值选择匹配方法（如最近邻、最佳匹配），并验证匹配后偏差。关键概念涉及倾向得分调整、匹配方法选择与偏差检验。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

PSM方法步骤

选取适当方法得出各样本匹配值。
（自变量为二分时可用logit回归）；或者GBM方法（机器学习）；现在可能更好的方法是GDBT???
（在匹配之前，也可以直接用倾向值得分进行加权回归，以判断样本通过倾向值加权后的平衡情况（是对协变量、自变量的回归。具体见5.9.5 p150），如果是平衡的，可以直接用倾向值加权进行回归；但是前面检验结果可能表明仍然是有偏的，则不适合后续回归）
根据匹配值，结合样本的共同支撑情况等分布，选择合适的匹配方法。
如最近邻匹配、最佳匹配、可变匹配、完全匹配等方法

匹配后，对样本匹配后所减少的偏差进行检验，即dx（具体介绍部分在5.5.3，p121）

在这里插入图片描述

p146

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。