PSM（倾向得分匹配）是一种处理因果推断中内生性问题的方法，通过找到处理组和控制组在除自变量外其他特征相似的样本进行匹配。本文介绍了匹配的思想、倾向得分的定义以及在Stata中的应用步骤，包括如何处理连续和离散自变量，使用psmatch2命令进行匹配，并解释匹配结果和检验匹配平衡性。最后，强调了PSM的应用条件和局限性。
匹配估计的思想：假如你要研究企业的R&D投入对performance的影响，匹配思想是这样的：假如有两家企业，其R&D投入明显不同，但是其他各方面都高度相同，例如公司规模，杠杆率，所属行业，公司治理结构等，那么在其他各方面都高度相同的情况下，这时就可以把公司performance的差异归因到R&D投入的差异。这种找到一个控制组的个体，使得该个体与处理组的个体在除自变量外其他各因素都相似(也就是匹配)，在通过自变量的差异解释因变量差异的行为，就是匹配的思想。
一般来说，每个样本有多个属性，例如一家公司，属性有公司规模，公司年龄，杠杆率，增长率，市场占有率，治理结构相关变量，行业等，这就意味着匹配时要考虑诸多属性，也就是进行高维度匹配。一个比较好的思路是定义高维空间的距离，然后计算两个样本在高维空间的距离。
倾向得分的定义是一个个体进入处理组的概率，为什么要引入这个概念？因为如果针对多个可观察特征X进行对比匹配非常困难，所以，可将多维协变量X用一个一维变量——倾向得分P(x)来代替，这样，研究者就只需要对单一的倾向得分变量进行匹配，从而大大减少了匹配的困难。这个方法最早由Rosenbaum and Rubin(1983)提出。
PSM在stata的实现过程。
首先，如果自变量是连续变量，需要转换为二元离散变量，比如自变量是企业R&D投入，你需要找到一个临界值，把R&D投入分为高R&D投入组和低R&D投入组，临界值包括：平均数&
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
