stata 倾向得分匹配（二）偏差校正匹配估计量

在前期倾向匹配得分模型中，估计倾向得分存在不确定性，可使用probit、 logit或非参数估计，主观性较强，更重要的是由于非精确匹配一般存在偏差，因此可通过校正匹配估计量来处理。

偏差校正匹配估计量可通过非官方命令nnmatch来实现：

ssc install nnmatch,replace

该官方命令的基本句式为：

nnmatch y D x1 x2 x3,metric(maha) tc(att) tc(atc) m(k) robust(#) biasadj(bias|varlist) pop

y表示因变量，D表示处理虚拟变量，诸多X表示协变量，metric(maha)表示使用马氏距离，tc（att）、tc（atc）表示估计ATT和ATU，默认估计ATE。m（k）表示进行k邻近匹配，默认K=1，robust表示稳健标准误，#为正整数，表示计算稳健标准误的近邻个数，biasadj(bias)表示根据原来协变量进行偏差校正，默认不进行偏差校正，也可通过指定项biasadj(varlist)来指定用于偏差校正的变量名单，pop表示估计总体平均处理效应。

下面依然以倾向匹配得分用到的数据集进行偏差校正匹配分析

首先通过一对四匹配，估计ATT,不做偏差校正，使用稳健标准误

use ldw_exper.dta,replace
nnmatch re78 t age educ black hisp married re74 re75 u74 u75,tc(att) m(4) robust(4)

ATT估计值为1.995，在1%显著性水平下显著。

下面重复上述操作，增加偏差校正

nnmatch re78 t age educ black hisp married re74 re75 u74 u75,tc(att) m(4) robust(4) bias(bias)

校正后的结果显示，ATT效应减少为1.838，在5%显著性水平下显著。

最后采用马氏距离进行匹配：

nnmatch re78 t age educ black hisp married re74 re75 u74 u75,tc(att) m(4) robust(4) bias(bias) metric(maha)

ATT效应为1.796 ，5%显著性水平下显著

综合以上三种结果，发现整体结论较为稳定。

本案例参考陈强老师的高级计量经济学及stata应用，谢谢！