文档介绍：倾向值匹配法
第1页，此课件共44页哦
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
第1页，此课件共44页哦
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：由于不舍弃任何一个处理组，很可能有些配对组的倾向得分差距很大，也将其配对，导致配对质量不高，而处理效应ATT的结果中也会包含这一差距，使得ATT精确度下降。
第22页，此课件共44页哦
方法一：最邻近方法 （nearest neighbor matching）
命令
set seed 10101（产生随机数种子）
attnd re78 treat $x,comsup boot reps($breps) dots logit
第23页，此课件共44页哦
方法一：最邻近方法 （nearest neighbor matching）
第24页，此课件共44页哦
方法二：半径匹配法 （radius matching）
半径匹配法是事先设定半径，找到所有设定半径范围内的单位圆中的控制样本，半径取值为正。随着半径的降低，匹配的要求越来越严。
第25页，此课件共44页哦
方法二：半径匹配法 （radius matching）
命令
set seed 10101
attr re78 treat $x,comsup boot reps($breps) dots logit radius()
第26页，此课件共44页哦
方法二：半径匹配法 （radius matching）
第27页，此课件共44页哦
方法三：分层匹配法 （stratification matching）
内容：分层匹配法是根据估计的倾向得分将全部样本分块，使得每块的平均倾向得分在处理组和控制组中相等。
优点：Cochrane ,Chambers（1965）指出五个区就可以消除95%的与协变量相关的偏差。这个方法考虑到了样本的分层问题或聚类问题。就是假定：每一层内的个体样本具有相关性，而各层之间的样本不具有相关性。
缺点：如果在每个区内找不到对照个体，那么这类个体的信息，会丢弃不用。总体配对的数量减少。
第28页，此课件共44页哦
方法三：分层匹配法 （stratification matching）
命令
set seed 10101
atts re78 treat,pscore(mypscore) blockid(myblock) comsup boot reps($breps) dots
第29页，此课件共44页哦
方法三：分层匹配法 （stratification matching）
第30页，此课件共44页哦
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。
第31页，此课件共44页哦
方法四：核匹配法 （kernel matching）
命令
set seed 10101
attk re78 treat $x,comsup boot reps($breps) dots logit
第32页，此课件共44页哦
方法四：核匹配法 （kernel matching）
第33页，此课件共44页哦
psmatch2
第34页，此课件共44页哦
匹配变量的筛选
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
第35页，此课件共44页哦
匹配变量的筛选
logit treat $x
第36页，此课件共44页哦
匹配变量的筛选
stepwise,pr():logit treat $x
第37页，此课件共44页哦
ps值的计算
psmatch2 treat $x,out(re78)
倾向得分的含义是，在给定X的情况下，样本处理的概率值。利用logit模型估计