影响农户参保与否的主观素因分析.docxVIP

影响农户参保与否的主观因素分析当今农村少子化、老龄化问题不断恶化，传统的养老模式难以为继。2009年推出的新农保采取政府、地方和个人缴费的三方主体共同筹资的模式，目的是为了有效地缓解农村居民的养老压力。然而新农保制度推广5年之久，在本次的调查中，我们看到仍然有大约四成受访者未参加新农保。在上节，笔者分析了农户个人特征和家庭特征等客观因素对于最终参保选择的影响。本节将采用倾向值匹配法，从农户对于新农保制度的评价和农户自身的风险意识等主观认知层面分析农户未参保的原因分析。一、倾向得分匹配法(PSM）倾向的匹配法是倾向评分匹配（Propensity Score Matching，简称PSM）是一种统计学方法，用于处理观察研究（Observational Study）的数据，是一种比较前沿的因果分析方法。在观察研究中，由于种种原因，实验中会存在较多的数据偏差（bias）和混杂变量（confounding variable），倾向评分匹配法正是能够减少这些偏差和混杂变量的影响，以便对实验组和对照组进行更合理的比较。这种方法最早由Paul Rosenbaum和Donald Rubin在1983年提出，倾向得分法是个体在其自身属性下接受某种干预的可能性。倾向值法能够有效地去除控制变量和混杂因素带来的偏差。可以这样讲，倾向值法重新进行了一场随机实验，通过这个实验，选取倾向值一样的两个样本，分别分在实验组和对照组，然后只单纯的考虑排除掉这个干扰因素之后的其他关键因素对试验的影响配对带来的问题。通过PSM可以将多维度的复杂问题变为一维的简单比较，成功简化了配对的过程，抵消了部分不完全和不准确。倾向得分（Propensity Score）1980年以后才开始得到重视，一般常用于医学、公共卫生、经济学等领域最多是被流行病学和临床医学用力啊结局非试验数据选择偏移问题最广泛应用的方法。倾向得分法的实际运用分为两步，首先是建立一个倾向值模型，通过该模型计算在既定条件下，一个样本被其他因素干扰后的倾向得分，倾向值可以在接下来的实验中被用来配对、加权或者分类，或者可以将倾向值作为一个协变量来调整回归模型。由上述讨论得出，倾向值匹配方法的顺序如下：（1）构建Probit 模型或者是logistic模型，选择相关变量，使用 Probit（或者 Logistic模型得出倾向值；根据得到的 PS 值，将样本农户等分为 N组，在每个分组中，分别计算处理组和控制组的平均倾向得分值，并检验二者之间的显著差异，若存在，则需要进一步细分，并重新进行上述检验；一直反复进行上述操作，直至在每个分组中，训练组和控制组的平均倾向得分值都相等时结束。?（2）匹配方法。根据上文估算出的倾向值，可以将倾向值相同或相近的对照组和实验组进行匹配，一般常用的匹配方法有：最近邻居法、Kernel? 法和Radius 法；如果是连续型变量，我们将很难找到两个倾向得分完全相同的作为对照组和实验组，最终无法实现两组样本之间的匹配。多种匹配方法能够解决这一问题，常用的多种匹配方法包括：邻近邻匹配法（Nearest Neighbor Matching）、半径匹配法（Radius Matching）以及核匹配法（Kernel Matching）。邻近邻匹配法是以上文估算出的倾向值为基础，向前或向后寻找与实验组样本的倾向值最为接近的对照组样本，选为实验组的对照组。而半径匹配是首先设定一个常数 r，包含于控制组中的倾向得分值与处理样本 i 的倾向得分值之间的差异小于 r的样本都将选定为匹配对象。（3）通过比较匹配前后的标准差，t检测值和 Pseudo‐R2 值来评估匹配的质量。倾向值需要通过二元因变量回归模型获得，模型中需要包含所有试验前的基本协变量，重要协变量的遗漏可能会导致最终倾向值的偏差，因此必须根据自己的理论经验和实践基础，来分析研究各个变量之间的关系，才能够够建立一个良好的倾向值模型。本文采用倾向值匹配法来对未参保的农户与已经参保的用户进行匹配，分析排除性别、健康状况、文化程度、居住地距离县城的远近等因素后，参保者与未参保者主观认知存在的差异。本文进行倾向值分析的步骤如下：首先根据本文第二章分析农户是否参保的影响因素的二元logistic模型对未参保农户的参保意愿进行概率值拟合，该概率值即是农户的参保倾向得分，根据倾向得分使用spss中的PSM对倾向值相近的未参保农户与已参保农户进行匹配，筛选出倾向值相匹配的对照组和实验组，最后对PSM结果进行整合，分析参保主体和未参保主体的主观认知因素有何不同。二、主观认知变量赋值与统计结果本文采用国际惯用的赋值方法，将农户的评价按照由弱到强划分为五个档次，一点都不担心和完全不是福利为“1”分，非常担心养老和完全是福利设为“5”分。表2-2 农户主观认知变量赋值变量