倾向值匹配模型-(PSM模型).pptVIP

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。 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(0.001) 方法二：半径匹配法（radius matching） 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。 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 方法三：分层匹配法（stratification matching） 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。 方法四：核匹配法（kernel matching） 命令 set seed 10101 attk re78 treat $x,comsup boot reps($breps) dots logit 方法四：核匹配法（kernel matching） psmatch2 匹配变量的筛选 1.设定宏变量 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 匹配变量的筛选 2.初步设定 logit treat $x 匹配变量的筛选 3.逐步回归 stepwise,pr(0.1):logit treat $x 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模型估计样本处理的概率值。概率表示如下： P(x)=Pr[D=1|X]=E[D|X] 匹配处理组 最近邻匹配 命令：psmatch2 treat $x（if soe==1）,out(re78) neighbor(2) ate 半径匹配 命令：psmatch2 treat $x,out(re78) ate radius caliper(0.01) 核匹配 命令：psmatch2 treat $x,out(re78) ate kernel 匹配处理组 满足两个假设：A共同支撑假设B平行假设 ATT（平均处理效应的衡量） 以半径匹配为例：psmatch2 treat $x,out(re78) ate radius caliper(0.01) 1 2 3 1、处理组平均效应（ATT） 2、控制组平均效应（ATU） 3、总体平均效应（ATE） ATT（平均处理效应的衡量） 匹配前后变量的差异对比 命令：pstest re78 $x（pstest re78 $x,both graph） 匹配前后密度函数图 twoway (kdensity _ps if _treat==1, legend(label(1 Treat))) (kdensity _ps if (_wei!=1_wei!=.), legend(label(2 Control))), xtitle(Pscore) title(After Matching) twoway (kdensity _ps if _treat==1, legend(label(1 Treat))) (kdensity _ps if _treat==0, legend(label(2 Control))),xtitle(Pscore) title(Before Matching) 运用bootstrap获得ATT标