计量经济学中倾向得分匹配（PSM）在政策评估中的应用.docxVIP

计量经济学中倾向得分匹配（PSM）在政策评估中的应用

一、引言

在公共政策研究领域，如何科学评估政策实施效果始终是核心问题。无论是一项就业扶持计划的推行，还是教育资源均衡化政策的落地，政策制定者和研究者都需要回答：“政策是否真正改善了目标群体的福利？”“政策效果的大小如何衡量？”传统评估方法如简单对比组间差异、普通最小二乘法（OLS）回归等，往往因无法有效控制“选择偏差”——即政策接受者与未接受者在政策实施前就存在的系统性差异——而导致结果失真。在此背景下，倾向得分匹配（PropensityScoreMatching,PSM）作为计量经济学中处理非实验数据选择偏差的重要工具，逐渐成为政策评估的主流方法之一。它通过构建“反事实框架”，模拟随机实验的效果，为政策效果的因果推断提供了更可靠的路径。本文将围绕PSM的核心逻辑、适用性、操作流程及实践价值展开系统探讨，揭示其在政策评估中的独特作用。

二、倾向得分匹配（PSM）的核心逻辑与理论基础

（一）政策评估的核心挑战：选择偏差与反事实推断

政策评估的本质是因果推断，即估计“如果政策实施，结果会如何”与“如果政策未实施，结果会如何”的差异。但现实中，我们只能观测到其中一种结果（政策实施后的结果或未实施的结果），另一种结果被称为“反事实结果”。例如，评估某地区“技能培训政策”对就业的影响时，我们能观测到参与培训者的就业情况，却无法直接知道这些人若未参与培训的就业情况；同样，未参与培训者的就业数据也无法直接反映他们若参与培训的结果。这种“反事实缺失”问题，加上政策参与者往往因自身特征（如年龄、教育水平、职业需求）更可能被纳入政策覆盖范围（即“自选择”或“政策选择”），导致简单对比两组结果时，差异可能并非由政策本身引起，而是由两组先天差异（选择偏差）导致。

（二）倾向得分匹配的逻辑起点：通过协变量平衡模拟随机实验

PSM的核心思想是通过“匹配”技术，为每一位政策参与者（处理组）找到一组未参与者（控制组），使得两组在所有可能影响政策参与和结果的协变量（如年龄、教育、收入等）上尽可能相似，从而消除选择偏差。具体来说，倾向得分（PropensityScore）是一个概率值，反映个体在给定协变量下被纳入政策处理组的概率。通过估计每个个体的倾向得分，研究者可以将高维的协变量信息压缩为一个一维的概率值，然后在倾向得分相近的个体间进行匹配，使得处理组与控制组在倾向得分分布上重叠，进而保证两组在协变量上的平衡。这种方法本质上是将非实验数据转化为“近似随机”的实验数据，从而使组间差异更可能反映政策的真实效果。

（三）PSM的理论支撑：罗森鲍姆-鲁宾假设（Rosenbaum-RubinAssumptions）

PSM的有效性依赖于两个关键假设：一是“条件独立假设”（ConditionalIndependenceAssumption,CIA），即给定协变量，政策参与状态与反事实结果无关。通俗地说，所有影响政策参与和结果的因素都已被观测并纳入协变量，不存在未观测的混杂变量。二是“共同支撑假设”（CommonSupportAssumption），即对于所有协变量组合，存在一定比例的个体既可能在处理组也可能在控制组，确保有足够的匹配对象。这两个假设为PSM的因果推断提供了理论基础，也提示研究者在应用时需严格检验协变量的全面性和样本的重叠性。

三、PSM在政策评估中的适用性分析

（一）弥补传统方法的不足：对比OLS与随机实验

传统的OLS回归通过控制协变量来估计政策效果，但当协变量与政策参与状态存在交互作用或高维非线性关系时，OLS可能因模型设定误差导致偏误。随机实验（如随机对照试验，RCT）虽被视为因果推断的“黄金标准”，但受限于伦理（如无法对弱势群体随机分配政策）、成本（大规模实验耗资巨大）和可行性（政策通常具有不可逆转性），实际应用中往往难以实施。PSM则在非实验数据环境下，通过匹配技术逼近随机实验的效果，既避免了RCT的高门槛，又比OLS更灵活地处理非线性和高维协变量问题，尤其适用于政策评估中常见的“自然实验”场景（如政策仅在部分地区试点）。

（二）适用场景的典型特征

PSM适用于政策评估中以下典型场景：其一，政策覆盖对象存在明显的自选择行为，如创业者更可能申请创业补贴，低收入家庭更可能参与保障房政策；其二，政策效果需要针对特定群体（如中小企业、农村居民）进行精准估计，而非整体平均效应；其三，数据来源为观测性数据（如行政记录、调查数据），无法通过随机分配生成处理组与控制组；其四，政策实施后需要快速评估效果，无法等待长期追踪实验。例如，在评估“某城市低保扩围政策”对家庭消费的影响时，由于低保申请者往往因收入、家庭人口等特征主动申请，直接对比扩围前后的消费变化可能混淆“政策效果”与“申请者本身消费