倾向得分匹配法的偏差来源与修正.docxVIP

倾向得分匹配法的偏差来源与修正

一、倾向得分匹配法的核心逻辑与偏差问题的提出

（一）倾向得分匹配法的基本原理与应用价值

在观察性研究中，研究者往往无法通过随机分配控制处理组与控制组的基线差异（即“选择偏差”）——例如，评估“职业培训对就业的影响”时，主动参与培训的个体可能本身更积极、更有学习意愿，这些特征既影响“是否参与培训”（处理变量），也影响“就业结果”（结果变量）。直接比较培训者与未培训者的就业概率，会高估培训的真实效应。

倾向得分匹配法（PSM）的出现，为解决这一问题提供了关键思路：它通过估计每个个体接受处理的概率（倾向得分），将处理组个体与倾向得分相近的控制组个体匹配，从而平衡两组的基线特征（如年龄、性别、教育水平），使处理效应的估计更接近随机对照试验（RCT）的“无偏”结果。例如，若一个培训参与者的倾向得分是0.6（即有60%的概率参与培训），PSM会为其匹配控制组中倾向得分0.58-0.62的未参与者——此时两组的“积极性”“学习意愿”等特征差异被大幅缩小，再比较就业概率的差异，就能更准确反映培训的真实效应。

正是这种“平衡基线、分离因果”的能力，让PSM成为经济学、公共卫生、社会学等领域观察性研究的“标配”方法。从“教育对收入的影响”到“医保政策对医疗支出的作用”，从“环保政策对企业绩效的效果”到“疫苗接种对发病率的降低”，PSM都在帮助研究者从复杂的观察性数据中提取因果信号。

（二）偏差问题的现实性与研究意义

然而，PSM并非“万能药”——实际应用中，即使严格遵循匹配流程，仍可能因各种原因产生偏差。这些偏差若未被识别和修正，不仅会误导研究结论，还可能影响政策制定的科学性。

例如，某研究用PSM评估“新农合保险对农民医疗支出的影响”，结果显示参保农民的医疗支出比未参保者低15%。但后续分析发现，研究中未纳入“家庭储蓄水平”这一变量：储蓄水平高的家庭更可能参保，同时储蓄水平高的家庭更有能力支付医疗费用（反而可能降低医疗支出）。由于“家庭储蓄”未被纳入倾向得分模型，匹配后的样本仍存在储蓄水平差异，导致估计的“新农合对医疗支出的抑制效应”被高估了5个百分点。

再比如，某公共卫生研究用PSM评估“流感疫苗接种对流感发病率的影响”，结果显示接种者的发病率比未接种者低20%。但敏感性分析发现，若存在一个未观测变量“健康意识”（健康意识高的人更可能接种疫苗，同时更注意个人防护），只需该变量使接种概率增加1.2倍，就能抵消疫苗的保护效应——这说明结果对未观测变量非常敏感，结论的可靠性存疑。

这些案例充分说明：PSM的偏差问题是实际应用中的普遍现象，系统剖析偏差来源并提出修正策略，是提升观察性研究质量的关键。

二、倾向得分匹配法的主要偏差来源

PSM的偏差本质上源于“匹配的不完全性”——无论是可观测变量的遗漏、未观测变量的存在，还是模型设定的错误，最终都会导致处理组与控制组在匹配后仍存在基线差异。具体而言，偏差主要来自以下四类：

（一）基于可观测变量的匹配不完全偏差

PSM的核心假设是“条件独立假设（CIA）”：给定可观测变量（协变量），处理状态与结果变量独立。但在实际应用中，“匹配不完全”往往发生在两个层面：

可观测变量的遗漏：研究者未能将所有影响处理状态和结果变量的协变量纳入模型。例如，研究“教育对收入的影响”时，若仅纳入年龄、性别、地区，而遗漏“父母教育水平”（父母教育既影响子女是否上大学，也影响子女的收入），匹配后的样本仍存在父母教育水平差异，导致“教育对收入的提升效应”被高估。

倾向得分估计不准确：即使纳入了所有协变量，若倾向得分的估计模型与真实数据生成过程不符，仍会导致匹配后的样本在协变量上存在差异。例如，用logistic回归估计倾向得分时，若“年龄”对“是否上大学”的影响是“先增后减”（非线性），而模型未捕捉到这种关系，会导致倾向得分估计值与真实值偏差较大。比如，一个25岁个体的真实倾向得分是0.7（很可能上大学），但模型估计为0.5，匹配的控制组个体是倾向得分0.5的非大学生——匹配后的样本在“年龄”上的差异未被完全消除，进而影响收入差异的估计。

（二）未观测混杂变量引发的隐变量偏差

未观测混杂变量是PSM最“棘手”的偏差来源，它直接违反CIA假设。所谓“未观测混杂变量”，是指同时影响处理状态和结果变量，但未被纳入研究的变量。例如：

研究“教育对收入的影响”时，“个体能力”是未观测变量——能力强的人更可能上大学，同时能力强的人收入更高；

研究“医疗干预对健康的影响”时，“服药依从性”是未观测变量——依从性高的患者更可能接受新疗法，同时依从性高的患者健康恢复更好；

研究“政策对企业绩效的影响”时，“企业管理水平”是未观测变量——管理水平高的企业更可能参与政策试点，同时管理水平高的企业绩效更好。

由于这些变量未被观