倾向得分匹配（PSM）在政策评估中的偏差控制.docxVIP

倾向得分匹配（PSM）在政策评估中的偏差控制

引言

政策评估是公共管理与社会科学研究的核心环节，其核心目标在于准确识别政策实施的真实效果。然而，政策评估中普遍存在的偏差问题，如选择偏差、混杂偏差等，常导致评估结果偏离真实值，影响政策制定的科学性。倾向得分匹配（PropensityScoreMatching,PSM）作为一种基于观测数据的因果推断方法，通过模拟随机实验的逻辑，有效控制了非随机分配政策干预带来的偏差，成为近年来政策评估领域应用最广泛的方法之一。本文将围绕PSM在政策评估中的偏差控制机制展开，从基本原理、常见偏差类型、控制逻辑到应用实践，层层递进地解析其核心价值，为政策评估的科学化提供方法学参考。

一、倾向得分匹配（PSM）的基本原理与核心逻辑

（一）倾向得分的定义与内涵

倾向得分（PropensityScore）是指在给定一组可观测协变量（如个体特征、环境因素等）的条件下，某个研究对象被分配到政策干预组（处理组）的概率。简单来说，它是一个“综合指标”，将多个可能影响政策分配的协变量信息浓缩为一个0到1之间的概率值。例如，在评估某教育补贴政策的效果时，学生的家庭收入、所在地区、父母教育水平等变量都可能影响其是否获得补贴，倾向得分就是将这些变量综合后，计算出每个学生获得补贴的概率值。

（二）PSM的匹配逻辑：模拟随机实验

随机对照试验（RCT）被视为因果推断的“黄金标准”，其核心在于通过随机分配处理组与对照组，确保两组在所有可观测与不可观测变量上的分布一致，从而直接比较两组结果差异得到政策的真实效果。但在实际政策评估中，RCT往往因伦理限制、成本过高或不可操作性（如政策已实施）而难以开展。PSM的核心逻辑正是“模拟”随机实验：通过倾向得分匹配，将处理组与对照组中倾向得分相近的个体进行配对，使得匹配后的两组在协变量分布上趋于一致，从而消除协变量对政策分配的影响，近似达到随机分配的效果。

（三）PSM的关键假设：可忽略性与重叠性

PSM的有效性依赖于两个关键假设。一是“可忽略性假设”（Ignorability），即政策分配仅由可观测的协变量决定，不存在未观测到的混杂因素同时影响政策分配和结果变量。若存在未观测的混杂因素（如个体的“潜在能力”），PSM无法控制其带来的偏差。二是“重叠性假设”（Overlap），即处理组与对照组在倾向得分的分布上存在重叠区域，确保每个处理组个体都能找到倾向得分相近的对照组个体，反之亦然。若两组倾向得分分布完全分离（如处理组倾向得分全高于0.8，对照组全低于0.2），则无法有效匹配，此时PSM的应用会受限。

二、政策评估中常见的偏差类型及其对结果的影响

（一）选择偏差：非随机分配的“隐形干扰”

选择偏差是政策评估中最常见的偏差类型，源于政策干预的非随机分配。例如，某健康促进政策可能优先覆盖健康意识较强的群体，这类群体即使没有政策干预，健康状况也可能优于其他群体。若直接比较处理组与对照组的健康指标，结果可能高估政策效果，因为差异部分源于“选择”而非政策本身。选择偏差的本质是处理组与对照组在协变量（如健康意识、经济条件）上的系统性差异，这些差异与政策效果混杂在一起，导致因果推断失真。

（二）混杂偏差：多因素交织的“干扰网”

混杂偏差是指存在一个或多个变量（混杂因子）同时影响政策分配和结果变量的现象。例如，评估某就业培训政策的效果时，个体的教育水平既可能影响其是否参与培训（高教育水平者更可能主动报名），也可能直接影响就业结果（高教育水平者更容易找到工作）。若不控制教育水平这一混杂因子，评估结果可能将教育水平对就业的影响错误归因于培训政策。混杂偏差与选择偏差的区别在于，混杂因子是明确可识别的协变量，而选择偏差更强调协变量分布的系统性差异。

（三）时间效应偏差：动态变化的“隐藏陷阱”

政策评估中，时间维度的影响常被忽视。例如，某些政策效果可能随时间推移逐渐显现（如长期教育投资对收入的影响），而短期内的评估可能低估效果；反之，政策初期的“新鲜感”可能带来暂时的积极效果，长期评估时效果可能减弱甚至消失。此外，外部环境的变化（如经济周期、其他政策出台）也可能与目标政策的效果叠加，形成时间效应偏差。这种偏差的特殊性在于，它不仅涉及协变量的静态差异，还涉及变量随时间的动态变化，需要通过追踪数据或多期匹配来控制。

三、PSM对政策评估偏差的控制机制与实践路径

（一）针对选择偏差的控制：协变量平衡的“精准校准”

PSM控制选择偏差的核心在于通过匹配实现协变量平衡。具体来说，首先基于所有可能影响政策分配的协变量（如年龄、性别、收入等）构建倾向得分模型（通常使用逻辑回归），计算每个个体的倾向得分；然后，按照倾向得分将处理组与对照组中得分相近的个体进行配对（如最近邻匹配、半径匹配等）；最后，对匹配后的样本进行协变量平