倾向得分匹配法在教育回报率研究中的局限.docxVIP

倾向得分匹配法在教育回报率研究中的局限

引言

教育回报率研究是经济学与教育学交叉领域的核心议题之一，其核心目标是量化个体接受教育对未来收入或其他社会经济成果的因果效应。在观测性数据主导的研究场景中，倾向得分匹配法（PropensityScoreMatching,PSM）因能有效缓解选择偏差问题，被广泛应用于教育回报率的因果推断。然而，随着研究的深入，学界逐渐意识到PSM并非“万能工具”，其在教育回报率研究中的应用存在显著局限性。这些局限既源于方法本身的假设条件，也与教育领域数据的特殊性、研究对象的复杂性密切相关。本文将从方法假设的严格性、数据质量的依赖性、效应异质性的忽视、动态性问题的处理不足四个维度，系统探讨PSM在教育回报率研究中的局限，并尝试为后续研究提供改进思路。

一、方法假设的严格性：理论与现实的冲突

倾向得分匹配法的核心逻辑是通过构建“倾向得分”（即个体接受某种处理——如高等教育——的概率），将原本多维的协变量降维为单一得分，进而在得分相近的个体间进行匹配，模拟随机实验的效果。这一逻辑成立依赖于两个关键假设：可忽略性假设（Ignorability）与共同支撑假设（CommonSupport）。而在教育回报率研究中，这两个假设往往难以完全满足，导致匹配结果偏离真实因果效应。

（一）可忽略性假设：难以观测的“遗漏变量”陷阱

可忽略性假设要求，在控制所有相关协变量后，个体是否接受教育（处理变量）与潜在结果（如收入）无关。换句话说，所有同时影响教育选择和收入的变量（即混淆变量）必须被观测并纳入模型。然而在教育回报率研究中，混淆变量的“观测不全”几乎是常态。

例如，个体的“学习能力”是影响教育选择（是否继续升学）和未来收入的重要因素，但能力本身难以直接观测，通常只能通过成绩、智商测试等间接指标衡量，而这些指标往往存在测量误差。再如，家庭背景中的“教育观念”“社会资本”等变量，既会影响家长对子女教育投入的决策，也会通过家庭网络资源影响子女就业后的收入水平，但这类变量在常规调查数据中通常缺失或仅以简化指标（如父母受教育年限）替代。若这些关键混淆变量未被有效控制，PSM匹配后的样本仍可能存在系统性偏差——高能力或高社会资本的个体即使接受相同教育年限，其收入也可能更高，导致教育回报率被高估或低估。

更值得注意的是，部分混淆变量可能具有“时间动态性”。例如，青少年时期的心理健康状态会影响高中阶段的教育选择（如是否辍学），而成年后的心理健康状态又会直接影响工作绩效和收入。若仅控制某一时点的心理健康指标，或未考虑其随时间的变化，可忽略性假设仍无法满足。这种“遗漏变量”的存在，使得PSM难以真正实现“反事实”的无偏估计。

（二）共同支撑假设：教育选择的“群体割裂”难题

共同支撑假设要求，在处理组（如接受高等教育者）和控制组（如未接受高等教育者）中，倾向得分的分布存在重叠区域，即对于任意倾向得分值，处理组和控制组中都存在对应的个体。只有满足这一条件，才能为处理组中的每个个体找到合理的“匹配对象”，避免因匹配样本不足导致的偏差。

在教育回报率研究中，共同支撑假设常因教育选择的“自我选择”特性被打破。例如，高能力、高家庭收入的个体更可能选择接受高等教育，而低能力、低家庭收入的个体则更可能提前进入劳动力市场。这种选择行为会导致处理组的倾向得分集中在高位（高概率接受教育），控制组的倾向得分集中在低位（低概率接受教育），两者的分布重叠区域可能非常有限。例如，某研究中发现，处理组（本科及以上）的倾向得分主要分布在0.7-1.0区间，而控制组（高中及以下）的倾向得分主要分布在0.1-0.4区间，中间0.4-0.7的重叠区域仅覆盖样本的15%。在这种情况下，若严格遵循共同支撑假设，需剔除倾向得分不在重叠区域的样本，导致样本量大幅减少，研究结论的外部效度（可推广性）显著降低；若放宽标准强行匹配，则可能将倾向得分差异较大的个体进行匹配，引入新的选择偏差。

二、数据质量的依赖性：教育变量的测量误差与信息缺失

倾向得分匹配法对数据质量高度敏感，而教育回报率研究中的数据往往存在两类特殊问题：教育变量的测量误差，以及关键信息的系统性缺失。这些问题会放大PSM的局限性，导致匹配结果的可靠性下降。

（一）教育变量的测量误差：“教育年限”的模糊性与“教育质量”的忽视

教育回报率研究中，教育变量通常以“受教育年限”或“学历层次”（如高中、本科）等指标衡量。但这类指标存在显著的测量误差。例如，受教育年限可能因复读、跳级、辍学后重新入学等情况被误报；学历层次的划分（如“专科”与“本科”）在不同地区或不同时期可能存在标准差异。更关键的是，这些指标仅反映了教育的“数量”，而未体现“质量”差异——同一学历层次下，不同学校的教育资源、课程设置、师资水平可能天差地别，而教育质量恰恰是