倾向得分匹配中的卡尺匹配与半径匹配效果比较.docxVIP

倾向得分匹配中的卡尺匹配与半径匹配效果比较

引言

在因果推断领域，观测数据的选择偏差一直是影响结论可靠性的核心难题。倾向得分匹配（PropensityScoreMatching,PSM）作为解决这一问题的经典方法，通过将个体接受处理的概率（倾向得分）作为“平衡分数”，将高维协变量降维为单一维度的得分值，从而在处理组与控制组间构建可比样本。而在PSM的具体实现中，匹配方法的选择直接决定了最终匹配样本的质量——既能平衡协变量分布以降低偏差，又能保留足够样本量以保证统计效力。

在众多匹配方法中，卡尺匹配（CaliperMatching）与半径匹配（RadiusMatching）因操作简便、逻辑清晰，成为应用最广泛的两种技术。二者虽均以倾向得分为匹配依据，但在参数设定、匹配逻辑和实际效果上存在显著差异。本文将围绕两种方法的原理、效果维度及应用场景展开深入比较，为研究者根据具体需求选择匹配策略提供参考。

一、倾向得分匹配与匹配方法的基础逻辑

（一）倾向得分匹配的核心目标

倾向得分匹配的核心思想，是通过构造一个“反事实”场景：对于每个接受处理的个体（处理组），找到未接受处理但在其他特征上高度相似的个体（控制组），从而近似模拟随机对照试验的效果。这一过程的关键在于，倾向得分作为“平衡分数”，能够捕捉所有影响处理分配的协变量信息。理论上，若倾向得分相同，处理组与控制组的协变量分布应趋于一致，此时比较两组的结果变量差异，即可视为处理效应的无偏估计。

（二）匹配方法在PSM中的功能定位

匹配方法是PSM的具体实现工具，其核心任务是在倾向得分的维度上，为每个处理组个体找到“最佳”的控制组个体。常见的匹配方法包括最近邻匹配、卡尺匹配、半径匹配、核匹配等，每种方法的差异主要体现在“如何定义‘最佳’”。其中，卡尺匹配与半径匹配均属于基于距离的匹配方法，但前者通过设定固定阈值限制匹配范围，后者则以处理组个体为中心动态划定匹配区间。理解二者的差异，需从其操作流程与参数特征入手。

二、卡尺匹配与半径匹配的原理解析

（一）卡尺匹配：固定阈值下的严格筛选

卡尺匹配的操作逻辑可概括为“设定阈值，双向筛选”。具体来说，研究者首先需要为倾向得分的绝对差异设定一个最大允许值（即“卡尺宽度”），例如0.05。对于每个处理组个体，仅从控制组中筛选出倾向得分与该个体差异小于0.05的候选对象；若存在多个候选对象，可进一步选择最接近的（一对一匹配）或全部保留（一对多匹配）；若没有符合条件的候选对象，则该处理组个体无法参与匹配，最终被排除在分析样本外。

卡尺匹配的核心参数是“卡尺宽度”。这一参数的设定直接影响匹配质量：宽度过窄时，匹配标准过于严格，可能导致大量处理组个体无法找到匹配对象，样本损失严重；宽度过宽时，匹配范围扩大，虽然保留更多样本，但可能引入协变量分布差异较大的控制组个体，导致匹配后的偏差控制效果下降。因此，卡尺宽度的选择需要在“偏差控制”与“样本保留”之间权衡，常见的经验法则是将宽度设定为倾向得分标准差的10%-20%（如倾向得分标准差为0.2，则宽度设为0.02-0.04），具体需结合数据分布调整。

（二）半径匹配：动态区间内的灵活匹配

半径匹配的操作逻辑可总结为“以点为中心，划定范围”。与卡尺匹配类似，研究者需要设定一个“半径”作为倾向得分的允许差异范围，但匹配过程更强调“以处理组个体为中心”的动态筛选。对于每个处理组个体，半径匹配会将控制组中所有倾向得分落在该个体倾向得分±半径范围内的个体全部纳入匹配池，形成一对多的匹配关系（即一个处理组个体匹配多个控制组个体）。若匹配池为空，则该处理组个体同样无法参与匹配。

半径匹配的核心参数是“半径大小”。与卡尺匹配的固定阈值不同，半径匹配的“半径”本质上是一个动态的区间范围，允许处理组个体根据自身倾向得分的位置，匹配到更多或更少的控制组个体。例如，当处理组个体的倾向得分位于分布的中间区域（控制组个体密集），半径内可能包含多个控制组个体；而当处理组个体的倾向得分位于分布的两端（控制组个体稀疏），半径内可能仅包含少量或无控制组个体。这种灵活性使得半径匹配在样本保留率上通常优于卡尺匹配，但也可能因匹配池过大而引入更多不相似个体，增加估计偏差。

三、卡尺匹配与半径匹配的效果比较维度

（一）匹配精度与偏差控制：严格性与灵活性的权衡

匹配精度是衡量匹配方法效果的核心指标，通常通过匹配后处理组与控制组倾向得分的绝对差异（或协变量的标准化差异）来评估。卡尺匹配因设定固定阈值，对匹配对象的筛选更为严格，能够有效排除倾向得分差异较大的控制组个体，从而在匹配精度上更具优势。例如，当卡尺宽度为0.03时，所有匹配对的倾向得分差异均不超过0.03，这意味着协变量分布的差异被严格限制在较小范围内，偏差控制效果更可靠。

相比之下，半径匹配的匹