因果推断中的倾向得分匹配（PSM）方法优化.docxVIP

因果推断中的倾向得分匹配（PSM）方法优化

一、因果推断与PSM方法的理论基础

在社会科学、医学研究及公共政策评估中，因果关系的准确识别始终是核心目标。例如，评估一项教育补贴政策对学生升学率的影响，或分析某种药物对患者康复效果的作用，都需要回答“如果接受处理（如政策干预、药物治疗），结果会如何变化”的问题。然而，现实中处理组与对照组的个体往往存在系统性差异——选择偏差（SelectionBias），这使得直接比较两组结果无法得出可靠的因果结论。如何有效控制选择偏差，成为因果推断的关键挑战。

（一）因果推断的核心挑战：选择偏差

根据Rubin提出的潜在结果框架（PotentialOutcomesFramework），每个个体存在两种潜在结果：接受处理时的结果（Y?）和未接受处理时的结果（Y?）。但实际中，每个个体只能观测到其中一种结果，因此因果效应被定义为E(Y?-Y?|D=1)（处理组的平均处理效应，ATT）或E(Y?-Y?)（总体平均处理效应，ATE）。然而，处理组（D=1）与对照组（D=0）的个体在未处理时的潜在结果Y?可能存在差异，这种差异即为选择偏差。例如，主动申请教育补贴的学生可能本身学习意愿更强，即使没有补贴，其升学率也可能高于未申请的学生，直接比较两组升学率会高估政策效果（Rubin,1974）。

（二）PSM的基本逻辑与经典框架

倾向得分匹配（Propens