倾向得分匹配法中卡尺匹配的带宽优化.docxVIP

倾向得分匹配法中卡尺匹配的带宽优化

一、引言

倾向得分匹配法是因果推断领域中处理非实验数据的核心方法之一，其核心逻辑在于通过构建一维的倾向得分——个体进入处理组的条件概率——平衡处理组与控制组的混淆变量分布，进而消除选择偏差，得到可靠的因果效应估计（RosenbaumRubin,1983）。卡尺匹配作为倾向得分匹配的经典子类，通过设定固定带宽阈值筛选倾向得分相近的匹配对，因操作简便、解释性强的特点，被广泛应用于经济学、社会学、医学等多个领域的观察性研究。然而，卡尺匹配的性能高度依赖于带宽参数的选择：带宽过小会导致匹配样本量不足、估计方差膨胀；带宽过大则会引入混淆变量不平衡，加剧估计偏差（Austin,2011）。因此，针对卡尺匹配的带宽进行科学优化，成为提升倾向得分匹配法因果推断可靠性的关键环节。本文将从核心概念梳理入手，分析带宽设置的常见问题，探讨主流的带宽优化方法，并提出效果验证思路，最终对该领域的未来发展方向进行展望。

二、倾向得分匹配与卡尺匹配的核心内涵

（一）倾向得分匹配法的核心逻辑

在观察性研究中，处理组与控制组个体的处理分配并非随机，往往与年龄、收入、健康状况等混淆变量相关，这些变量同时影响处理状态与结果变量，直接比较两组结果会产生选择偏差。罗森鲍姆与鲁宾的经典研究证明，当满足条件独立性假设（处理分配与结果变量在给定混淆变量下独立）与共同支撑假设（处理组与控制