倾向得分匹配（PSM）与回归不连续性设计（RDD）的结合应用.docxVIP

倾向得分匹配（PSM）与回归不连续性设计（RDD）的结合应用

一、倾向得分匹配与回归不连续性设计的核心特征及局限

（一）倾向得分匹配的核心逻辑与应用局限

倾向得分匹配是社会科学因果推断领域中常用的非实验方法，其核心逻辑由Rosenbaum和Rubin于1983年提出，即通过计算个体基于可观测混淆变量接受处理的概率（倾向得分），将处理组与对照组中倾向得分相近的个体进行匹配，从而平衡两组之间的混淆变量分布，消除由可观测变量导致的选择偏误（RosenbaumRubin,1983）。与传统的多元回归方法相比，PSM不需要预先设定结果变量与混淆变量之间的函数形式，能更灵活地处理多维度的混淆变量，因此在政策评估、劳动经济学、公共卫生等领域得到广泛应用。

然而，PSM的应用存在明显局限。首先，它严格依赖“ignorability假设”，即不可观测的混淆变量不会同时影响个体的处理分配和结果变量。如果研究中存在未被观测到的关键混淆变量，比如个体的内在动机、企业的隐性管理能力等，PSM的估计结果就会出现偏差，甚至完全不可靠。其次，PSM的匹配质量高度依赖混淆变量的选择，若研究者遗漏了重要的可观测变量，匹配后的两组个体仍存在系统性差异，无法有效消除选择偏误。此外，PSM只能估计平均处理效应，无法针对特定群体（如断点附近的个体）进行精准的局部效应估计，这在需要关注政策边际效应的研究中存在不足。

（