倾向得分匹配(PSM)的平衡性检验.docxVIP

倾向得分匹配(PSM)的平衡性检验

作为观测数据场景下进行因果推断的核心方法之一，倾向得分匹配自提出以来被广泛应用于经济学、社会学、公共卫生、医学等多个研究领域，其核心思路是通过对多维协变量的降维，为每个接受处理的个体找到协变量特征相似的未接受处理的个体作为反事实参照，从而模拟随机对照试验的分组逻辑，剔除选择偏差带来的估计偏误。但在大量的应用实践中，不少研究者将注意力集中在处理效应的估计值与显著性上，往往忽略了决定匹配有效性的核心前提——协变量在处理组与控制组间的分布平衡，导致很多看似规范的PSM分析实际上存在严重的估计偏差，得出的因果结论缺乏可信度。事实上，平衡性检验不是PSM分析流程中可有可无的“例行步骤”，而是判断匹配质量、验证方法适用性的核心标准，直接决定了最终估计结果的因果解释力。本文将从平衡性检验的逻辑基础出发，系统梳理其核心检验维度、常见应用误区，并提出规范开展平衡性检验的实践路径，为研究者正确应用PSM方法提供参考。

一、平衡性检验的核心内涵与逻辑基础

要做好平衡性检验，首先需要从方法底层逻辑出发，明确其在整个PSM分析框架中的定位，区分其与常规统计模型检验的核心差异，避免出现根本性的认知偏差。

（一）PSM方法的基本假设与平衡性检验的定位

PSM方法的成立建立在两个核心假设之上：一是可忽略性假设，也就是在控制了所有可观测的协变量之后，个体是否接受处理与其潜在结果是