倾向得分匹配(PSM)原理及分析结果解读.docxVIP

  • 0
  • 0
  • 约3.62千字
  • 约 4页
  • 2026-11-20 发布于北京
  • 举报

倾向得分匹配(PSM)原理及分析结果解读.docx

倾向得分匹配(PSM)分析报告

一、这份数据在研究什么

这是一份员工培训与工资的观察性数据,共78名员工,核心问题是:

参加过培训(是否培训=是)的员工,后来当前工资是不是更高?

数据里有4个关键变量:分组变量是否培训(17人参加、61人未参加),结果变量当前工资,以及三个基线特征——初始工资、工作经验、岗位(两类)。

二、为什么不能直接比较两组的平均工资

如果直接拿参加过培训的人和没参加的人的当前工资相减,得到的差距不一定是培训造成的。因为参加培训的人本身可能起点就更高:比如初始工资高、经验多、岗位更好。这些底子上的差异会混进结果里,让我们高估或低估培训的真实作用。这类干扰因素在统计学里叫混杂因素。

从下面的描述统计就能看出两组底子确实不一样(详见第三、四节):培训组的初始工资、工作经验、岗位构成明显高于未培训组。所以必须先把两组的底子调成可比,再比较工资。

三、PSM的基本原理(通俗版)

倾向得分(PropensityScore,PS)可以理解成:根据一个人的基线特征(初始工资、经验、岗位),用Logit模型算出他参加培训的概率。

P

这个概率把多个特征压缩成一个0~1之间的分数。分数接近的两个人,意味着参不参加培训的可能性差不多,可以视作底子相当。

匹配就是:给每一个参加培训的人,从没参加的人里挑一个倾向得分最接近的人配成一对。这样配出来的两组

文档评论(0)

1亿VIP精品文档

相关文档