本文介绍了倾向值匹配（PSM）的基本思路和使用方法，旨在消除研究中的选择性偏误。通过匹配和计算个体接受处理的倾向性，确保实验组和控制组在关键协变量上的平衡，从而准确评估处理效果。匹配方法包括精确匹配、倾向值匹配等，使用R语言的MATCHIT包可实现匹配过程。在分析治疗效应前，需确保所有关键协变量达到平衡状态。
在研究一些treatment effect的时候，为了避免选择性偏误（selection bias），我们有时会用matching选一个控制组。Propensity score matching是matching的方法之一。下面我来简单介绍一下PSM的逻辑以及使用方法。我认为，如果条件允许，我们不该只学习方法而不去理解方法的原理。
1. 匹配、倾向值匹配的基本思路
下图展示了一个简化了的但典型的对某种政策、药物等的treatment effect进行研究的概念框架。以我之前的一项研究为例，我的目的是探究科学家从海外跳槽到中国大陆之后业绩有没有变好，在这里，接受treatment指的就是跳槽到中国大陆，outcome指的就是业绩变化。
整个过程涉及到的协变量可以被分为三类：
X1：仅对是否接受treatment有影响的变量，比如这位科学家是不是很喜欢大陆
X2：仅对outcome有影响的变量，比如这位科学家来大陆之后生活是否适应
X3：对是否接受treatment和outcome都有影响的变量，比如他是不是处在上升期（中国大陆的人才引进政策主要针对的是正处在上升期的科学家）
在这个框架之下，如果我们研究的对象是treatment effect
最低0.47元/天 解锁文章
扫一扫
3640
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
