PSM可以结合双重差分模型（DID）使用，形成PSM-DID模型，以处理更为复杂的因果推断问题。例如，在政策评估中，PSM-DID模型可以帮助研究者识别政策实施前后的变化，同时控制其他变量的影响，从而更准确地估计政策效应。在实际应用中，PSM需要仔细选择协变量，并进行匹配效果的检验，以确保匹配后的样本在关键变量上达到平衡。
1、PSM应用主要考虑如下情形 2、匹配变量选择 3、匹配方法 4、匹配步骤 5、PSM的特点 6、PSM的优点 7、PSM的局限性 一、背景介绍 倾向性评分的基本原理是用一个分值来替代多个协变量,均衡处理组和对照组间协变量的分布。对非随机化研究中的混杂因素进行类似随机化的均衡处理,减少选择偏倚。计算得出PS分值后,可...
倾向性得分匹配 倾向性得分匹配(Propensity Score Matching,PSM)目前是观察设计中应用较为广泛的一种方法,由于基于离线数据就可以展开相关分析,在业内也较受喜欢,PSM的基本框架可以分为以下四步: 1、计算所有单位的倾向得分 2、根据某种匹配策略将干预组与对照组进行匹配 3、检查协变量是否平衡,如果不平衡,则使用替代...
SPSSAU中PSM算法包括‘最近临法’和‘半径匹配法’,二者并无固定区别,建议可对比使用,相对情况下‘半径匹配法’使用相对较多,‘半径匹配法’时需要设置阈值(半径值,卡钳值),该值越小越好,但越小意味着匹配精度要求越高,所以需要视情况而定,一般设置为0.01,0.02,0.05等均可接受。 放回抽样的效果一般会好于不放...
当然我们在获得倾向性得分后,除了匹配,还可以通过加权、分层或回归校正等方法来控制混杂因素的影响,未来可期,这些就来日再记吧! 转自个人微信公众号【Memo_Cleon】的统计学习笔记:倾向性得分匹配(PSM)。 2020.05.21 END
计算倾向得分类似于一个降维的过程,把非常多的协变量维度降为一个维度,就是倾向得分,也就是倾向得分综合包含了所有协变量的信息。两个个体的倾向得分非常接近,并不意味着这两个个体的其他属性也接近,这不好判断。不过根据PSM的原理,倾向得分接近就够了,其他属性也接近更好。
手把手教你用SPSSAU做倾向得分匹配PSM 倾向得分匹配(PSM),是一种模仿RCT随机对照试验随机化分组,提高组间均衡性,进而达到降低混杂因素影响目的一种数据处理策略。PSM在计量研究,临床医学等领域有着广泛的应用。 1.案例背景与分析策略 1.1 案例背景介绍 某企业想评价专项培训的效果,现收集到78位员工的个人及工作成绩...
PSM解决的是选择偏差问题(即控制混杂因素),倾向得分配比就是利用倾向评分值,从对照组中为处理做中的每个个体寻找一个或多个背景特征相同或相似的个体作为对照。这样就最大程度降低了其他混杂因素的干扰。 比如,想研究‘读研究生’对于收入的影响。一种简单的做法是直接对比‘读过’和‘没有读过’这两类群体的收入...
PSM解决的是选择偏差问题(即控制混杂因素),倾向得分配比就是利用倾向评分值,从对照组中为处理做中的每个个体寻找一个或多个背景特征相同或相似的个体作为对照。这样就最大程度降低了其他混杂因素的干扰。 比如,想研究‘读研究生’对于收入的影响。一种简单的做法是直接对比‘读过’和‘没有读过’这两类群体的收入...