2006年-世界发展银行全球_Propensity_Score_Matching_and_Policy_Impact_Analysis___A_Demonstration_in_EViews_59页_496kb

总结：倾向得分匹配与政策影响分析

核心内容

本论文探讨了倾向得分匹配（Propensity Score Matching, PSM）作为一种评估政策干预效果的非实验方法，并将其与双重差分法（Double Difference, DD）、工具变量法（Instrumental Variables, IV）以及Heckman的选择偏差校正法进行了比较。论文还提供了在EViews中实现PSM的具体步骤，包括最近邻匹配和核匹配，并展示了如何绘制政策影响曲线（Program Incidence Curve, PIC）。

主要观点

1. 政策评估与影响分析：

   • 有效的政策制定需要可靠的评估方法来判断干预是否达到了预期效果。
   • 影响分析是政策制定的重要组成部分，它帮助识别哪些政策有效，从而优化资源分配。

2. 因果推断模型：

   • 政策影响的评估依赖于因果推断模型，该模型假设潜在结果在给定可观测协变量的情况下与干预无关。
   • 条件独立性假设（Selection on Observables） 是匹配方法的基础，即 $ (y_0, y_1) \perp d | x $。

3. 倾向得分匹配（PSM）：

   • PSM 是一种通过**条件参与概率（propensity score）**来匹配处理组和对照组的算法。
   • 它简化了多维协变量匹配问题，将问题转化为一维倾向得分的匹配。

4. 匹配方法的分类：

   • 最近邻匹配（Nearest-Neighbor Matching）：为每个处理个体寻找与之倾向得分最接近的对照个体。
   • 核匹配（Kernel Matching）：使用核权重对所有在共同支持范围内的对照个体进行加权平均，权重取决于其与处理个体的倾向得分距离。

5. 影响估计：

   • 平均处理效应（Average Treatment Effect on the Treated, ATET） 是衡量政策效果的常见指标。
   • PSM 可以用于估计 ATET，但需注意重叠假设（Overlap Assumption），即每个处理个体都应有对应的对照个体。

6. 其他评估方法的比较：

   • 双重差分法（DD）：适用于面板数据，通过比较处理组和对照组在干预前后差异来估计影响。
   • 工具变量法（IV）：用于处理内生性问题，但需要找到合适的工具变量。
   • Heckman 方法：通过两阶段模型校正选择偏差，但需要假设可观测和不可观测的协变量存在某种结构。

7. 政策影响曲线（Program Incidence Curve, PIC）：

   • PIC 用于分析政策影响在不同分位数的分布情况，有助于理解政策对不同群体的影响差异。
   • 相对政策影响曲线（Relative Program Incidence Curve, RPIC） 是通过比较处理组与对照组的产出比来绘制的。

关键信息

• 数据来源：论文使用了**美国国家支持工作示范项目（National Supported Work Demonstration）的数据，以及来自美国人口收入动态调查（PSID）**的对照组数据。
• PSM 实现步骤：
  1. 估计倾向得分（使用 probit 或 logit 模型）。
  2. 根据倾向得分匹配处理组和对照组。
  3. 计算匹配后的反事实结果。
  4. 估计处理效应并绘制影响曲线。
• EViews 实现：
  • 提供了最近邻匹配和核匹配的代码示例（包括高斯核和 Epanechnikov 核）。
  • 论文还提到如何使用**EViews 的 log likelihood 对象（LOGL）**进行倾向得分估计。
• 影响估计公式：
  • ATET：$ ATET = E(g | x, d = 1) = E(y_1 | x, d = 1) - E(y_0 | x, d = 1) $
  • 最近邻匹配估计：$ \theta_{NN} = \frac{1}{n_t} \sum_{i \in T} (y_i - y_j) $
  • 核匹配估计：$ \hat{y}i = \sum{j \in c(p_i)} w_{ij} y_j $，其中 $ w_{ij} $ 为核权重。
• 评估方法的可靠性：
  • PSM 可作为其他方法的有效补充，但其可靠性依赖于社会经济模型的准确性和数据质量与数量。
  • 重叠假设和条件独立性假设是匹配方法可行性的关键。

结构清晰的总结

匹配方法的基本原理

• 匹配的目标是通过比较处理组和对照组的相似性，来估计处理效应。
• 条件独立性假设是匹配方法的核心，即处理状态与潜在结果在给定可观测协变量下独立。
• 单位同质性假设是理想情况，意味着处理与对照组在可观测特征上是相同的。

倾向得分匹配（PSM）的实现

• 步骤：
  1. 使用 probit 或 logit 模型估计倾向得分。
  2. 根据倾向得分匹配处理组和对照组。
  3. 使用匹配后的对照组结果估计反事实结果。
  4. 计算处理效应（如 ATET）并绘制政策影响曲线。
• 方法分类：
  • 最近邻匹配：为每个处理个体找到一个最接近的对照个体。
  • 核匹配：使用所有在共同支持范围内的对照个体，并赋予其不同的权重。

其他评估方法的比较

• 双重差分法（DD）：适用于面板数据，通过比较处理组与对照组在干预前后的差异来估计影响。
• 工具变量法（IV）：用于处理内生性问题，但需要找到合适的工具变量。
• Heckman 方法：通过两阶段模型校正选择偏差，适用于处理选择偏差问题。

政策影响曲线（PIC 和 RPIC）

• PIC：用于分析政策影响在不同分位数的分布，可以反映政策对不同群体的影响差异。
• RPIC：通过比较处理组与对照组的产出比来绘制，有助于识别政策在哪些分位数上具有正向影响。

评估方法的局限性

• 重叠假设：若处理组和对照组在某些协变量上无重叠，则匹配方法不可行。
• 选择偏差：处理组与对照组可能存在可观测或不可观测的差异，需通过匹配方法减少偏差。
• PSM 的作用：PSM 可作为其他评估方法的有效补充，但需结合合适的模型和数据。

结论

• PSM 是一种强大的非实验评估工具，能够帮助政策制定者评估干预效果。
• 其有效性依赖于模型的正确性和数据的充分性。
• 在 EViews 中实现 PSM 可通过最近邻和核匹配方法进行，并可绘制政策影响曲线以更全面地理解干预效果。