方法二：半径匹配法 （radius matching）
命令 set seed 10101 attr re78 treat $x,comsup boot
reps($breps) dots logit radius(0.001)
方法二：半径匹配法 （radius matching）
方法三：分层匹配法 （stratification matching）
变量定义
变量定义
倾向打分
OLS回归结果
工资的变化到底是来自个体的异质性 性还是培训？
倾向打分
1.设定宏变量 (1)设定宏变量breps表示重复抽样200次 命令：global breps 200 (2)设定宏变量x，表示age agesq educ educsq
married black hisp re74 re75 re74sq re75sq u74black 命令：global x age agesq educ educsq married black hisp re74 re75 re74sq re75sq u74black
缺点：如果在每个区内找不到对照个体，那么 这类个体的信息，会丢弃不用。总体配对的数 量减少。
方法三：分层匹配法 （stratification matching）
命令 set seed 10101 atts re78 treat,pscore(mypscore)
blockid(myblock) comsup boot reps($breps) dots
倾向值匹配法(PSM)
Q：为什么要使用PSM？
A：解决样本选择偏误带来的内生性问题 例：上北大有助于提高收入吗？ 样本选择偏误：考上北大的孩子本身就
很出色（聪明、有毅力、能力强…） 解决方法：样本配对
配对方法
同行业（一维配对） 同行业、规模相当（二维配对） 同行业、规模相当、股权结构相
ATT=12W-9W=3W
不可观测数据， 采用配对者的
收入来代替
实例介绍
实例介绍
研究问题：培训对工资的效应
基本思想：分析接受培训行为与不接受 培训行为在工资表现上的差异。但是， 现实可以观测到的是处理组接受培训的 事实，而如果处理组没有接受培训会怎 么样是不可观测的，这种状态称为反事 实。匹配法就是为了解决这种不可观测 的事进行倾向打分 命令：pscore treat $x,pscore(mypscore)
blockid(myblock) comsup numblo(5) level(0.05) logit
注:$表示引用宏变量
pscore结果
倾向值分布
倾向值分布
block中样本的分布
方法三：分层匹配法 （stratification matching）
方法四：核匹配法 （kernel matching）
核匹配是构造一个虚拟对象来匹配处理 组，构造的原则是对现有的控制变量做 权重平均，权重的取值与处理组、控制 组PS值差距呈反向相关关系。
方法四：核匹配法 （kernel matching）
内容：分层匹配法是根据估计的倾向得分将全 部样本分块，使得每块的平均倾向得分在处理 组和控制组中相等。
优点：Cochrane ,Chambers（1965）指出五 个区就可以消除95%的与协变量相关的偏差。 这个方法考虑到了样本的分层问题或聚类问题。 就是假定：每一层内的个体样本具有相关性， 而各层之间的样本不具有相关性。
A2：stu c3是最佳配对对象，比较容易 满足平行假设（balancing assumption）
ATT（Average Treatment Effect on the Treated） 平均处理效应的衡量
运用得分进行样本匹配并比较，估计出 ATT值。
ATT=E[Y(1)-Y(0) |T=1] 可观测数据 Y(1):Stu PK 上北大后的年薪 Y(0): Stu PK 假如不上北大的年薪
reps($breps) dots logit
方法一：最邻近方法 （nearest neighbor matching）
方法二：半径匹配法 （radius matching）
半径匹配法是事先设定半径，找到所有 设定半径范围内的单位圆中的控制样本， 半径取值为正。随着半径的降低，匹配 的要求越来越严。
缺点：由于不舍弃任何一个处理组，很可能有 些配对组的倾向得分差距很大，也将其配对， 导致配对质量不高，而处理效应ATT的结果中 也会包含这一差距，使得ATT精确度下降。
方法一：最邻近方法 （nearest neighbor matching）
命令 set seed 10101（产生随机数种子） attnd re78 treat $x,comsup boot
实例介绍
分组：在倾向值匹配法中，根据处理指示变量 将样本分为两个组。处理组，在本例中就是在 NSW（国家支持工作示范项目）实施后接受培 训的组；控制组，在本例中就是在NSW实施后 不接受培训的组。
研究目的：通过对处理组和对照组的匹配，在 其他条件完全相同的情况下，通过接受培训的 组（处理组）与不接受培训的组（控制组）在 工资表现上的差异来判断接受培训的行为与工 资之间的因果关系。
当、……（多维配对）？？？ PSM：把多个维度的信息浓缩成一个
（降维：多维到一维）
配对过程中的两个核心问题（1）
Q1：哪个样本更好一些？
A1:Sample2较好：比较容易满足共 同支撑假设（common support assumption）
配对过程中的两个核心问题（2）
Q2：stu c1,c2,c3三人中，谁是stu PK的 最佳配对对象？
block中的描述性统计
运用得分进行样本匹配并比较
方法一：最邻近方法 （nearest neighbor matching）
含义：最邻近匹配法是最常用的一种匹配方法， 它把控制组中找到的与处理组个体倾向得分差 异最小的个体，作为自己的比较对象 。
优点：按处理个体找控制个体，所有处理个体 都会配对成功，处理组的信息得以充分使用。