Stata实战：用PSM方法解决研究内生性问题的完整指南
在实证研究中，内生性问题一直是困扰研究者的重要障碍。当处理组和对照组在观测特征上存在系统性差异时，简单的回归分析可能导致有偏的估计结果。倾向得分匹配（Propensity Score Matching，PSM）作为一种准实验方法，能够有效缓解由选择偏差带来的内生性问题，近年来在经济学、社会学、公共卫生等领域得到广泛应用。
本文将基于Stata软件，从实际研究问题出发，详细介绍PSM方法的完整操作流程。不同于简单的代码罗列，我们将深入探讨每个步骤背后的计量经济学原理，帮助研究者不仅掌握操作技巧，更能理解方法适用性和结果解读要点。无论你是正在撰写毕业论文的研究生，还是准备投稿期刊的青年学者，这份指南都能为你提供可直接套用的解决方案。
1. PSM方法基础与适用场景
1.1 内生性问题与PSM原理
内生性问题源于样本选择偏差，当个体是否接受处理（如参与培训项目）与其潜在结果相关时，传统的回归分析就会产生偏误。PSM通过构建"反事实框架"解决这一问题，其核心思想是为处理组的每个个体找到特征相似的对照组个体，从而模拟随机实验环境。
PSM的关键步骤包括：
- 估计倾向得分：计算每个个体进入处理组的概率
- 匹配处理：根据倾向得分寻找相似个体
- 平衡性检验：验证匹配后组间协变量是否平衡
- 效应估计：比较匹配样本的结果差异
提示：PSM只能控制可观测变量的影响，对于不可观测的混杂因素仍需借助工具变量等其他方法。
1.2 适用条件与前提假设
PSM方法有效性的前提是满足以下假设：
- 条件独立性假设：给定协变量，处理分配与潜在结果独立
- 共同支撑假设：处理组和对照组的倾向得分分布存在重叠区域
- 平衡性假设：匹配后协变量在处理组和对照组间分布均衡
下表对比了PSM与随机对照试验(RCT)的特点：
| 特征 | PSM | RCT |
|---|---|---|
| 处理分配 | 非随机 | 随机 |
| 混杂控制 | 仅可观测变量 | 可观测和不可观测变量 |
| 外部效度 | 取决于样本代表性 | 通常较高 |
| 实施成本 | 相对较低 | 通常较高 |
2. 数据准备与倾向得分估计
2.1 数据导入与变量处理
我们以研究"职业培训对收入的影响"为例，使用Stata自带的nswre74.dta数据集。首先进行数据准备工作：
use nswre74.dta, clear * 生成必要变量 gen u74 = (re74==0) // 1974年失业状态 gen u75 = (re75==0) // 1975年失业状态 * 描述性统计 summarize age educ black hisp married nodegree re74 re75 u74 u75 if treat==1 // 处理组 summarize age educ black hisp married nodegree re74 re75 u74 u75 if treat==0 // 对照组2.2 倾向得分模型设定
选择合适的协变量是PSM成功的关键。协变量应满足：
- 影响处理分配（如是否参与培训）
- 影响结果变量（如收入）
- 不受处理影响（在时间上先于处理）
我们使用logit模型估计倾向得分：
* 安装psmatch2包 ssc install psmatch2, replace * 定义全局变量 global x "age educ black hisp married nodegree re74 re75 u74 u75" * 估计倾向得分 logit treat $x predict pscore, pr // 生成倾向得分3. 匹配方法与实施
3.1 常用匹配方法比较
Stata的psmatch2命令支持多种匹配算法，各有优缺点：
| 方法 | 命令选项 | 优点 | 缺点 |
|---|---|---|---|
| 最近邻匹配 | neighbor(1) | 简单直观 | 可能匹配质量差 |
| 卡钳匹配 | caliper(0.2) | 避免差匹配 | 可能损失样本 |
| 核匹配 | kernel | 使用所有信息 | 计算量大 |
| 半径匹配 | radius | 平衡质量与数量 | 需要设定合理半径 |
3.2 实施1:1最近邻匹配
* 1:1最近邻匹配 psmatch2 treat, pscore(pscore) neighbor(1) common out(re78) * 查看匹配结果 psgraph // 共同支撑域 pstest $x, both // 平衡性检验匹配后需特别关注：
- 匹配样本量（共同支撑域）
- 标准化偏差（%bias应<10%）
- t检验结果（组间应无显著差异）
3.3 匹配质量诊断
良好的匹配应使处理组和对照组在关键变量上分布相似。我们可以通过多种图形检验匹配质量：
* 核密度图比较 twoway (kdensity pscore if treat==1) /// (kdensity pscore if _weight!=.), /// legend(label(1 "处理组") label(2 "匹配对照组")) /// title("匹配后倾向得分分布")4. 结果解读与报告
4.1 处理效应估计
PSM主要估计三种处理效应：
- ATE(Average Treatment Effect)：总体平均处理效应
- ATT(Average Treatment Effect on the Treated)：处理组的平均处理效应
- ATU(Average Treatment Effect on the Untreated)：对照组的平均处理效应
在学术论文中，通常报告ATT结果：
* 显示ATT结果 estat att结果解读要点：
- ATT值的经济意义和统计显著性
- 处理效应的方向（正/负）和幅度
- 与匹配前估计的比较（偏误减少程度）
4.2 敏感性分析
为验证结果稳健性，建议进行以下敏感性分析：
- 不同匹配方法比较：
* 半径匹配 psmatch2 treat, pscore(pscore) radius caliper(0.2) out(re78) * 核匹配 psmatch2 treat, pscore(pscore) kernel out(re78)不同卡钳值测试：尝试0.1、0.2等不同卡钳值，观察结果稳定性
协变量组合测试：增减协变量，检验ATT变化
5. 常见问题与解决方案
在实际应用中，研究者常遇到以下问题：
问题1：匹配后样本量大幅减少
- 检查共同支撑域（psgraph）
- 尝试更宽松的匹配标准（如增大卡钳值）
- 考虑使用核匹配保留更多样本
问题2：某些变量始终不平衡
- 检查该变量是否同时影响处理和结果
- 尝试在匹配中增加该变量的二次项或交互项
- 考虑使用马氏距离匹配（mahalanobis选项）
问题3：处理效应不显著
- 检查匹配质量（pstest结果）
- 验证共同支撑假设（psgraph）
- 考虑是否存在不可观测混杂因素
注意：PSM不是万能的，当关键混杂因素不可观测时，应考虑结合其他方法如双重差分(DID)或断点回归(RD)。
6. 论文写作中的PSM报告规范
在学术论文中报告PSM结果时，应包括以下要素：
方法描述：
- 匹配变量选择依据
- 使用的具体匹配方法
- 匹配前后的样本量
平衡性检验：
- 标准化偏差变化
- 关键变量的t检验结果
- 匹配质量可视化展示
效应估计：
- ATT值及标准误
- 统计显著性水平
- 经济意义解释
稳健性检验：
- 不同匹配方法的结果比较
- 不同协变量组合的测试
- 其他敏感性分析结果
以下是一个典型的PSM结果报告表格示例：
| 变量 | 匹配前处理组均值 | 匹配前对照组均值 | 匹配后对照组均值 | 标准化偏差(%) | 偏差减少(%) |
|---|---|---|---|---|---|
| 年龄 | 25.82 | 28.03 | 25.91 | 3.2 | 89.5 |
| 教育 | 10.35 | 10.24 | 10.33 | 0.5 | 95.1 |
| 收入 | 2095 | 1532 | 2087 | 0.4 | 98.3 |
在应用PSM方法的过程中，我发现匹配质量对结果影响极大。一次关于教育政策评估的研究中，最初匹配后某些变量仍存在显著差异，通过调整协变量组合和匹配算法，最终获得了良好的平衡性。这个过程让我深刻体会到，PSM不仅是一种技术操作，更需要研究者对数据特征和理论背景的深入理解。
