1. 倾向得分匹配的核心原理

倾向得分匹配（Propensity Score Matching，PSM）本质上是一种"反事实推断"技术。举个生活中的例子：你想知道参加健身课程对减肥的效果，但直接对比健身人群和非健身人群的体重变化会有偏差——因为主动健身的人可能本身饮食更健康、作息更规律。PSM就是帮健身组找到"另一个自己"：那些没健身但其他特征（饮食、作息等）高度相似的人，这样两组间的体重差异才能真实反映健身效果。

核心数学原理其实很直观：

1. 用逻辑回归模型计算每个样本的倾向得分（Pscore），这个0-1之间的数值代表个体进入处理组的概率
2. 根据Pscore值进行样本匹配，常见方法有：
   • 最近邻匹配：为每个处理组样本找Pscore最接近的对照组样本
   • 半径匹配：设定一个阈值（如0.05），在阈值范围内随机匹配
3. 匹配后通过t检验等方法比较两组结果变量的差异

关键提示：Pscore不是简单的概率值，而是对多维协变量信息的压缩表达。就像用学生综合成绩代替语数外单科成绩来比较学习能力。

2. SPSSAU操作全流程解析

2.1 数据准备阶段

假设我们要研究"员工培训对工资的影响"，数据需要包含：

• 研究变量：是否参加培训（二分类，1=是/0=否）
• 结果变量：当前工资（数值型）
• 协变量：初始工资、工作经验、岗位类型等可能影响工资的特征

常见踩坑点：

• 协变量选择不当会导致匹配失败。比如漏选"学历"这个关键变量
• 分类变量需要先做哑变量处理。例如岗位类型如果是"管理/技术/销售"，需要拆分为3个0-1变量
• 样本量建议处理组:对照组≥1:3，否则可能匹配失败

2.2 模型构建实操

在SPSSAU中的具体操作步骤：

1. 将"是否培训"拖入【研究变量】框
2. 将协变量拖入【特征项】框
3. 将"当前工资"拖入【结果变量】框
4. 关键参数设置：
   • 匹配方法：新手建议选半径匹配（容差设0.02-0.05）
   • 抽样方式：小样本选不放回，大样本选放回
   • 勾选"保存匹配信息"获取匹配明细

# 伪代码展示Pscore计算过程 from sklearn.linear_model import LogisticRegression # X是协变量矩阵，y是处理组标识 model = LogisticRegression().fit(X, y) pscore = model.predict_proba(X)[:, 1] # 获取处理组概率

2.3 匹配效果验证

SPSSAU会输出四类关键诊断报告：

1. 匹配基本信息表：重点关注匹配成功率（建议>80%）
2. 标准化偏差对比：匹配后各变量偏差应<20%
3. 平行假设检验：匹配后p值应>0.05（无显著差异）
4. 共同支撑检验：核密度图显示两组Pscore分布应重叠

我曾经处理过一个案例，匹配前处理组的平均工作经验比对照组长3年，匹配后这个差异缩小到0.2年，标准化偏差从35%降到5%，说明匹配效果很好。

3. 结果解读与问题排查

3.1 ATT效应分析

SPSSAU输出的ATT（Average Treatment Effect on the Treated）表格包含关键信息：

• 匹配前差异：通常有显著性（说明需要匹配）
• 匹配后ATT：我们关注的真实效应
• 效应值与95%置信区间

示例解读：

ATT效应值：17554.412（p=0.023） → 培训使员工工资平均增加17554元，且统计显著

3.2 常见问题解决方案

匹配失败的可能原因：

1. 样本量不足：对照组样本数至少是处理组的3倍
2. 半径阈值过小：尝试调大到0.1
3. 协变量缺失：检查是否漏选重要变量

结果不显著怎么办：

• 检查共同支撑域：核密度图是否有足够重叠区域
• 尝试不同匹配方法：最近邻匹配 vs 半径匹配
• 考虑加入高阶项：比如工作经验的平方项

4. 进阶技巧与注意事项

4.1 匹配方法选择指南

4.2 敏感性分析

好的PSM分析需要验证结果的稳健性：

1. 不同半径阈值（0.01/0.05/0.1）的结果对比
2. 逐步增减协变量观察效应值变化
3. 用bootstrap法计算标准误

我在一次政策评估项目中发现，当半径从0.02调整到0.05时，ATT值变化不超过10%，说明结果比较稳定。

4.3 与其他方法的结合

PSM经常与这些方法联用：

• 双重差分法（DID）：先匹配再差分，控制时间趋势
• 回归调整：匹配后对残余差异进行回归校正
• 分位数匹配：研究处理效应的分布差异

最后提醒：PSM只能解决可观测变量的偏差，对于隐藏变量（比如员工积极性）仍需借助工具变量等方法。实际分析中建议用多种方法交叉验证结论。