PSM⁃DID在政策评价中的应用现状与改进方法

倾向得分匹配-双重差分模型(PSM⁃DID)是政策评估及因果推断中最为流行的方法之一.但是在实际应用中,该方法面临着控制变量在处理组样本和控制组样本之间非平衡性的挑战.传统基于均值差异t检验的平衡性检验容易产生片面和误导性的结论,使得后续因果推断产生偏误.为克服上述问题,本文对传统的平衡性检验提出以下改进:一是推荐更全面的多维度的平衡性测度指标,便于在匹配后更严谨地比较处理组和控制组的平衡性;二是提出了适用于非平衡样本的新估计方法:倾向得分匹配-逆概率加权-双重差分(PSM⁃IPW⁃DID),该方法结合了倾向得分匹配(PSM)克服样本自选择内生性及对非平衡样本稳健的优势和逆概率加权(inverse probability weighting,IPW)利用全样本信息的长处,在不进一步删除样本的情况下得到一种更稳健的双重差分估计方法.数据模拟和应用实例显示,本文提出的新方法能更全面、客观地评价宏观、微观政策的作用,得到更为可信的因果推断.

纵向数据下基于广义经验似然的有效自适应双稳健回归

本文对纵向数据下的线性回归模型提出了一种同时估计协方差矩阵以及均值的有效自适应双稳健回归方法.该方法以广义经验似然为基础并结合加权最小二乘思想,首先用Cholesky分解将纵向数据的线性模型重参数化,再用广义经验似然估计方法,同时实现对协方差矩阵以及均值的有效稳健估计.有效性通过所提方法与广义经验似然方法的紧密联系获得,而加权最小二乘以及对杠杆点的降权使得该估计具有双重稳健性.本文在计算过程中还引入了一个调节参数,该参数的选定是依据稳健广义交叉验证统计量,这使得本文的双稳健估计对数据具有自适应性.理论结果展示了本文估计参数的渐近正态性.有限样本研究的结果显示,与一些现有的经典稳健估计方法相比,所提的方法在保持较高有效性的同时还具备相当好的稳健性.本文还做了一个真实数据分析来做进一步的比较.