匹配作为回归估计

匹配避免了对回归方程的函数形式进行假设,使分析更加可靠

芝加哥大学和NORC在芝加哥大学,美国,德国IZA

单页 全文

电梯游说

“匹配”是一种统计技术,用于在观察性研究中通过比较治疗和未治疗的单位来评估治疗的效果。匹配提供了一种较旧的估计方法的替代方法,如普通最小二乘(OLS),后者涉及通常没有太多经济理论证明的强有力的假设。虽然在20世纪70年代和80年代计算的早期,使用简单的OLS模型可能是合适的,但此后计算能力的显著提高使得其他方法,特别是匹配,非常容易实现。

使用匹配与最小二乘法估计治疗对被治疗者的影响

重要发现

优点

匹配可以在不依赖如此强的假设的情况下估计因果效应,这使得其结果更加可靠。

匹配允许研究人员平衡困扰统计估计的两个问题:偏差和方差。

在治疗和比较组中可能缺乏相似的个体,这一点通过匹配得到强调。

缺点

匹配需要大量的计算。

匹配和OLS仍然依赖于对治疗外源性的强假设,这使得结果不太可靠。

匹配需要在过程的几个步骤中做出决定,这些步骤可能会使估计产生偏差并限制其精度。

作者的主要信息

匹配是一种强大但经常被误解的统计技术。它允许研究人员对影响进行规划(与回归分析类似),但这样做不需要研究人员对确切的功能形式做出假设。这可以避免在预测规划的影响方面发生一些非常严重的错误的可能性——这使得匹配成为决策者统计工具箱的一个重要组成部分。

完整的引用

完整的引用

数据源(年代)

数据类型(年代)

方法(年代)

国家