Counterfactuals, Causal Inference, and Propensity Score

Report
資料庫研究與統計方法學
因果推論新思維:
反事實分析架構
A New Paradigm for Causal Inference:
The Counterfactual Framework
關秉寅
政治大學社會學系
2010.01.16
大型資料庫研究主題工作坊
因果推論:從古到今
• 參考Judea Pearl(professor of Computer
Science and Statistics and director of the
Cognitive Systems Laboratory , UCLA)
• http://singapore.cs.ucla.edu/LECTURE/lectur
e_sec1.htm
資料庫研究與統計方法學
1
06.09.06
因果推論:從古到今
• 從亞當與夏娃說起:亞當與夏娃吃過智慧
樹的果子後,他們已經是因果解釋的專家
。當上帝問亞當你是否吃了智慧樹的果子
時(詢問事實),亞當的回答是:「祢給
我的那個女人,從樹上拿了果子讓我吃了
」(不只是說明事實,還做了解釋);上
帝問夏娃,夏娃回答是:「我是吃了,可
是是蛇誘惑和欺騙了我」。
資料庫研究與統計方法學
1
06.09.06
因果推論:從古到今
• 聖經故事的意涵:
▫ 因果解釋是一個man-made concept。
▫ 因果解釋是拿來歸咎責任的。
▫ 只有神(為了某些目的)、人與動物(有
自有意志)可以讓事情發生,而不是東西
(objects)或物理的過程(physical
processes)。
資料庫研究與統計方法學
1
06.09.06
因果推論:從古到今
• 但當工程師開始建造有許多滑輪及繩纜的
system來幫人做事後,physical objects開始有了
因果的特性。當系統無法運作時,歸咎於神或
人並沒有用,比較有效的解釋是滑輪或繩纜壞
了,只要加以替換後,系統就可再運作。
• 至此,causes之概念有雙重意義:
▫ the targets of credit and blame
▫ the carriers of physical flow of control on the
other
資料庫研究與統計方法學
1
06.09.06
因果推論:從古到今
• 至文藝復興時,當上帝做為final cause逐漸
被人的科學知識所取代時,這雙重意義遇
到困難與挑戰。
• Galileo在1638年出版 Discorsi (兩門新科學
的對話)這本書後,有了革命性的轉變。
此書有兩項重要的格言(maxims):
資料庫研究與統計方法學
1
06.09.06
因果推論:從古到今
▫ 1. 先描述,後解釋 (Description first,
explanation second): The how precedes the
why. Ask not, said Galileo, whether an object
falls because it is pulled from below or pushed
from above. Ask how well you can predict the
time it takes for the object to travel a certain
distance, and how that time will vary from
object to object, and as the angle of the track
changes.
▫ 2. 以數學(方程式)來描述,而不是語言:如
d=t2 。
資料庫研究與統計方法學
1
06.09.06
因果推論:從古到今
• 從此,物理學充滿了有用但未被解釋的
經驗法則,如Snell law, Hooke’s law,
Ohm’s law, Joule’s law。
• 另一項比預測實驗結果更重要的是代數
方程式的運用,因為工程師除了可以問
“how to” 外,還可以問 “what if”。
資料庫研究與統計方法學
1
06.09.06
因果推論:從古到今
• 至啟蒙時代,David Hume 將 Galileo的第一項格言
發揮至極致,他認為 the WHY is not merely second
to the HOW, but that the WHY is totally superfluous as
it is subsumed by the HOW。
• On page 156 of Treatise of Human Nature:
"Thus we remember to have seen that species of object
we call FLAME, and to have felt that species of
sensation we call HEAT. We likewise call to mind their
constant conjunction in all past instances. Without any
farther ceremony, we call the one CAUSE and the other
EFFECT, and infer the existence of the one from that of
the other."
資料庫研究與統計方法學
1
06.09.06
因果推論:從古到今
• 從實證主義的角度來看, Hume是在說 “A
caused B” 與 “Whenever A occurs, then B does”相
同。但是我們都知道雞啼是伴隨著朝陽,但雞啼
並不是讓太陽出來的原因。
• 大難題1:如果如Hume所說,我們的知識是來自
於經驗,而經驗是以相關的形式存於我們的心靈
中,那我們如何得到因果方面的知識?
▫ If regularity of succession is not sufficient;
what WOULD be sufficient?
資料庫研究與統計方法學
1
06.09.06
因果推論:從古到今
• 大難題2:我們知道某些關連有或沒有因果
間的關係,有何差別嗎?知道因果又有何
用?
▫ 當然知道因果關係,就可以做某些事。如
果雞啼是造成太陽升起的原因,那我們要
縮短夜晚的話,就可以讓雞早些啼。
▫ If causal information has an empirical
meaning beyond regularity of succession,
then that information should show up in
the laws of physics. But it does not!
資料庫研究與統計方法學
1
06.09.06
因果推論:從古到今
• Russell(1913)認為 “All philosophers
imagine that causation is one of the
fundamental axioms of science, yet oddly
enough, in advanced sciences, the word 'cause'
never occurs ... The law of causality, I believe, is
a relic of bygone age, surviving, like the
monarchy, only because it is erroneously
supposed to do no harm ...”
• “It could not possibly be an abbreviation,
because the laws of physics are all symmetrical,
going both ways, while causal relations are unidirectional, going from cause to effect.”
資料庫研究與統計方法學
1
06.09.06
因果推論:從古到今
• 但另一位科學哲學家Patrick Suppes 則指出
“There is scarcely an issue of Physical
Review that does not contain at least one
article using either ‘cause’ or ‘causality’ in its
title.”
• 物理學家一方面寫無因果意涵的方程式,但另
一方面卻大談因果關係。
• 統計學一百多年前發現相關(correlation)的概
念後,卻無法忽略相關與因果間的區辨。
資料庫研究與統計方法學
1
06.09.06
因果推論:從古到今
• Francis Galton於1888年進行個人的前臂與其頭大
小關係的測量,企圖瞭解一個數值預測另一個數
值的程度時,發現到:
▫ If you plot one quantity against the other and scale
the two axes properly, then the slope of the best-fit
line has some nice mathematical properties: The
slope is 1 only when one quantity can predict the
other precisely; it is zero whenever the prediction is
no better than a random guess and, most remarkably,
the slope is the same no matter if you plot X against Y
or Y against X. "
• 我們開始可以根據資料客觀的測量兩個變項間的
關係,而不是根據我們的意見或判斷。
資料庫研究與統計方法學
1
06.09.06
因果推論:從古到今
• Galton的發現震撼了其學生Karl Pearson(公認是
現代統計學之父),使他終其一生認為我們只需
要「相關」這個更廣泛的概念,而不需要另一個
獨立的因果關係的概念。他也從不在其論文內提
到因果的概念。
• 這一直要到Sir Ronald Fisher 建立 randomized
experiment 的研究設計後,才成為唯一被主流統
計學所接受,並認為這是唯一可從資料驗證因果
間關係的科學方法。
• 但這種謹慎的看法使得無法做實驗,而需靠統計
分析為引導的社會科學處於近乎癱瘓的狀態。
資料庫研究與統計方法學
1
06.09.06
因果推論的新典範
• Pearl 認為這樣的困境是源自統計學的官方語言:
機率的語言。因為 cause 並不是機率的字彙。我們
無法以機率的語言表達:Mud does not cause rain
。我們只能說兩者相關。
• Naturally, if we lack a language to express a
certain concept explicitly, we can't expect to
develop scientific activity around that concept.
• Scientific development requires that knowledge
be transferred reliably from one study to another
and, as Galileo has shown 350 years ago, such
transference requires the precision and
computational benefits of a formal language.
資料庫研究與統計方法學
1
06.09.06
因果推論的新典範
• 當研究者開始企圖使用電腦來建立因果關係時,
對於先前兩大難題有了新的想法。
• 從概念層次來說,機器人所遇到的問題是與經濟
學家企圖建立稅收及預算模式,或流行病學家企
圖建立流行病的模式是一樣的。不論是機器人、
經濟學家或流行病學家都需要在行動受限制的條
件下,依據充滿雜音的資訊,從環境中找出因果
的關係。這就是先前的第一個大難題: HOW?
資料庫研究與統計方法學
1
06.09.06
因果推論的新典範
• 機器人的世界也與第二大難題有關。如果
我們教導機器人關於因果的知識,機器人
要如何組織及運用這些知識呢?
• 對機器人而言,這兩大難題是具體而實際
的問題,就是如何從與環境的互動中得到
因果的知識,以及如何運用從創造者/程式
設計師得到的因果知識?
資料庫研究與統計方法學
1
06.09.06
新典範與新語言
• J. Pearl 的答案:第二個難題可以結合graphs與
equations的方式解決,如此則第一個難題也比較容易
解決。解題的主要關鍵概念是:
▫ (1) treating causation as a summary of behavior
under interventions.
▫ (2) using equations and graphs as a mathematical
language within which causal thoughts can be
represented and manipulated.
▫ (3) Treating interventions as a surgery over
equations.
資料庫研究與統計方法學
1
06.09.06
新典範與新語言
• 社會科學家過去75年來不時使用graphs,如
structural equations modeling 及 path diagrams。
但是由於代數方程式的便利性,因而壓抑了圖
型的使用,也進而失去了圖型帶來的好處。
• 這些diagrams事實上捕捉了因果的本質─預測不
正常情況或是新的操弄狀態下,會產生什麼結
果。
• 這種預測是代數或相關分析無法做到的。
資料庫研究與統計方法學
1
06.09.06
新典範與新語言
資料庫研究與統計方法學
1
06.09.06
新典範與新語言
• 從這樣的角度來看因果關係,可以理解為何科
學家如此熱衷於因果解釋,因為建立因果模式
會得到一種 “deep understanding” 及 “being in
control” 的感覺。
• Deep understanding的意思是 “knowing, not
merely how things behaved yesterday, but
also how things will behave under new
hypothetical circumstances, control being one
such circumstance”.
資料庫研究與統計方法學
1
06.09.06
新典範與新語言
• 即使我們無法實際上控制事情,我們也因理解因果
關係而得到 “in control” 的感覺。例如,我們無法
控制星體的運轉,但萬有引力的理論,讓我們能夠
理解並獲得假設性控制(hypothetical control)的感
覺。
• 我們也可以預測當萬有引力改變時,對潮汐會產生
什麼影響。
• 因果模式也是做為區辨有意識的論證(deliberate
reasoning)及被動或本能的反應(reactive or
instinctive response)的試金石。前者可在即使不真
正去從事新的操弄(manipulation)下,也可以預
期新的操弄可以得到什麼結果。
資料庫研究與統計方法學
1
06.09.06
新典範與新語言
• Equations vs. Diagrams (J. Pearl)
資料庫研究與統計方法學
1
06.09.06
新典範與新語言
• Definition of Causation: Y is a cause of Z if we can
change Z by manipulating Y, namely, if after
surgically removing the equation for Y, the solution
for Z will depend on the new value we substitute for
Y.
• THE DIAGRAM TELLS US WHICH EQUATION
IS TO BE DELETED WHEN WE MANIPULATE
Y.
• INTERVENTION AMOUNTS TO A SURGERY
ON EQUATIONS, GUIDED BY A DIAGRAM,
AND CAUSATION MEANS PREDICTING THE
CONSEQUENCES OF SUCH A SURGERY.
資料庫研究與統計方法學
1
06.09.06
新典範與新語言
• INTERVENTION AS SURGERY CONTROLLED EXPERIMENTS
▫ 假定我們要研究某種藥物是否能幫助病人從某
些疾病復原。但影響復原的因素不只是藥物治
療,還有其他的因素,如社經地位、年齡、生
活方式等。這對我們判斷藥物的效果來說是個
問題,因為我們不知道影響復原的程度是那個
因素造成的。因此,我們希望能夠比較背景相
同的病人,而這就是Fisher的Randomized
Experiment能夠做到的。但隨機分派的實驗設
計如何做到這種比較呢?
資料庫研究與統計方法學
1
06.09.06
新典範與新語言
• 這種實驗設計實際上有兩個部份: Randomization
and Intervention.
• Intervention 就是我們將藥物給一些在正常情況下不
會需要這種治療的病人,另一方面我們給一些尋求
治療的病人安慰劑(placebo)。這也是先前提及的
SURGERY 的概念,因為我們將一個functional link
(如SES)切斷,而用另一種替代。
• Fisher的偉大貢獻是 connecting the new link to a
random coin flip,以此保證我們想要切斷的 link 是
確實被切斷了,因為我們可以假定這個 random coin
是不受任何我們可以測量到的因素所影響的。
資料庫研究與統計方法學
1
06.09.06
新典範與新語言
資料庫研究與統計方法學
1
06.09.06
新典範與新思維
• 在新典範下,我們可以如何在無法從事實
驗的情況下,利用observational studies
(如調查或病歷)的資料思考因果關係呢?
資料庫研究與統計方法學
1
06.09.06
發問方式
•
兩類探索因果關係的研究問題
▫ 第一類研究問題: X 對 Y 的影響為何?研究目的
是要知道:



X 對 Y 有影響嗎?
有的話,影響有多大?
這是實驗設計所問的研究問題
▫ 第二類研究問題:影響 Y 的因素有哪些?研究目
的是要知道:

所有可能解釋 Y 的因素有哪些。
資料庫研究與統計方法學
1
06.09.06
如何認定因果關係?
• 參考 Morgan, Stephen L.& Christopher Winship
(2007). Counterfactuals and Causal Inference:
Methods and Principles for Social Research. New
York, NY: Cambridge University Press.
資料庫研究與統計方法學
1
06.09.06
如何認定因果關係?
•X
Y
(Had X taken a different value, then Y would have
taken a different value)
The causal relationship between X and Y is
confounded if:
•Z
X
資料庫研究與統計方法學
Y
1
06.09.06
如何認定因果關係?
•Z
A
X
•Z
Y
A (unobserved)
X
資料庫研究與統計方法學
Y
1
06.09.06
如何認定因果關係?
• X
Y
C (collider)
• Z
A (unobserved)
X
資料庫研究與統計方法學
Y
1
06.09.06
Statistical Relations vs.
Causal Relations
• Statistical dependence may reflect
▫ Random fluctuation (c. i. & p-value)
▫ X caused Y
▫ Y caused X (temporal order; longitudinal
data)
▫ X and Y share a common cause (covariate
adjustment)
▫ Association between X and is induced by
conditioning on a common effect of X and Y
(selection bias; collider bias)
資料庫研究與統計方法學
1
06.09.06
如何推估 the effect of X on Y?
• 當X與Y有common causes時,如能認定X
與Y間的因果路徑,可以因有效的控制一組共
變項 Z,且 Z 內沒有受X影響時,則我們可以
清楚的推估 the effect of X on Y。
• Pearl’s Back-door Criterion
資料庫研究與統計方法學
1
06.09.06
如何推估the effect of D (treatment )
on Y?
A
V (unobserved)
F
G
U (unobserved)
B
D
Y
C
資料庫研究與統計方法學
1
06.09.06
Pearl’s Back-door Criterion
• If one or more back-door paths connects the
causal variable to the outcome variable,
Pearl shows that the causal effect is identified by
conditioning on a set of variables Z
if and only if
all back-door paths between the causal variable
and the outcome variable are blocked after
conditioning on Z.
資料庫研究與統計方法學
1
06.09.06
Pearl’s Back-door Criterion
• A back-door path of D and Y is blocked by Z
if and only if
the back-door path satisfies any one of the
following:
▫ contains a chain of mediation A → Z → B, or
▫ contains a fork of mutual dependence A ← Z → B;
▫ contains an inverted fork of mutual causation
A → C* ← B, where C* and all its descendants
are not in Z.
資料庫研究與統計方法學
1
06.09.06
如何推估the effect of D on Y?
(控制 B & F 即可,Why?)
A
V (unobserved)
F
G
U (unobserved)
B
D
Y
C
資料庫研究與統計方法學
1
06.09.06
Pearl’s Back-door Criterion (continued)
• 從 Pearl 的 Back-door Criterion 來看,並不是控制
越多變項就好,因為要是控制了 colliders 反而會
有問題,因為本來X與Y沒有相關或因果關係的
,控制這類變項後,反而會產生相關。
• Example
▫ 如果collider是申請入學時是否被一所菁英學校接受
(adm: 1-接受;0-拒絕)
▫ 是否被接受是根據兩個獨立變項:SAT及面試時對
動機的評估 (Motivation)
▫ 因此:adm 是的兩個 causes 是 SAT 及 Motivation,
而 SAT 及 Motivation 間是獨立的。
資料庫研究與統計方法學
1
06.09.06
Example of controlling a collider
. logistic adm SAT Motivation
Logistic regression
Number of obs
LR chi2(2)
Prob > chi2
Pseudo R2
Log likelihood = -27.345829
adm
Odds Ratio
SAT
Motivation
41.97531
29.03388
=
=
=
=
250
107.85
0.0000
0.6635
Std. Err.
z
P>|z|
[95% Conf. Interval]
34.4407
21.40764
4.55
4.57
0.000
0.000
8.405896
6.843622
209.6061
123.1754
. reg Motivation SAT
Source
SS
df
MS
Model
Residual
.155624956
248.844375
1
248
.155624956
1.00340474
Total
249
249
.999999998
Motivation
Coef.
SAT
_cons
.025
-3.28e-09
資料庫研究與統計方法學
Std. Err.
.0634802
.0633531
t
0.39
-0.00
Number of obs
F( 1,
248)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.694
1.000
=
250
=
0.16
= 0.6940
= 0.0006
= -0.0034
= 1.0017
[95% Conf. Interval]
-.1000291
-.1247788
.1500291
.1247788
1
06.09.06
4
Example of controlling a collider
1
2
0
0
0
-2
0
0
1
0
00
1
1
1
00
0 00
1 1
0
1
00
1
00
1
0
0
0
0
0
0
0
00
000 00 0 1 1 1
1 1
0 00
0
1
0
0
0
0 0 00 0 000 00001 1 110 1
0 0
0 0 0
0
00 0 000 0 00 0
0
0 00
0 0 0 0 00 0 0
00 0
0 0 0
0
0
0 0
0
0
0
0
00 000 000 0 0 0 0 0 0 0
000 0
00
0
0
0
0
0
0
0
0
0 0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0 0
0 0 00 000 00
00
0 00
0 0 0 00 0 0
0
0
0
0
0 000 0 0 00 00 0
0
0
0
0 00
0 0 0
0
0
0
0
0
00
0
00
0
0
0
0 0
0 0
0
0
0
1
0
-4
Motivation
0
1
00
-2
0
2
4
SAT
資料庫研究與統計方法學
1
06.09.06
Example of controlling a collider
. reg Motivation SAT adm
Source
SS
df
Model
Residual
45.5299
203.4701
2
247
22.76495
.823765585
Total
249
249
.999999998
Motivation
Coef.
SAT
adm
_cons
-.1684419
1.559085
-.1559085
資料庫研究與統計方法學
MS
Std. Err.
.0631478
.2100713
.0611258
t
-2.67
7.42
-2.55
Number of obs
F( 2,
247)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.008
0.000
0.011
=
=
=
=
=
=
250
27.64
0.0000
0.1829
0.1762
.90762
[95% Conf. Interval]
-.2928187
1.145326
-.2763028
-.044065
1.972845
-.0355143
1
06.09.06
如何推估the effect of D on Y?
A
B
C
資料庫研究與統計方法學
F
G
D
Y
H
1
06.09.06
如何有效的控制 confounding variables
(Z)呢?
• 如果D只有兩個值:0及1,我們可以用實驗設計
的方式,將兩組相同特性的人,隨機分配到控制
組(D=0)及實驗組(D=1),即可達到前述
的狀態。Why?
• 如果無法用實驗設計,而是用調查方法蒐集資料
時,如何推估呢?
▫ 條件性控制(conditioning)或是配對(
matching):
 by holding <something> constant or
 by balancing/homogenizing the treatment & control
groups.
資料庫研究與統計方法學
1
06.09.06
The Counterfactual Framework
• 反事實因果推論的想像
Potential Outcomes
Group
Treatment group
(D = 1)
Control group
(D = 0)
資料庫研究與統計方法學
Y1
Y0
Observable
Counterfactual
Counterfactual
Observable
1
06.09.06
The Counterfactual Framework
• 反事實分析架構的想像可看成是一種thought
experiment。
• 要想像的是同一個個體或群體在不同的狀態下,
會有什麼可能的結果(potential outcomes)。
• 這些可能結果間的差異,即為不同狀態(因)的
效果。
• Counterfactuals should be reasonable !
資料庫研究與統計方法學
1
06.09.06
The Counterfactual Framework
Q:什麼是unreasonable 的 counterfactuals 呢
?
▫ 有什麼狀態不適合看成為 causes 的嗎
?
▫ 有什麼樣的結果不適合想像
counterfactual情況的嗎?
資料庫研究與統計方法學
1
06.09.06
The Counterfactual Framework
• 個人層次的真正因果效應:
δi = Yi1 ─ Yi0
• The Fundamental Problem of Causal
Inference:無法觀察同一個人同時在實驗組及
控制組。
• 加上一些假定,如 SUTVA,則可推估群層次
的因果效應。
資料庫研究與統計方法學
1
06.09.06
The Counterfactual Framework
• SUTVA:The Stable Unit Treatment Value
Assumption – a priori assumption that the
value of Y for unit u when exposed to
treatment t will be the same no matter what
mechanism is used to assign treatment t to
unit u and no matter what treatments the
other units receive.
資料庫研究與統計方法學
1
06.09.06
The Counterfactual Framework
• 實驗設計是假設我們能夠將觀察到的替代無法觀
察到的。
• 如隨機分派到實驗組與控制組的個體的特性相同
,則我們可以假定:
▫ 如果實驗組的個人沒有接受treatment的話,其
結果與控制組觀察到的相同;
▫ 如果控制組的個人接受treatment的話,其結果
與實驗組觀察到的相同。
資料庫研究與統計方法學
1
06.09.06
The Counterfactual Framework
• 當使用調查方法得到資料時,即observational
data,個人為何會接受或不接受treatment,
往往不是一個隨機的現象。
• Observational data通常有兩個問題:
▫ 接受treatment者與不接受者有baseline
differences,以及heterogeneity of
treatment effect.
▫ 可能有些影響接受treatment與否的變項,並未
觀察到,亦即omitted variables的問題。
資料庫研究與統計方法學
1
06.09.06
The Counterfactual Framework
Potential Outcomes
Group
Treatment
group
(D = 1)
Control group
(D = 0)
資料庫研究與統計方法學
Y1
Y0
Observable
E[Y1 | D = 1]
Counterfactual
Counterfactual
Observable
E[Y1 | D = 0]
E[Y0 | D = 0]
E[Y0 | D = 1]
1
06.09.06
The Counterfactual Framework
• 以反事實架構的觀點來看,母群體層次的真正因果
效應(ATE;Average Treatment Effect)為:
• E[δ] = E[Y1 – Y0]
= E[Y1] – E[Y0]
= {πE[Y1 | D = 1] + (1 – π) E[Y1 | D = 0]} –
{πE[Y0 | D = 1] + (1 – π) E[Y0 | D = 0]}
= π{E[Y1 | D = 1] – E[Y0 | D = 1] } +
(1 – π) {E[Y1 | D = 0] – E[Y0 | D = 0] }
= πE[δ| D = 1] + (1 – π) E[δ | D = 0]
資料庫研究與統計方法學
1
06.09.06
The Counterfactual Framework
• π:母群體中接受 treatment 的比例
• 不同組的因果效應:
▫ ATT(Average Treatment Effect on the Treated):
E[Y1 |D = 1] – E[Y0|D = 1] ,即 E[δ| D = 1]
▫ ATU(Average Treatment Effect on the Untreated):
E[Y1 |D = 0] – E[Y0|D = 0] ,即 E[δ | D = 0]
Q:我們可以假定不同組的人有同樣的因果效應嗎?
如果我們能夠做此假定的話,則 E[Y1 |D = 0] = E[Y1 |D = 1]
資料庫研究與統計方法學
1
06.09.06
The Counterfactual Framework
• 基準線的差異:
E[Y0 |D = 1] – E[Y0|D = 0]
Q:我們可以假定不同組的人在未接受 treatment 前
是一樣的嗎?
如果我們能夠做此假定的話,則 E[Y0 |D = 1] = E[Y0|D = 0]
資料庫研究與統計方法學
1
06.09.06
The Counterfactual Framework
如果我們只以觀察到接受 treatment 的組與觀察到未接
受 treatment 的組之間的差異做為 Causal Effect 的估計
時,此估計是一種 Naïve Estimate:
Naïve Estimate
= average causal effect
+ baseline bias
+ differential effect bias
資料庫研究與統計方法學
E[Y1 |D = 1] – E[Y0|D = 0]
= E(δ)
+ {E(Y0|D=1) − E(Y0|D=0)}
+{E(δ |D=1) − E(δ |D=0)} (1−π)
1
06.09.06
The Counterfactual Framework: A
Review
反事實分析架構的五個關鍵概念:
• Potential/Hypothetical States & Outcomes:
▫因果效應(causal effect)是利用 “potential” 或
“hypothetical”的概念,而不是只用到 actual
observations。.
• The ceteris paribus condition
▫其他條件相同的條件下,也就是將其他因素控制成
等同(equal)、固定不變(fixed)或是constant
。
資料庫研究與統計方法學
1
06.09.06
The Counterfactual Framework: A
Review
• Heterogeneity:
▫ 個人對於treatment的反應是因人而異的。亦即因果效應在
個人層次即被認定是有差異的。每個人的因果效應是:
[potential outcome under the potential treatment state]
─ [potential outcome under the potential control state]
• Fundamental Problem of Causal Inference:
▫ 由於 the counterfactual definition of causal effect 意涵著
評估個人層次的因果效應會有 missing data 的問題。但是
如果我們願意做一些假定的話,我們可以評估幾種
Average Causal Effects。
資料庫研究與統計方法學
1
06.09.06
The Counterfactual Framework: A
Review
• Basic Parameters of Interest:
▫ ATT: Average Treatment effect on the Treated
▫ ATU: Average Treatment effect on the Untreated
▫ ATE: Average Treatment Effect
▫ the most basic one is ATT, and there are other
meaningful causal parameters of interest than
these three.
資料庫研究與統計方法學
1
06.09.06
反事實分析架構下分析
觀察資料的方法
• 假設控制影響treatment之共變項後,就能達成
ignorability,這也稱為selection on
observables)
▫ propensity score matching
• 如果此假定不成立的話:
▫ instrumental variable
▫ Heckman selection model
▫ 利用長期追蹤資料的特性,使用如 fixed effect
model,change score model
• 不同的分析方法,要做不同的假定
資料庫研究與統計方法學
1
06.09.06
傾向分數配對法介紹
Introduction to Propensity Score
Matching
關秉寅
政治大學社會學系
2010.01.16
資料庫研究與統計方法學
1
06.09.06
OLS迴歸分析的問題
• 一般多元OLS迴歸分析,是一種ATE的估計,其
作法假定其控制足夠的共變項後,可以消除基準
線差異,並假定接受 treatment 者的因果效應與
未接受者相同。這些假定合理嗎?
• OLS迴歸分析通常無法克服自我選擇的問題。
• OLS 迴歸分析可能將接受 treatment 及沒接受
treatment 兩組中無法比較的人納入分析。如果
兩組人的特性(基準線)相當不同,則 OLS的推
估會有大問題,因為其無法比較的部份是以
imputation 的方式來推估。
資料庫研究與統計方法學
1
06.09.06
反事實分析架構下分析
觀察資料的方法
• 假設只有 omitted variables,且是可以用控制觀
察到之變項來控制的話(即控制影響 treatment
之共變項後,就能達成 ignorability,這也稱為
selection on observables)
▫ propensity score matching (PSM)是這類
假定下發展出來的分析方法。
資料庫研究與統計方法學
1
06.09.06
反事實分析架構下分析
觀察資料的方法
• selection on observables
•
Z
•
D
•
U (unobservable)
資料庫研究與統計方法學
Y
1
06.09.06
Propensity Score Matching(PSM)
• 假定:如果接受及不接受 treatment 兩種人的差異
能夠被一組共變項(Z)完美解釋,那麼我們就可
以用這些共變項進行分層配對,使得每層內有兩
種人:接受者及不接受者,且這些人在各層中唯
一的不同是他們是否接受 treatment。然後,我們
觀察這兩種人在 outcome 的差異為何。我們再進
一步將各分層的差異,以及分層所佔的比例做適
當加權,則可得到好的ATE,ATT,ATU 的估計
。
資料庫研究與統計方法學
1
06.09.06
Propensity Score Matching(PSM)
• (Y1 , Y0 ) ╨ D | Z
• 實際上如果有許多共變項時,配對過程很麻煩,
且在樣本有限的情況下,有些分層會沒有個案。
Paul Rosenbaum及Donald Rubin在一系列的論
文中,證明用所謂的「傾向分數」(propensity
score)將是否會接受視為一種機率,然後以此
分數來從事分層配對是可行的。
資料庫研究與統計方法學
1
06.09.06
Propensity Score Matching(PSM)
• 如何得到傾向分數?
▫ 找到有意義可解釋是否會接受 treatment 的共變項
,然後做Logit 或 Probit 迴歸,應變項為是否接受
treatment。
• 根據傾向分數將接受者及不接受者進行配對,並
找到 common support。在 common support 的樣
本中,兩組人的分配是 balanced(檢視matching
quality)。
資料庫研究與統計方法學
1
06.09.06
Propensity Score Matching(PSM)
• 實際從事PSM的運算方法有四大類:
▫
▫
▫
▫
Exact Matching
Nearest Neighbor Matching
Interval Matching
Kernel Matching
• 不同運算方法的差異:
 With or without replacement
 How many units to match
資料庫研究與統計方法學
1
06.09.06
Propensity Score Matching(PSM)
• 選擇不同運算法的兩難
▫ 要能 maximize 精準的配對(如用 strictly
“nearest” or common-support region), 可能會
有比較多的樣本個案會被排除於分析之外。
▫ 要能包括比較多的配對樣本個案 (如擴大配對的範
圍),就會有比較多不精準的配對。
• 用bootstrapping方式求得PSM估計值的
standard errors
資料庫研究與統計方法學
1
06.09.06
Propensity Score Matching(PSM)
• 實際可從事PSM的程式:
▫ Stata: psmatch2 等
▫ SPSS: SPSS Macro for Propensity Score Matching
(http://ssw.unc.edu/VRC/Lectures/index.htm)
▫ SAS: “GREEDY” Macro
(http://www2.sas.com/proceedings/sugi26/proceed.p
df)
▫ R: “MatchIt” (http://gking.harvard.edu/matchit/)
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• 研究問題:國三補習數學有用嗎?
▫ ATT:如果國三補數學的人,沒補的話,數學成就會有
差異嗎?
▫ ATU:如果國三沒補數學的人,補習的話,數學成就
會有差異嗎?
▫ ATE:如果所有的人國三都補數學的話,數學成就會有
差異嗎?
▫ 參考:關秉寅、李敦義(2008)。補習數學有用嗎?
一個「反事 實」的分析。台灣社會學刊,41,97-148
。
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• 研究使用的資料:TEPS 國中樣本(公開使用版)
▫ 2001(N = 13,978 )
▫ 2003(N = 13,247 )
▫ 分析樣本 :公立國中生;with common support
(N = 10,013 )
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• 應變項:國三數學能力 IRT,轉換成 NCE (normal
curve equivalence)分數(Range: 1 – 99; Mean: 50; S.D.:
21.06)
• 自變項(Treatment):國三補習數學
• 26個配對變項:
▫ 個人特性及學習特質:性別、補習經驗、W1數學IRT等(
motivation, ability)
▫ 家庭背景:父母教育程度、職業、教育期待等
▫ 班級/學校學習氣氛及環境
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• 分析策略:只研究國三數學補習的效果
▫ 國三補習主要是為了準備基測
▫ 學校教育對數學能力的培養比較有影響力
• 以階層性模型探討國三補習的參與及補習效果,
以瞭解過往補習研究可能有的限制,以及比較
OLS及PSM兩者估計ATE可能有的差異
• 比較有及沒有W1數學IRT做為配對變項的差異
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• 使用 Stata(version 9以上版本)的指令:psmatch2
及 bootstrap
• PSMATCH2: Stata module to perform full
Mahalanobis and propensity score matching, common
support graphing, and covariate imbalance testing (by
Edwin Leuven & Barbara Sianesi)
• Bootstrap 用來估計 standard error of the estimate
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• use D:\w2w1all01, clear
• set seed 19123584
• psmatch2 w2s1102 w1s502 mathtime w1s535-w1s550 w1tms1 w1tms3 ///
w1s507d w2s1121d cram1-cram3 ethn2-ethn4 paedu2 paedu3 ///
paocc1-paocc2 w1p5152-w1p5154 nuintact sibsize ///
eduexp2 eduexp3 grouping w1s309-w1s318 w1urban32-w1urban33 ///
w1m3p29c, out(w2m3p28NCE) kernel common logit ate
• gen ps=_pscore
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
Logistic regression
Number of obs
LR chi2(36)
Prob > chi2
Pseudo R2
Log likelihood = -5939.0544
資料庫研究與統計方法學
w2s1102
Coef.
w1s502
mathtime
w1s535
w1s536
w1s537
w1s550
w1tms1
w1tms3
w1s507d
w2s1121d
cram1
cram2
cram3
ethn2
ethn3
ethn4
paedu2
paedu3
paocc1
paocc2
w1p5152
w1p5153
w1p5154
nuintact
sibsize
eduexp2
eduexp3
grouping
w1s309
w1s315
w1s316
w1s317
w1s318
w1urban32
w1urban33
w1m3p29c
_cons
-.0833313
.1435434
-.0678964
-.0847454
.0680199
.0215024
-.4073255
.1107166
.0330961
-.8260525
-.7770591
-.4560749
-.2523984
.0328902
.0318565
-.6514906
.156507
-.4139991
.2022489
.0958511
.4493477
.8032888
1.006179
.2259083
-.0765143
.5042964
.6798024
-.0359304
.1079485
-.0107513
.0510998
-.0837422
.0036893
.3659348
.6316685
.1882496
-.2456198
Std. Err.
.0470693
.0508503
.0329894
.0342559
.0355634
.0245201
.0394947
.0365143
.0883917
.051729
.085213
.0871879
.1042133
.0702542
.0717653
.154933
.0575545
.1370291
.0589527
.0572689
.0872949
.0918514
.1108639
.0607856
.0194415
.0858112
.099277
.0581625
.0271998
.0282028
.0333087
.0298398
.0305617
.1112798
.1116324
.0308065
.2961725
z
-1.77
2.82
-2.06
-2.47
1.91
0.88
-10.31
3.03
0.37
-15.97
-9.12
-5.23
-2.42
0.47
0.44
-4.20
2.72
-3.02
3.43
1.67
5.15
8.75
9.08
3.72
-3.94
5.88
6.85
-0.62
3.97
-0.38
1.53
-2.81
0.12
3.29
5.66
6.11
-0.83
P>|z|
0.077
0.005
0.040
0.013
0.056
0.381
0.000
0.002
0.708
0.000
0.000
0.000
0.015
0.640
0.657
0.000
0.007
0.003
0.001
0.094
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.537
0.000
0.703
0.125
0.005
0.904
0.001
0.000
0.000
0.407
=
=
=
=
10039
2001.93
0.0000
0.1442
[95% Conf. Interval]
-.1755854
.0438787
-.1325545
-.1518857
-.0016831
-.0265561
-.4847336
.03915
-.1401485
-.9274395
-.9440735
-.62696
-.4566527
-.1048056
-.108801
-.9551536
.0437023
-.6825712
.0867038
-.0163939
.2782528
.6232635
.78889
.1067708
-.114619
.3361094
.485223
-.1499268
.0546378
-.0660278
-.0141841
-.1422271
-.0562106
.1478304
.412873
.12787
-.8261073
.0089228
.2432081
-.0032383
-.0176051
.1377229
.0695609
-.3299174
.1822832
.2063406
-.7246655
-.6100447
-.2851899
-.0481441
.1705859
.172514
-.3478275
.2693118
-.145427
.317794
.2080961
.6204425
.9833142
1.223468
.3450458
-.0384096
.6724833
.8743818
.078066
.1612592
.0445251
.1163838
-.0252572
.0635892
.5840392
.8504641
.2486292
.3348676
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• 誰參加國三數學補習?
▫ 個人特性及學習特質:先備能力較佳、過去沒
補習經驗者、回家會複習功課、自己沒有補習
的意願
▫ 家庭背景:非原住民、與雙親同住、父母不是
研究所學歷、白領職業、高收入、高父母教育
期望、手足人數少
▫ 班級/學校情況:位於在都市化程較高地區、
班上讀書風氣盛、學業競爭激烈程度高
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• --------------------------------------------------------------------------------------------------------•
Variable Sample
| Treated
Controls
Difference
S.E.
T-stat
• --------------------------------------------------------------------------------------------------------w2m3p28NCE Unmatched | 57.1492421 44.4285175 12.7207246 .40052829 31.76
•
•
•
•
•
<observed> <potential> <outcome>
ATT | 57.1242786 54.866121 2.25815756 .479776217 4.71
ATU | 44.6844424 48.2644102 3.57996779
ATE |
2.95584959
----------------------------+---------------------------------------------------------------------------Note: S.E. for ATT does not take into account that the propensity score is estimated.
• psmatch2: | psmatch2: Common
• Treatment |
support
• assignment | Off suppo On suppor | Total
• --------------+---------------------------+---------• Untreated |
61
5,263 | 5,324
•
Treated |
7
4,708 | 4,715
• -------------+----------------------------+---------•
Total |
68
9,971 | 10,039
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• pstest w2s1102 w1s502 mathtime w1s535-w1s550 w1tms1 w1tms3 ///
w1s507d w2s1121d cram1-cram3 w1m3p29c ethn2-ethn4 ///
paedu3 paocc1-paocc2 w1p5152-w1p5154 nuintact sibsize ///
eduexp2 eduexp3 grouping w1s309-w1s318 ///
w1urban32-w1urban33, summary treated(_treated)
Mean
Treated Control
%bias
%reduct
|bias|
0
0
.
.
.
.
.
.
.
.48802
.48774
.51014
.49835
-4.4
-2.1
52.0
-2.21
-1.03
0.027
0.304
Unmatched
Matched
.27996
.2798
.22746
.28553
12.1
-1.3
89.1
6.06
-0.62
0.000
0.538
Unmatched
Matched
2.0185
2.0205
2.1101
2.0085
-11.2
1.5
86.9
-5.58
0.72
0.000
0.470
Unmatched
Matched
2.2431
2.2459
2.3418
2.2336
-12.0
1.5
87.5
-5.98
0.73
0.000
0.465
Unmatched
Matched
1.9421
1.9437
2.0306
1.9238
-11.7
2.6
77.5
-5.85
1.30
0.000
0.193
Unmatched
Matched
2.2503
2.2485
2.0648
2.2687
19.2
-2.1
89.1
9.59
-0.99
0.000
0.324
Variable
Sample
w2s1102
Unmatched
Matched
1
1
Unmatched
Matched
w1s502
mathtime
w1s535
w1s536
w1s537
w1s550
資料庫研究與統計方法學
t-test
t
p>|t|
1
06.09.06
運用PSM的實例:補習數學有用嗎?
Summary of the distribution of the abs(bias)
BEFORE MATCHING
1%
5%
10%
25%
50%
75%
90%
95%
99%
Percentiles
.6808444
1.474137
3.638223
7.567391
Smallest
.6808444
1.474137
2.777662
3.638223
12.08539
27.73524
32.9365
54.21405
55.57048
Largest
32.9365
32.98215
54.21405
55.57048
Obs
Sum of Wgt.
37
37
Mean
Std. Dev.
18.13108
13.64366
Variance
Skewness
Kurtosis
186.1494
.940569
3.57198
AFTER MATCHING
1%
5%
10%
25%
50%
75%
90%
95%
99%
Percentiles
.0326583
.2346073
.3174218
.7289222
Smallest
.0326583
.2346073
.3134599
.3174218
1.439995
1.782969
2.694701
2.900254
3.467881
資料庫研究與統計方法學
Largest
2.694701
2.8343
2.900254
3.467881
Obs
Sum of Wgt.
37
37
Mean
Std. Dev.
1.366565
.8430323
Variance
Skewness
Kurtosis
.7107035
.5760441
2.674063
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• set seed 19123584
• psmatch2 w2s1102, out(w2m3p28NCE) pscore(ps) mahal(w2stwt1) ///
add kernel common logit
-----------------------------------------------------------------------------------------------------------Variable Sample
| Treated Controls
Difference
S.E.
T-stat
--------------------------------------+--------------------------------------------------------------------------------w2m3p28NCE Unmatched | 57.1492421 44.4285175 12.7207246 .40052829 31.76
ATT | 57.1044268 54.9845736 2.11985317 .49239495 4.31
----------------------------+-------------------------------------------------------------------------------------------Note: S.E. for ATT does not take into account that the propensity score is estimated.
資料庫研究與統計方法學
psmatch2: | psmatch2: Common
Treatment |
support
assignment | Off suppo On suppor | Total
-----------+---------------------------------------+---------Untreated |
0
5,324 |
5,324
Treated |
26
4,689 |
4,715
---------------+------------------------------------+---------Total |
26
10,013 |
10,039
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• psgraph, bin(50) treated(_treated) support(_support) ///
pscore(_pscore)
▫ 檢視有 common support 的分析樣本的balance
0
資料庫研究與統計方法學
.2
.4
.6
Propensity Score
Untreated
Treated: Off support
.8
1
Treated: On support
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• bs r(att): psmatch2 w2s1102, out(w2m3p28NCE) pscore(ps) ///
mahal(w2stwt1) add kernel common logit
Bootstrap results
Number of obs
Replications
=
=
10039
50
command: psmatch2 w2s1102, out(w2m3p28NCE) pscore(ps)
mahal(w2stwt1) add kernel common logit
_bs_1: r(att)
---------------------------------------------------------------------------------------------| Observed Bootstrap
Normal-based
|
Coef.
Std. Err.
z
P>|z| [95% Conf. Interval]
---------+-----------------------------------------------------------------------------------_bs_1 | 2.11783 .4667819 4.54 0.000 1.202954 3.032706
------------------------------------------------------------------------------
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• 國三補習數學有用嗎?
▫ Gross effect (OLS): 12.243(分析樣本with common support)
▫ After controlling all matching variables (OLS): 3.017 – an
estimate of ATE
• PSM results (all matching variables included):
▫ Total population (ATE): 2.956
▫ Treated (ATT): 2.258
▫ Untreated (ATU): 3.580
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• 階層性模型分析結果顯示
▫ PSM的ATE估計大多比OLS的估計小
▫ ATT比ATU小
▫ 都會受到未納入重要自變項的影響
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• PSM stratified by propensity scores





•
•
1st stratum (lowest)
2nd stratum
3rd stratum
4th stratum
5th stratum (highest)
3.519
4.063
3.384
1.997
2.950
1st – 3rd stratum
4th – 5th stratum
3.292
2.557
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• PSM stratified by prior math ability scores







1st stratum (lowest)
2nd stratum
3rd stratum
4th stratum
5th stratum (highest)
1st – 3rd stratum
4th – 5th stratum
資料庫研究與統計方法學
3.600
4.406
2.101
3.215
2.108
4.203
2.248
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• PSM stratified by whose decision to undertake math
cramming
▫ Student’s own decision 2.281
▫ Decision made by others 1.429
• PSM stratified by parents’ education level
▫ High school
▫ College and above
資料庫研究與統計方法學
4.712
1.371
1
06.09.06
運用PSM的實例:補習數學有用嗎?
•
•
•
•
•
國三補習數學有用嗎?
補習的時間更長的話,是否效果更好?
其他科補習的效果呢?
TEPS數學IRT不是基測成績?
大家知道這個結果,會減少補習嗎?
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
Q:如果 treatment(如補習)不只是接受
與否時,怎麼辦?
Group
YD1
Takes D1
Observable as Y
Counterfactual
…..
Counterfactual
Takes D2
Counterfactual
Observable as Y
…..
Counterfactual
…..
…..
…..
…..
Observable as Y
…..
Takes Dj
…..
Counterfactual
資料庫研究與統計方法學
YD2
Counterfactual
…..
YDj
1
06.09.06
運用PSM的實例:補習數學有用嗎?
Q:如果解釋是否接受 treatment 的共變項
不是都可被觀察到的,怎麼辦?
Selection on the observables vs.
Selection on the unobservables
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• Sensitivity analysis
• 參考:
▫ DiPrete, T. A. & Gangl, M. (2004). Assessing bias
in the estimation of causal effects: Rosenbaum
bounds on matching estimators and instrumental
variables estimation with imperfect instruments.
Sociological Methodology, 34, 271–310.
▫ Caliendo, M. & Kopeinig, S. (2008). Some
Practical Guidance for the Implementation of
Propensity Score Matching. Journal of Economic
Surveys, 22, 31-72.
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• 如果是否補習的機率是πi,且此機率不僅是為觀察到
的配對變項xi 所決定,也受到未觀察到之變項ui的影
響,則πi = Pr(Di = 1 | xi) = F (βxi + γui) 。
• ui可設定介於0與1間,而γ是ui對參與補習的影響效
果。隨著所設定之γ大小的變化,研究者可以評估處
理效果受到潛在偏誤之影響的敏感度。
• Rosenbaum(2002)將兩人有同樣配對變項數值,
但因未觀察變項影響而有不同的接受實驗處理之機
率的潛在偏誤上下限訂為介於1/Г及Г之間 。
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• gen delta = w2m3p28NCE - _w2m3p28NCE if _treated==1 & ///
_support==1
• rbounds delta, gamma(1 (0.05) 2)
Rosenbaum bounds for delta (N = 4689 matched pairs)
Gamma
sig+
sigt-hat+
t-hatCI+
CI---------------------------------------------------------------------1
0
0 2.53564 2.53564 2.01807 3.04954
1.05
4.4e-16
0 2.15427 2.91407 1.63508 3.42905
1.1
1.2e-11
0 1.78947 3.27694 1.26991 3.79062
1.15
3.8e-08
0 1.44109 3.62183 .920764 4.13528
1.2
.000018
0 1.10691 3.95152 .584407 4.46356
1.25
.001696
0 .787757 4.26565 .262282 4.77819
1.3
.03747
0 .478479 4.56627 -.048146 5.07914
1.35
.249543
0 .182048 4.85537 -.347525 5.36746
1.4
.651198
0 -.104479 5.13329 -.636678 5.64383
1.45
.921584
0 -.38144 5.40027 -.916216 5.90901
1.5
.991994
0 -.648689 5.65514 -1.1861 6.16496
資料庫研究與統計方法學
1
06.09.06
運用PSM的實例:補習數學有用嗎?
• 針對國三補習數學者與從未補習者配對成功的4689
對中進行敏感度分析的結果是,如果未觀察到之變
項對影響補習參與與否的影響力,即Gamma(γ)
,是介於1.25到1.35時,就可能會變成不顯著。
• 取這些數值的自然對數,則分別為0.223及0.300 ,
如與實際配對變項對是否補習之邏輯迴歸係數比較
,則此數值大約是完整家庭(nuintact)的係數(
.226)。也就是說,這未觀察到變項對補習與否的影
響力至少要像完整家庭一樣大,才會影響ATT的變化
。
資料庫研究與統計方法學
1
06.09.06
PSM其他限制
• 通常需要大樣本。
• Treat group 與 Control group 配對後應該有足夠
的重疊。
• 即使是以觀察到的變項進行配對,仍可能有
hidden bias 。
資料庫研究與統計方法學
1
06.09.06
反事實分析架構下分析
觀察資料的方法
• 其他在selection on unobservables 時可用的
方法:
▫ instrumental variable
▫ Heckman selection model
▫ 利用長期追蹤資料的特性,使用如 fixed effect
model,change score model
• 不同的分析方法,要做不同的假定
資料庫研究與統計方法學
1
06.09.06
反事實分析架構下分析
觀察資料的方法
• selection on unobservables
•
Z
•
D
•
U (unobservable)
資料庫研究與統計方法學
Y
1
06.09.06
結合PSM與其他分析方法
• 結合迴歸分析。
• 結合 multi-level modeling。
資料庫研究與統計方法學
1
06.09.06
謝謝聆聽,並請指教!
Q&A
資料庫研究與統計方法學
1
06.09.06

similar documents