6.16 Q&A 5在线视频

老师同学们大家好

我为大家带来的是19题跟20题的答疑

同学问它说

PSM第一阶段都使用了

probit和logit模型

然后当实验组对照组样本

量比较悬殊的时候

好

比 logit的模型的预测

能力可能表面性表面上很强

然后实则真阳性很低

那么这种情况会导致PSM

的一个估计问题吗

首先这位同学他是注意到了

去年**老师

当时讲

probit跟logit

模型回归的时候

然后对

模型的一个拟合优度的判别的指标

这是它提出来的其中一个指标

然后这个指标的话它

它主要是去检测我们这个

模型它能够政策运

正确预测的一个百分比

我们现在可以简单的看一下

它这个到底是怎么算的

你比如

横向来看的话

大家也看到D

~D

这个的代表的话

D的话就是说这个事情是真的

然后

~D的话实际上是假的

然后classified的话

然后如果是正的话

就是说你是正确预测它

负的话就是负的

没有正确预测它

然后

它这个地方sensitive

4个条件概率

第一的话就是说这个事件是真的

然后同时你要正确预测它

也就是说15

然后又是在

正确的时间里面

15÷266它就占到了

5.64

然后每一个单元格大家都

可以这样把它算下来

然后在这些指标里面

其实最重要的就是一个它

correctly

正确识别的

一个比例到底是多少的

也就是说

它能够把真实实践给正确识别出来

能够把不真实的事件给排除

出去的概率是多少

我们可以看到它这里的

就拿这个图来说的话

它这个的模型你和对标度还是比较高的

还要强调的一点就是说它是判别

了一个模型的拟合优度

而不是我们的倾向性分数本身

计算的一个值的准确性

我们主要要关注的就是刚刚说的指标

当这个指标过低的时候

我们的模型拟合优度就会比较差

然后我们这个时候通过

logit的回归

估计的条件概率值也就是倾向性分数

它的价值就不太高

这个时候我们就可以参考

我们这个模型的另外的联合指标

你比如说极大似然值它是不是显著的

然后还有一个R square

是不是显着的

如果

哪个好看的话

你就报告哪一个

但如果都不好看的话

那就证明你前期的一个理论模型

的设定可能出现的问题

就刚刚**所讲的第一个

步骤里面出现的问题

然后请小心翻到第20题

等等刘健对这个问题的解读

这个没有问题

但是大家想一下

在现实中

是不是经常会出现样本不平衡的情况

也就是两组人它的人数不相等

比如说是151:5可能已经是一个

比较大的unbalance的情况

那么

可能会说1:10或者是1:20等等

这个时候

logistic regulation

它确实在去预测 treatment

probability的时候

准确度会下降

这个是

现实

但是我们

怎么办

不能因此而放弃 因为

probit或者是

logistic model

它是第一步去计算倾向分数的

就是这一步

如果这个倾向分数算错了

p值算错了

那么后面基于它在进行匹配确实会有问题

那么大家其实可以参考一些相关的论文

这个里面其实在这一步是可以进行调整的

有相应的 correction的办法

来去通过调整样本量

相当于类似于

有的是重新调整样本量

有的是通过权重

等等这样的一些方式去调整这两边的人

然后treated 和untreated的人的

不平衡样本不平衡的问题

第二个有的时候

我们也可以采取

boot strap的方法

来做一些相关的分析

不是说我们只是哪个统计要好看

我们报哪一个

它本质上是一样的不平衡的问题

好 谢谢老师的补充

**是翻到20天

20题它主要问了一个PSM跟DID

的一个估计是怎么操作的

这个的话它要用要用到办法的时候

始终

我们是基于这样一个情景

就是说我们的DID它有一个

前提假设

实验组跟对照组它要有一个共同的趋势

但违背这个共同趋势的时候

我们就需要使用 PSM来构建

就有共同趋势的一个两组的测量样本

它主要的步骤的话就是我们在用这个办法

第一步的话

我们肯定要去检测一下我们

DID的一个共同平行趋势的假设

把我们的

把我们的因变量

然后关于实验组和对照组

然后把它给做图做出来

然后去看

因变量

是否存在一个显著的差异

以及在它发展的过程中

它的一个

增减的一个增速是否存在一个显著的差异

如果存在的话 就是说它的功能

就不存在共同趋势

这个时候我们就需要用PSM

然后对我们实验组和对照组样本进行处理

它的方法就是

你选用我们研究里面

关注的若干变量

然后构建一个测量样本是否可以

进入实验组的一个概率函数

也就是刚刚所说的

habit或logit回归模型

你把它

把这个模型给迭代进去

然后给它算出

分数值

这里举了个例子就是说

比如说我们现在要

看

985重点高校建设政策

我们985入选985

重点高校的学校的话

它入选的学校它

高校它的科研水平往往是比较高的

而没有入选的它的科研水平会比较弱

我们这个时候

以是否入选进入作为一个

领域的分布的因变量

然后以

影响

它入选的学术成果

然后作为它的自变量

然后通过这个模型

然后就可以计算一个

它的进入的条件概率

然后当我们报

再把我们这些概率进

相近的语言下进行一个匹配

就可以选出

我们的

实验组中

对照组中跟实验组最为接近的一个样本

配对之后

然后我们的就满足了dI

d的一个平行趋势假设

然后就可以用 DID的分析方法

对我们的干政策进行一个相应的处检验

但是需要注意的

当我们用这个方法

进行匹配了之后

我们会使得原来的样本的

信息量进行一定的损失

因为我们始终找出来是

具有共同缺失的一个样本

然后以上

我们小组关于上面的一个问题的解答

请老师和同学

挺好的 **

最后这一个同学问的问题也很有意思

这个是

相当于也是一个嵌套

把 d I d跟ps的嵌套使用来

去相当于处理我们 DID

时间趋势不满足的

这种情况下怎么样去更正它

所以说这些问题我觉得都是非常好