6.21 PSM workshop 5在线视频

它的报告的结果

显示了几个 第一个

它报告我们用的什么方法

还用的是treatment

effect estimation

这个是

t effects命令

那么这个estimate我们

用的具体是哪种方法呢

Regression

adjustment方法

Outcome model

是一个线性方程

然后 training model

我们没有去specify它

样本量放在这里

那么这个地方它报告了两组结果

一个是ate

a t e就是smoker跟

non smoker的差值了

对不对

这个值就报出来了

负的239

还有它的standard error

以及显著度检验

显著的

那么还报告了一个什么

还报告了一个potential

outcome的均值

po mean potential

outcome的均持

它只需要报告non smoker

的均值就可以了

non smoker的

potential outcome

大家想 non smoke的

potential

outcome并不是我们观测

到的

那些non smoker

的 outcome均值

还得把那些拟合出来的

在

smoker里面

那些人如果它也不吸烟

它的 baby birth weight是多少

我们一个拟合值也放进来

合在一起算出来的才是potential outcome

对不对的 mean它的均值

所以这个地方是这么算的

那么当然了

如果我们想算smoker的

potential

outcome mean

的话

是不是这两个值相加就可以了

它outcome的结果就报出来了

读起来也比较容易

好

我们再来看再回到 stata

我们来看一下第24行命令

24行命令用的是ipw的方法

ip w的方法

跟刚才 ra 的方法正好是

侧重点是不一样的

它不去specify outcome

方程

没有去咱们刚才说了没有去

设定 outcome model

它只需要告诉stata谁是outcome

就可以了

那么这里面就是 baby birth

weight是outcome

然后它去建模分析的是

treatment model

也就是说大家可以看到后面

是给了一个probit model

这个里面

MB smoke这个是分组变量

也就是 probit

model里面的y

那么

再加上几个变量是它的自变量

那么可以告诉大家我用的是

topic model

那么

I p w这样的一个

估算方法

它命令就是这样来去

格式是这样子的

那么大家

就来跑一下这行命令

看一下结果

可以跟23行对照一下

看看这两个结果的

一同

我们一起来看一下

如果你要是没跟上就一定要告诉我

因为我看不见你们

这个地方格式是一样的

只不过它信息变了

因为我们换了换了具体的估算方法

同样它报告出了是 a t e

和potential

outcome mean

那么分别是负的236

和3402

我们可以比较一下这两种结果

它的相似性上面这个是负的239

然后是3403

这里是负的2363402

还是非常一致的

大家可以看到两这两个结果

报告的这两个方程

方法报告的结果是非常一致的

就说明

这个数据的性质还是不错的

无论从哪个角度看呢

它都符合我们使用这个方程

的基本的条件假设

那么这个

I p w的方法

同时我们也可以做类似于 p sm

的 common

support这样的一个分析

因为是Ipw

所以它是估算的

probability的

我们看25行

它就是 overlap

命令

其实就是来做这样的一个

观察也就是两种人

它们吸烟的概率

的分布

是不是有overlap

也就是说我这个可以参照

好

那么这个图横轴是 propensity

score就是概率 propensity

score

纵轴是density

这是一个概率密度函数

类似于频数分布图

那么我们就来看

两种人蓝色的是smoker

红色是non

错了 蓝色是non smoker

红色是smoker

那么这两组人

那么我们给它估算出来的概率

它的分布是呈现这样的一个情况

那么还可以对不对

没有极端值 没有极小值

基本上0.5以上也没有极大值

没有到1的附近

所以说它的倒数还是比较稳定的

那么基本上而且都是有overlap

这个

检验命令

那么我们再讨论一下

双重稳健的估算

刚才我们看到了 r a

和Ipw这两种方法

它们是各有侧重

分别从不同的视角

来去解决自选择的问题

那么

如果我们把这两种方法合并到一起使用

把这两种视角下的

它的长处

都能够用到

那么这个可能一个是更稳健的一个做法

因为毕竟每一种方法它都有它依赖的假设

如果不满足的话就不能用

但是我们

又不知道在什么时候不满足是吧

有的时候

那么这时候我们就

来看一下双重稳健估计嵌套

的两个方法一起来使用

那么

它的

目的是说

如果

我们把 treatment

放成给设定错了

我们还可以依赖out outcome

方程 outcome

model来去估算

如果我们

把 outcome model

给设定错了

我们还可以依赖一个正确的

treatment model来

去估算

说白了只要两个方程

有一个是对的

我们就能做出一个稳健的无偏的估计

把它俩合并使用的目的

那么就是这两个命令

一个叫ra

I p w

一个叫IP w

r a

那么 I p w它就是

一个在Ipw的基础上

加了一个

organization

它是以Ipw为基础的

但是如果当Ipw

做错的时候

它就会启用 r a的这样的一个程序

那么

I p w r a是反过来

它是以ra为基础的

以ra为基础的

但是如果 r a的 outcome

方程错了的话

它就会启用 I p w的方程

如果r一的方程是正确的时候

么ipw这个位置基本上是不起作用的

在我们之前给大家

发的

workshop的文件夹里面有

stata的 menu里面写的很详细

大家回去要去看那个东西

我们就不会一点点去讲它的过程

总而言之

这个是分别以其中一个模型为基础

那么嵌套另外一种方法作为保障

当主方法

它的方程设定错的时候

它就会启用备选的方法

来去纠正

如果主方法设定没有错的话

背景方法基本上不会影响

主方法的结论就是这两个

这两个

嵌套的方法

好

我们再回到stata

咱们再回到stata

再回到stata

大家看一下

从27行到31行

我来给你们简单解读一下

我希望大家自己跑一下

然后跟你的小组成员

来讨论一下

我得给你们点自由讨论的时间

显然27行看到它的命令就是IP

这是

那么28行就是 a I p

刚才说过这两个命令

那么它的后面的方程的命令

的格式就发生变化了

跟前面不一样了

那么你们要讨论为什么分别是什么

你们可以参照刚才我们

讨论过的这两个就是

单一的估算方法

也可以用 help t

effects

来去看相应的一些说明

同时 t effects它也是可以

做matching的

前面的这种方法不叫matching

但是思想非常相似

么t effects可以做matching

它包括两种

一个是最近相邻

na matching

na match它没有去估算

propensity school

它真的就是拿这些自变量一个的去match的

那么这个时候

如果有4个自变量可以用来match

那么谁是主要的

因为有的时候可能不能保证4个自变量

同时都是最近的对不对

确实主要的它可以去定义

bias adjustment

就是定义的谁是最主要的

要优先保证它

match的变量是谁

那么接着就是 ps match

ps man是在 t120也有

而且可以用probit

和logit都可以用

那么你们也可以来看一看

这种方法算的ps match

跟我们上节课用的 ps

match软件包

它算的结果是不是一致的

我觉得大家现在完全可以自己上手来练习

所以

我现在要进行分小组

你们的名字前面一定要把组号加上

这样我分组容易一点

那么分小组之后给大家

大概10分钟的时间

你们

讨论一下

把这几个命令和它的结果讨论透

如果有问题就把它

提出来

小组解答不了

待会我们再

回到主会场之后

你们可以把这个问题提出来

我们一起来探讨一下