关于用psmatch2命令进行PSM匹配的问题

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

小弟最近正在做关于公司并购的问题，需要对实验组也就是发生并购的企业，和对照组也就是未发生并购的企业进行匹配。选定的是2010年的数据，以全要素生产率，资本密度，公司规模也就是员工人数还有行业属性作为匹配变量。
psmatch2 shougou lao mden tfp indid, out(tfp) logit neighbor(2) common caliper(.05) ties
shougou作为分组变量 lao mden tfp分别是劳动力 资本密度 生产率，采用 logit模型 1:2进行匹配
但是这样匹配出来的话产生的n1 n2变量总是连续的，也就是说，那个自动生成的n1 n2的id是连续的
但实际上这个id是随机生成的
有哪位大神能给出解释吗？

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏1 回帖

关键词：psmatch2 Match ATCH PSM SMA

截图，情况如图所示

zzwalking 发表于 2017-6-27 08:26
截图，情况如图所示

这倒是蛮奇特，你应该去看看每一组紧邻的两个值是否一样？

黃河泉 发表于 2017-6-27 18:33
这倒是蛮奇特，你应该去看看每一组紧邻的两个值是否一样？

这相邻的两个值区别倒是挺大的，但是1:1匹配的时候两家公司的各个指标倒是差不多，也就是n1匹配的比较准确

zzwalking 发表于 2017-6-28 08:44
这相邻的两个值区别倒是挺大的，但是1:1匹配的时候两家公司的各个指标倒是差不多，也就是n1匹配的比较准确 ...

我知道了，因为该程序按照 _pscore 重新将所有资料排序为 _id，所以当你要找 neighbor(2) 必然是相邻的两个 _id (_n1&_n2)。 neighbor(3) 也一定是紧邻的三个观察值！

黃河泉 发表于 2017-6-28 10:03
我知道了，因为该程序按照 _pscore 重新将所有资料排序为 _id，所以当你要找 neighbor(2) 必然是相邻的两 ...

啊， 谢谢大神，还有马氏距离匹配的时候的命令您熟悉吗？我只知道logit方式匹配，help文件里面 没太看懂
psmatch2 depvar [if exp] [in range] , mahalanobis(varlist) outcome(varlist) ai(integer) [population altvariance kernel(kernel_type) llr bwidth(real) caliper(real) w(matrix) ate]

zzwalking 发表于 2017-6-28 10:32
啊， 谢谢大神，还有马氏距离匹配的时候的命令您熟悉吗？我只知道logit方式匹配，help文件里面 没太看懂
...

我没用过 Mahalanobis matching (只有初步概念)，但原理应该是一样的，都是一种衡量距离 (pscore) 的方法！

黃河泉 发表于 2017-6-28 10:45
我没用过 Mahalanobis matching (只有初步概念)，但原理应该是一样的，都是一种衡量距离 (pscore) 的方法 ...

好的，我再研究一下，谢谢！

在使用`psmatch2`命令进行倾向得分匹配（PSM）时，你观察到匹配后生成的`n1`和`n2`变量总是连续的，这实际上是因为`psmatch2`命令在匹配过程中确实为每个匹配组自动分配了连续的ID。这些ID并不表示数据点在原始数据集中的位置或顺序，而是表示匹配后的组编号。

当你使用`neighbor(2)`选项时，这意味着你选择了1:2最近邻匹配法，即每一个处理组（实验组）单位将与对照组中两个最接近的单位进行匹配。因此，对于每个处理组单位，命令会找到两个最相似的控制组单位，并为这三者分配一个共同的连续ID。

然而，“随机生成”这个描述并不完全准确，在PSM过程中，`psmatch2`是基于倾向得分和你指定的匹配选项（如caliper, common等）来寻找匹配对象。这意味着即使在每次运行命令时，由于初始排序或随机种子的不同，匹配结果可能会有轻微变化，但一旦设定好相同的随机种子并保持其他条件不变，匹配结果应该是可重复的。

如果你希望看到不同的匹配结果，可以尝试调整`psmatch2`中的参数设置，比如改变caliper大小、使用不同的匹配算法（如核密度估计或局部线性回归）或是引入更多的匹配变量。当然，在进行这些更改前，请确保它们符合你研究设计的需求和假设检验的有效性。

在处理PSM结果时，重要的是要评估匹配质量，检查标准化均值差异、平衡测试以及最终模型的统计显著性和效应大小，以确保匹配有效地消除了选择偏见，并且你的分析结果是稳健可靠的。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用