傾向值分析

內(nèi)容概要

　　本書(shū)系統(tǒng)介紹了四種用于因果的前沿統(tǒng)計(jì)方法：
　　1 由2000年諾貝爾經(jīng)濟(jì)學(xué)得主美國(guó)芝加哥大學(xué)教授杰姆斯·?？坡↗ames Heckman）創(chuàng)立的“樣本選擇模型”。
　　2 由美國(guó)賓夕法尼亞大學(xué)沃頓商學(xué)院著名統(tǒng)計(jì)學(xué)教授保羅·羅森堡（Paul
Rosenbaum）及哈佛大學(xué)著名統(tǒng)計(jì)學(xué)教授唐納德·魯賓（Donald Rubin）創(chuàng)立的 “傾向值匹配方法”。
　　3 由美國(guó)哈佛大學(xué)肯尼迪政府學(xué)院教授埃爾波特·阿貝蒂（Alberto Abadie）及哈佛大學(xué)經(jīng)濟(jì)學(xué)教授圭多·因本斯（Guido
Imbens）創(chuàng)立的“匹配估算法”。
　　4 由美國(guó)芝加哥大學(xué)教授杰姆斯·海科曼（James Heckman），日本東京大學(xué)經(jīng)濟(jì)學(xué)教授市村英彥（Hidehiko
lchimura），及美國(guó)賓夕法尼亞大學(xué)經(jīng)濟(jì)學(xué)教授派徹·托德（Petra Todd）創(chuàng)立的“核心值匹配法”。
　　該書(shū)將所有例證的Stata操作程序和資料公布于互聯(lián)網(wǎng)，以方便讀者練習(xí)和運(yùn)用。該書(shū)闡述了重要的統(tǒng)計(jì)學(xué)原理和定理，省略了論證，通俗易懂，側(cè)重應(yīng)用，是社會(huì)行為科學(xué)研究者了解當(dāng)代前沿因果分析方法的重要工具書(shū)。

書(shū)籍目錄

1 導(dǎo)論
1.1 觀察研究
1.2 歷史和發(fā)展
1.3 隨機(jī)化實(shí)驗(yàn)
1.3.1 Fisher的隨機(jī)化實(shí)驗(yàn)
1.3.2 隨機(jī)化實(shí)驗(yàn)的類(lèi)型和統(tǒng)計(jì)檢驗(yàn)
1.3.3 對(duì)社會(huì)實(shí)驗(yàn)的批評(píng)
1.4 為何和何時(shí)需要傾向值分析
1.5 計(jì)算軟件包
1.6 本書(shū)的結(jié)構(gòu)
2 反事實(shí)框架與假定
2.1 因果關(guān)系、內(nèi)在效度與威脅
2.2 反事實(shí)與Neyman-Rubin反事實(shí)框架
2.3 可忽略的干預(yù)分配假定
2.4 穩(wěn)定的單元干預(yù)值假定
2.5 估計(jì)干預(yù)效應(yīng)的方法
2.5.1 四種模型
2.5.2 其他的平衡方法
2.6 統(tǒng)計(jì)推斷的基本邏輯
2.7 干預(yù)效應(yīng)的類(lèi)型
2.8 Heckman的因果關(guān)系計(jì)量經(jīng)濟(jì)學(xué)模型
2.9 結(jié)論
3 數(shù)據(jù)平衡的傳統(tǒng)方法
3.1 數(shù)據(jù)平衡為何是必需的？一個(gè)探究性的例子
3.2 數(shù)據(jù)平衡的3種方法
3.2.1 常規(guī)最小二乘回歸
3.2.2 匹配
3.2.3 分層
3.3 數(shù)據(jù)模擬的設(shè)計(jì)
3.4 數(shù)據(jù)模擬的結(jié)果
3.5 數(shù)據(jù)模擬的啟示
3.6 與應(yīng)用OLS回歸有關(guān)的主要問(wèn)題
3.7 結(jié)論
4 樣本選擇及相關(guān)模型
4.1 樣本選擇模型
4.1.1 截尾、刪截以及偶然截尾
4.1.2 為什么對(duì)樣本選擇建模是重要的
4.1.3 一個(gè)偶然截尾二元正態(tài)分布的矩
4.1.4 Heckman模型及其兩步估計(jì)量
4.2 干預(yù)效應(yīng)模型
4.3 工具變量估計(jì)量
4.4 Stata程序概述及treatreg的主要特征
4.5 舉例
4.5.1 干預(yù)效應(yīng)模型在觀察數(shù)據(jù)中的應(yīng)用
4.5.2 對(duì)一個(gè)包含群組隨機(jī)設(shè)計(jì)的項(xiàng)目的干預(yù)效應(yīng)的評(píng)估
4.5.3 對(duì)缺失數(shù)據(jù)進(jìn)行多重填補(bǔ)后運(yùn)行干預(yù)效應(yīng)模型
4.6 結(jié)論
5 傾向值匹配及相關(guān)模型
5.1 概述
5.2 維度問(wèn)題以及傾向值的性質(zhì)
5.3 估計(jì)傾向值
5.3.1 二分類(lèi)logistic回歸
5.3.2 設(shè)定預(yù)測(cè)傾向值正確模型的策略
5.3.3 Hirano和Imbens基于預(yù)設(shè)的臨界t值來(lái)設(shè)定預(yù)測(cè)變量的方法
5.3.4 一般化加速建模
5.4 匹配
5.4.1 貧婪匹配
5.4.2 最佳匹配
5.4.3 精細(xì)平衡
5.5 匹配后分析
5.5.1 貪婪匹配后的多元分析
5.5.2 貪婪匹配后的分層
5.5.3 計(jì)算協(xié)變量不平衡的指數(shù)
5.5.4 最佳匹配后使用Hodges-Lehmann有序秩檢驗(yàn)進(jìn)行結(jié)果分析
5.5.5 基于以最佳成對(duì)匹配所得樣本的回歸調(diào)整
……
6 匹配估計(jì)量
7 使用非參數(shù)回歸的傾向值分析
8 選擇偏差與敏感性分析
9 總結(jié)性評(píng)論
參考文獻(xiàn)
人名索引
關(guān)鍵詞索引
譯后記

章節(jié)摘錄

　　和大多數(shù)評(píng)估一樣，數(shù)據(jù)集里的很多研究變量都包含缺失值。在進(jìn)行評(píng)估分析之前，我們使用多重填補(bǔ)方法對(duì)缺失數(shù)據(jù)進(jìn)行填補(bǔ)。使用這一方法，我們?yōu)槊恳粋€(gè)結(jié)果變量構(gòu)造了50個(gè)填補(bǔ)數(shù)據(jù)文件。根據(jù)我們針對(duì)這50個(gè)數(shù)據(jù)集的分析結(jié)果，這一填補(bǔ)取得了99%的相對(duì)效率。遵照填補(bǔ)缺失數(shù)據(jù)中的慣常做法，我們?yōu)樗邪咐娜笔е颠M(jìn)行填補(bǔ)，但結(jié)果變量上有缺失數(shù)據(jù)的案例被刪除了。這樣一來(lái)，最終分析的樣本規(guī)模會(huì)隨著結(jié)果變量而變動(dòng)?！　∈褂枚嘀靥钛a(bǔ)文件（即本例中50個(gè)不同的數(shù)據(jù)文件），我們首先對(duì)每一個(gè)文件運(yùn)行nnmatch命令然后使用Rubin法則來(lái)匯總點(diǎn)估計(jì)和標(biāo)準(zhǔn)誤以構(gòu)建一套對(duì)每個(gè)結(jié)果變量進(jìn)行顯著性檢驗(yàn)的統(tǒng)計(jì)量。請(qǐng)讀者參考本書(shū)的附屬網(wǎng)頁(yè)，我們?cè)谏厦嫣峁┝擞嘘P(guān)的命令語(yǔ)法，這些語(yǔ)法針對(duì)每一結(jié)果運(yùn)行nnmatch命令50次和用于使用Rubin法則進(jìn)行匯總?！　榱朔治龀霈F(xiàn)在四年級(jí)學(xué)年和五年級(jí)學(xué)年中的結(jié)果變化，我們首先使用3種方法分析整個(gè)樣本的變化分：①采用回歸調(diào)整的最佳成對(duì)匹配；②采用Hodges-Lehmann有序秩檢驗(yàn)的最佳完全匹配；③匹配估計(jì)量。我們?cè)诒?.6中提供這些分析結(jié)果?！　∮汕皟煞N方法（即最佳成對(duì)匹配和最佳完全匹配）得到的結(jié)果沒(méi)有什么希望。基于干預(yù)項(xiàng)目的設(shè)計(jì)，我們希望有正向的發(fā)現(xiàn)（即干預(yù)在改變行為結(jié)果方面是有效果的）；但是，從采用回歸調(diào)整的最佳成對(duì)匹配中得到的結(jié)果沒(méi)有一個(gè)是統(tǒng)計(jì)顯著的。這一情況在采用Hodges-Lehmann檢驗(yàn)的最佳完全匹配中略有改善，其中部分結(jié)果表明統(tǒng)計(jì)上的趨勢(shì)（p

圖書(shū)封面

圖書(shū)標(biāo)簽Tags

無(wú)

評(píng)論、評(píng)分、閱讀與下載

---

    傾向值分析 PDF格式下載

---