就业培训反而有害吗?

Nov 29, 2016

考虑这样一个问题:

政府推出了一项就业培训项目,项目的参与者记为“实验组”,未参与者记为“控制组”,如何来估计该就业培训项目对参与者收入的影响?

一个天真的做法是直接对比实验组与控制组的未来收入或就业状况,或者简单以是否参与为虚拟变量,对总体进行回归。

可是这种方法真的对么?

试想:什么样人会参加就业培训?肯定是失业或者低收入者居多。什么样的人不会参加就业培训?岗位好收入高的人不会参加就业培训。如果直接按照上述方法进行估计,很有可能你会发现参加就业培训的收入比未参加更低,所以得出结论就业培训反而是有害的。

再考虑一个问题:

我们的小明,在周围的同学都选择的就业之后,选择了攻读博士学位。经历了五年的博士生涯之后,小明找到了一份不错的工作。我们如何来帮小明估计,读了博士项目的小明和没有读博士学位的小明(假想),收入会有怎样的差别?可是小明已经读了博士,我们怎么才能估计出他要是不读博士,收入会是多少呢?

在第一个问题中,实验组和控制组的初始条件不同,于是存在“选择偏差”问题。对于第二个问题,如果依然采用同样的方法来估计,势必也会对结果的估计产生偏误。

一种叫做倾向得分匹配(Propensity Score Matching)的方法可以解决这样的问题。

倾向得分匹配,简称PSM,是目前国际上最为流行的统计学方法之一。广泛应用于某项治疗,政策,或者其他事件的效果评估。他的基本思路是这样的,以第二个问题为例,我们从小明的一大堆没有读博士项目的同学中,对每个人读博士项目的概率进行估计,从中选出和小明读博士概率近似的同学小刚。我们对实验组的每一个“小明”都匹配到控制组的“小刚”,就能对这两组样本进行比较研究了。

具体来说:以虚拟变量Di={0,1}表示个体是否读博士,1为参与,0为未参与。

记因变量为yi,该问题中为未来收入,yi有两种状态。即:

其中,y1i表示个体读博士的未来收入

y0i表示个体未读博士的未来收入

而我们感兴趣的统计量为“参与者平均处理效应”(Average Treatment Effect on the Treated,简记为ATT/ATET),即在小明读了博士之后,这个经历对他收入的影响:

在估计ATT的过程中,我们采用倾向得分匹配的方法。将K维自变量X的信息压缩为在[0,1]之间的一维信息,来进行匹配。

定义个体i的倾向匹配得分为,在给定自变量X的情况下,个体i进入实验组的条件概率,即:

在利用倾向得分匹配计算ATT/ATET时,一般有以下几个步骤:

(1)选择自变量X,尽量将可能影响y0i, y1i, Di的变量都包括进来

(2)计算倾向得分,一般用probit模型或者logit模型估计

(3)进行倾向得分匹配

以下以一个药物治疗效果分析的实例,来演示如何用统计分析软件Stata实现PSM分析。

该数据来源于
http://ssc.wisc.edu/sscc/pubs/files/psm ,包含4个变量:治疗指标 t(表示是否参与治疗),自变量 x1, x2, 以及结果 y。其中接受治疗的概率和 x1, x2 正相关,x1, x2 与治疗结果 y 正相关。

[1] 导入数据

use http://ssc.wisc.edu/sscc/pubs/files/psm

[2] 利用Probit模型估计ATET

teffects psmatch (y) (t x1 x2, probit), atet

结果如下:

结果表明,该治疗会使得结果变量 y 上升 1.019685

如果采用logit模型估计,代码如下:

teffects psmatch (y) (t x1 x2), atet

结果为:

表明利用Logit模型估计出来治疗会使得 y 上升 0.9603507

以上我们发现,PSM是一种解决选择偏差的好方法。然而,该方法仍有一些局限性,比如:

(1)PSM 通常对样本容量要求比较高已得到更高质量的匹配

(2)PSM要求处理组与控制组的倾向得分有较大的共同取值范围(common support);否则,将丢失较多观测值,导致剩下的样本不具有代表性。

除了以上所说的PSM可以应用于医学,政策评估等学科外,该方法在地理方面的应用还依然有很大的扩展空间。只要是评估一项干预的影响,都可以尝试用这种方法解决。比如,评估鸟巢的建设对周边各种要素(比如房价)的影响,一项规划项目的实施效果评估,类似的应用场景还有许多,等待我们去发现。

参考资料:

[1] 陈强,《高级计量经济学及stata应用》

[2] https://www.ssc.wisc.edu/sscc/pubs/stata_psmatch.htm

评论正在加载...
Great! You've successfully subscribed.
Great! Next, complete checkout for full access.
Welcome back! You've successfully signed in.
Success! Your account is fully activated, you now have access to all content.
分享