在使用倾向值评分匹配时,除了检验共变量分布的平衡外,我们还需要关注选择性偏差的问题。倾向值的目的是通过控制共变量,较为合理地忽略影响单元获得处理的机制,所以一切引起单元非随机性的获得处理的共变量都需要得到控制,从而消除可能的选择性偏差。显性的偏差可以通过控制相关共变量解决,但若存在隐藏性偏差就很有可能束手无策了。一方面,我们无法得知是什么原因造成的偏差,另一方面,即使知道原因,也可能因为无法观测或测量得到相关共变量,从而无法将其控制,造成遗漏变量的问题。目前,我们尚无有效的方法控制隐藏性偏差对于结果的影响,但我们可以探究在无法控制遗漏变量的情况下,分析结果存在选择性偏差的合理范围是否依然稳健有效。这种方法也被称为敏感性分析。Rosnbaum(2002)指出当两个受测单元j和k拥有相同的共变量X,但他们接受处理的概率π(倾向值)不同,就会存在隐藏性偏差。敏感性分析假定单元j和k拥有相同的共变量Xj=Xk,它们接触处理发生比的比率会介于和Γ之间,其中Γ≥1,用数学公式表达为:
当Γ=1时,表示单元j和k接触处理的发生比相等,即πj=πk,而Xj=Xk,所以不存在隐藏性偏差。若假定Γ=2,而Xj=Xk,则表示即使单元j和k很相似,但单元j接受处理的发生比是单元k的两倍,即单元j接受处理的可能性是单元k的两倍。因此,Γ可以测量隐藏性偏差是研究结果发生改变的程度。对于研究的敏感性较高的界定,Rosnbaum(2002)认为当Γ趋近于1,则研究敏感性较高。Γ的数值越大,敏感性越低。一般来说,Γ>2的情况下,可以认为研究的敏感性较低,可以说研究已免除隐藏性偏差的影响。换句话说,即便存在隐藏性偏差,这个偏差的影响也不足以改变原有的因果推理,因此估计得到的处理效应是有效的。(www.xing528.com)
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。