具体描述
倾向值匹配法就是将各个受测单元多维度的信息，使用统计方法简化成一维的数值，成为倾向值，然后据之进行匹配，匹配的目的就是要找寻实验组和对照组样本中拥有相同（或者相似）倾向值的样本，它们之间的差异，就是因果关系。这个原理非常简单，但聪明的读者肯定会问，什么是多维度的信息？如何简化它？这都是倾向值匹配法的关键也是容易发生问题的地方。本书的第1章将简要介绍为什么要对多维信息进行降维处理，而第2章将进一步讲解这背后的理论背景。第3章选择了4篇学刊论文，对其中倾向值匹配方法的使用进行解析。第4章则就“应用R软件和STATA 软件实现倾向值匹配法”进行说明。
书中行文不可避免要使用到一些数学公式来辅助理论论述，对这些推演，作者尽可能以浅显易懂的文字对这些推演过程的原理进行说明，略过这些公式并不会妨碍读者对于理论的了解。
作者简介
苏毓淞，清华大学政治学系副教授，美国纽约市立大学政治学系政治学专业博士。
目录信息
1.1 潜在结果模型
1.1.1 因果态与实验分组
1.1.2 因果推论的基本难题
1.1.3 平均处理效用
1.2 社会科学研究中的因果推论
1.2.1 处理变量的可操作性
1.2.2 单元同质性假定
1.2.3 可忽略的处理分配假定
1.2.4 控制混淆共变量
1.2.5 稳定单元处理值假定
1.2.6 共变量分布平衡与重合的要求
1.2.7 勿控制处理分配后的变量
1.3 小结
2 使用倾向值匹配法估计因果效用
2.1 倾向值
2.1.1 倾向值的性质
2.1.2 估计倾向值
2.2 匹配法
2.2.1 精确匹配法
2.2.2 最近邻匹配法
2.2.3 区间匹配法
2.2.4 核匹配法
2.2.5 马氏距离匹配法
2.2.6 贪婪匹配法与最佳匹配法
2.3 匹配后的检验
2.3.1 共变量分布不平衡分析
2.3.2 共变量分布不重合分析
2.3.3 选择性偏差与敏感性分析
2.4 匹配后估计平均处理效用
2.4.1 使用回归模型估计平均处理效用
2.4.2 平均处理效用的标准误差
2.4.3 非二元处理下的平均处理效用
2.5 小结
3 社会科学案例选读
3.1 案例评析重点
3.2 教育学案例：使用计算机对中学生数学成绩影响
3.3 心理学案例：独生和非独生子女情绪适应的差异
3.4 政治学案例：候选人议题立场与选民投票抉择
3.5 经济学案例：企业贸易形态与工资水平
4 应用R软件和STATA 软件实现倾向值匹配法
4.1 R 程序包
4.2 STATA 程序插件
4.3 使用R 进行倾向值匹配分析LaLonde 数据
4.4 使用STATA 进行倾向值匹配分析LaLonde 数据
· · · · · · (收起)
读后感
用户评价
我一直对如何从观察性数据中进行严谨的因果推断深感兴趣，而倾向值匹配法无疑是其中的关键工具之一。这本书“倾向值匹配法的概述与应用”听起来就非常有价值。我希望它能系统地介绍倾向值匹配法的理论框架，包括它在处理混杂变量方面的核心作用，以及如何通过匹配相似倾向值的个体来减小偏差。我特别期待它能详细讲解如何选择合适的协变量来构建倾向值模型，这往往是研究成败的关键。是否会讨论协变量的选择原则，例如基于理论的考虑，或者使用一些统计方法来辅助选择？此外，我也希望它能深入探讨倾向值估计过程中可能遇到的问题，例如多重共线性、变量的交互作用等，以及如何有效解决这些问题。对于“应用”部分，我渴望看到一些真实的案例分析，能够展示倾向值匹配法在不同研究领域是如何应用的，并且能提供一些实用的操作建议，让读者能够触类旁通。
这本书的“应用”部分是我最为期待的，因为理论的扎实是基础，但真正让一个方法论“活”起来的，是它在实际研究中的落地能力。我希望这本书能提供一系列来自不同学科领域的案例研究，例如在公共卫生领域，如何利用倾向值匹配法来评估某项健康干预措施的效果，或者在教育领域，研究一种新的教学方法对学生学业成绩的影响。更重要的是，我期望书中能详细阐述在实际操作中会遇到的各种挑战和注意事项，比如如何处理匹配不平衡问题，如何进行敏感性分析来检验匹配结果的稳健性，以及如何报告和解释倾向值匹配研究的结果。一个好的研究者不仅要掌握方法，更要理解方法的局限性，并知道如何应对。我希望这本书能够提供一些实用的建议，帮助我避免常见的错误，并且在我的研究中更加自信地运用倾向值匹配法。例如，当样本量不足或者混杂因素非常多的时候，倾向值匹配法是否仍然适用？如何选择合适的协变量来构建倾向值模型？这些都是我在实践中可能面临的问题，如果书中能有详尽的解答，那这本书的价值将大大提升。
我一直在寻找一本能够帮助我更扎实地理解并应用倾向值匹配法的书籍，而这本书的标题“倾向值匹配法的概述与应用”让我觉得它非常有潜力。我希望这本书的“概述”部分能够详细介绍倾向值匹配法的基本原理，包括它如何处理多维度的混杂因素，以及它在估计平均处理效应（Average Treatment Effect, ATE）或平均处理效应（Average Treatment Effect on the Treated, ATT）等目标上的作用。我尤其关心它如何解释“倾向值”本身，它是如何计算出来的，以及为什么将它作为匹配的基础。另外，一个重要的方面是，这本书是否会深入探讨倾向值匹配的假设条件，比如“可忽略性”（ignorability）或“条件独立性”（conditional independence），并且解释这些假设在实际研究中如何被检验或者是否可以被检验。如果书中能提供一些关于如何评估这些假设有效性的方法，那将极大地提升这本书的价值。
在我看来，一本真正好的统计方法书，应该能够帮助读者不仅掌握“怎么做”，更能理解“为什么这么做”，并且能够灵活地将所学知识应用于各种复杂的研究场景。这本书“倾向值匹配法的概述与应用”让我对后者充满了期待。我希望它能从基础概念入手，清晰地解释“倾向值”的由来和意义，以及它在平衡协变量方面的核心作用。我尤其关注它是否会深入探讨倾向值匹配的各种实现技术，比如不同类型的匹配方式（一对一、一对多、半径匹配等），以及它们的优劣势。更重要的是，我期待这本书能提供关于如何评估匹配效果的实用方法，例如通过比较匹配前后协变量的平衡性（如标准化均值差、t检验等）。同时，如果书中能对倾向值匹配的局限性进行充分的讨论，并给出一些规避风险的建议，那这本书的价值将大大提升。我希望通过阅读这本书，能够更自信地运用倾向值匹配法来解决我的研究问题。
在我看来，一本优秀的统计方法书籍，不仅要传授知识，更要启发思维，引导读者进行批判性思考。这本书“倾向值匹配法的概述与应用”给我一种这样的期待。我希望它能不仅仅停留在“如何操作”层面，更能引导读者去思考“为什么这样做”以及“这样做有没有局限性”。我期待它能够深入阐述倾向值匹配法的理论基础，例如它与统计学中的因果推断方法论，如潜在结果框架（potential outcomes framework）之间的联系。这本书是否会详细解释倾向值匹配如何充当一个“桥梁”，将混杂因素的差异转化为一个单一的度量——倾向值，然后通过匹配来平衡这些差异？此外，我也很好奇它是否会讨论倾向值匹配与其他因果推断方法，如逆概率处理加权法（Inverse Probability Treatment Weighting, IPTW）、匹配、分层（stratification）等的比较，并分析它们各自的优劣势和适用场景。
我是一个对数据分析的严谨性有着很高要求的研究者，因此，一本关于倾向值匹配法的书籍，我期望它能提供更深层次的理论支撑和更精细化的实践指导。这本书的“概述”部分，我希望它能详尽地介绍倾向值匹配的数学基础，例如倾向值模型是如何构建的，以及在估计倾向值时常用的统计模型，如逻辑回归（logistic regression）。我特别关注的是，它是否会深入讨论如何评估倾向值模型的拟合优度，以及如何选择最合适的模型来估计倾向值。并且，在匹配阶段，我希望它能详细讲解不同匹配算法的原理和实现细节，例如一对一匹配、一对多匹配、半径匹配，以及如何根据研究的具体情况来选择最合适的匹配方法。更重要的是，我期待这本书能提供关于如何进行敏感性分析（sensitivity analysis）的详细指导，以评估匹配结果对未观测混杂因素的敏感程度，从而增加研究结果的可信度。
对于我这样在实际研究中需要处理各种复杂数据和研究设计的人来说，一本能够提供清晰步骤和实用技巧的书籍是极其宝贵的。这本书的“应用”部分，我希望它能详细地介绍具体的分析流程，从数据准备、倾向值计算、匹配方法选择、到匹配后的平衡性检查和效应估计，每一个环节都应该有细致的说明。例如，在匹配阶段，它是否会讨论一对一匹配、一对多匹配、卡尺匹配（caliper matching）等不同策略，以及如何根据研究的具体情况来选择最合适的匹配方法？我更看重的是它在“应用”中能否提供一些“最佳实践”的建议，比如如何在R、Stata等统计软件中实现倾向值匹配，并且提供一些可复现的示例代码。数据可视化在倾向值匹配中也扮演着重要角色，比如通过散点图、箱线图等来展示匹配前后协变量的分布情况，以此来评估匹配的有效性。我希望这本书能在这些方面有所着墨，让读者在理论学习之外，也能获得“动手”的能力。
我最近接触到一本关于“倾向值匹配法”的书，虽然我还没有深入研读，但仅仅是浏览目录和一些章节的标题，就让我对这本书充满了期待。首先，这本书的命名就非常直接明了，准确地抓住了核心主题——倾向值匹配法，并且强调了“概述与应用”，这预示着它不仅会提供理论层面的讲解，还会深入探讨实际应用中的各种场景和技巧。我特别关注的是它如何将一个相对复杂的统计概念，通过清晰的逻辑和易于理解的语言进行阐释。在社会科学、医学、经济学等众多领域，因果推断一直是一个重要的研究课题，而倾向值匹配法作为一种有效的工具，能够帮助研究者在非随机对照试验（observational studies）中尽可能地模拟随机对照试验的效果，从而更准确地估计处理效应。我期待这本书能够详细介绍倾向值匹配法的基本原理，比如它如何通过计算每个观测对象的倾向值，然后将具有相似倾向值的个体进行匹配，以减少混杂因素的影响。此外，它是否会探讨不同的匹配算法，例如近邻匹配、半径匹配、马尔可夫链蒙特卡洛（MCMC）匹配等，以及这些算法各自的优缺点和适用场景，这一点也让我非常好奇。对于初学者而言，一本能够系统梳理这些内容的书籍无疑是宝贵的资源。
当我阅读一本关于统计方法的书籍时，我首先关注的是它能否清晰地解释“为什么”以及“如何”这两个关键问题。这本书的标题“倾向值匹配法的概述与应用”似乎给了我这个信心。我期待它能从因果推断的基本概念入手，阐释在观察性研究中，由于选择偏差（selection bias）的存在，直接比较处理组和对照组的结果是不可靠的。然后，它应该循序渐进地介绍倾向值（propensity score）的概念，即在给定一组协变量的情况下，个体接受处理的概率。我特别希望这本书能深入探讨倾向值匹配的核心逻辑：通过匹配具有相似倾向值的个体，使得处理组和对照组在已观测的混杂因素上尽可能相似，从而减少选择偏差。它是否会提供关于如何构建倾向值模型的一些深入指导？例如，在选择协变量时，哪些因素是必须包含的？如何处理协变量的交互作用？这些细节对于研究的严谨性至关重要。
我一直认为，一本好的统计方法书籍，不仅仅是罗列公式和证明，更重要的是能够引发读者对研究设计和数据分析的深入思考。这本书的标题“倾向值匹配法的概述与应用”让我觉得它会有一个比较全面的视角。我关注它是否会从“为什么需要倾向值匹配”这个根本问题出发，解释在没有随机分配的情况下，如何识别和控制混杂因素。它可能会介绍一下因果推断的基本框架，比如潜在结果框架（potential outcomes framework），并在此基础上说明倾向值匹配的逻辑。我非常希望书中能讨论如何选择合适的协变量来构建倾向值模型，这绝对是倾向值匹配的核心环节。如果协变量选择不当，那么匹配的结果就可能是有偏的。我期待书中能给出一些实用的指导原则，比如基于领域知识来选择协变量，或者使用一些检验协变量平衡性的方法，如协变量标准化均值差（standardized mean difference）。同时，我也希望它能探讨不同倾向值估计方法，例如Logit模型、Probit模型，甚至是更复杂的模型，以及它们在实践中的选择考量。
逻辑清晰，但是案例还嫌少了，读过方法最重要还是自己实践啊
逻辑清晰，简单实用！
这是实证方法书好的写法。
逻辑清晰，但是案例还嫌少了，读过方法最重要还是自己实践啊
这是实证方法书好的写法。
