避坑指南：倾向得分匹配PSM用Stata做完了，怎么判断结果靠不靠谱？
PSM结果诊断全指南：如何用Stata验证倾向得分匹配的可靠性
当你第一次看到PSM输出的ATT值时，那种兴奋感可能很快会被疑虑取代——这个结果真的可信吗？我该相信这个数字吗？作为数据分析师，我们常常陷入这样的困境：跑通了代码，却不知道如何评估结果的可靠性。本文将带你深入PSM的验证环节，从平衡性检验到图形诊断，构建一套完整的"可信度检查清单"。
1. 匹配质量的核心检验指标
完成psmatch2只是第一步，真正的挑战在于验证匹配是否真正消除了组间差异。以下是三个必须检查的关键指标：
标准化偏差（Standardized Bias）
这是衡量协变量平衡性的黄金标准。通过pstest命令输出的表格中，重点关注匹配后的%bias列。经验法则是：
- 单个变量匹配后偏差应<10%
- 平均偏差应<5%
pstest age educ black hisp married re74 re75 u74 u75, botht检验结果
匹配后各变量的t值应变得不显著（p>0.1）。如果某些变量仍然显著，说明匹配未能消除其组间差异。
方差比（Variance Ratio）
理想情况下，匹配后处理组与对照组的协变量方差比应接近1。在pstest输出的表格中，ratio列显示匹配前后的方差比变化。
注意：没有任何单一指标能完全证明匹配质量，必须综合多个指标判断。当不同指标结论冲突时，标准化偏差通常是最可靠的参考。
2. 图形诊断：从可视化中发现隐藏问题
数字指标可能掩盖细节问题，图形诊断能提供更直观的洞察。以下是四种关键可视化工具及其解读要点：
2.1 共同支撑域图（Common Support）
psgraph这张图揭示匹配的样本选择范围：
- X轴：倾向得分值
- Y轴：密度
- 合格标准：处理组（红色）与对照组（蓝色）曲线应有显著重叠区域
- 危险信号：大面积非重叠区域，特别是处理组左侧或对照组右侧出现"悬崖式"截断
2.2 核密度对比图
// 匹配前 twoway (kdensity _pscore if _treated==1) (kdensity _pscore if _treated==0), legend(label(1 "处理组") label(2 "对照组")) title("匹配前") // 匹配后 twoway (kdensity _pscore if _treated==1) (kdensity _pscore if _weight!=.), legend(label(1 "处理组") label(2 "匹配对照组")) title("匹配后")解读要点：
- 匹配前：两组分布通常差异明显
- 匹配后：理想状态下两条曲线应几乎重合
- 特别注意：峰值位置、分布形态和尾部差异
2.3 标准化偏差对比图
pstest, graph这张条形图直观显示每个变量匹配前后的标准化偏差：
- 绿色条形：匹配前偏差
- 蓝色条形：匹配后偏差
- 合格标准：所有蓝色条形应明显短于绿色，且集中在0附近
2.4 QQ图检验
psgraph, qq分位数-分位数图用于检验变量分布的平衡性：
- 每个点代表一个分位数上的变量值
- 完美平衡时，点应落在45度对角线上
- 系统性偏离对角线表明某些分位数上仍存在差异
3. 常见问题与解决方案
当诊断发现问题时，不要急于放弃结果。以下是五种典型问题及其应对策略：
3.1 共同支撑域不足
现象：psgraph显示大面积非重叠区域
解决方案：
- 尝试不同匹配方法：
// 核匹配 psmatch2 treat age educ, kernel bw(0.06) // 半径匹配 psmatch2 treat age educ, radius caliper(0.1) - 放宽卡钳值（但不超过倾向得分标准差的25%）
- 考虑使用逆概率加权（IPW）作为替代方法
3.2 特定变量平衡性差
现象：个别变量匹配后标准化偏差仍>10%
解决方案：
- 检查该变量是否与处理变量强相关
- 在匹配方程中加入该变量的高阶项或交互项：
// 加入年龄的平方项 gen age2 = age^2 psmatch2 treat age age2 educ, logit - 考虑精确匹配关键变量：
psmatch2 treat age educ, exact(married)
3.3 样本量大幅减少
现象：匹配后样本损失超过30%
解决方案：
- 尝试允许替换匹配：
psmatch2 treat age educ, noreplacement - 使用更宽松的卡钳值
- 考虑分层匹配或全匹配(full matching)
3.4 结果对参数设置敏感
现象：改变卡钳值或匹配方法导致ATT值变化大
解决方案：
- 进行敏感性分析，报告不同设置下的结果范围
- 使用协变量平衡倾向得分(CBPS)方法
- 考虑非参数匹配方法，如遗传匹配
3.5 无法解释的ATT符号变化
现象：匹配后效应方向与理论预期相反
解决方案：
- 检查是否遗漏重要协变量
- 验证处理变量定义是否正确
- 考虑是否存在样本选择偏差
4. 高级诊断：超越基础检验
对于要求更严格的研究，这些进阶方法能提供更深度的验证：
4.1 隐藏偏差检验
使用Rosenbaum边界检验评估未观测变量需要多大影响才能推翻结论：
rbounds att_var, gamma(1.5 2 2.5)- gamma=1表示无隐藏偏差
- 报告结论能承受的最大gamma值
4.2 协变量平衡趋势检验
验证匹配前后协变量变化是否符合平行趋势假设：
// 生成匹配标识 gen matched = _weight!=. // 平衡趋势检验 reg age i.treat##i.matched关注交互项系数是否显著
4.3 placebo检验
使用虚假处理变量验证方法：
- 随机生成处理变量
- 重复匹配过程
- 真处理应显著而placebo不显著
4.4 双重稳健估计
结合回归调整提升估计精度：
teffects psmatch (re78) (treat age educ, logit), atet5. 结果报告的最佳实践
如何专业地呈现PSM分析结果？以下结构被顶级期刊广泛采用：
- 匹配前样本描述：展示关键变量的组间差异
- 匹配方法说明：清晰交代卡钳值、匹配比例等参数选择依据
- 平衡性检验表：包含匹配前后标准化偏差和t检验结果
- 共同支撑域说明：报告匹配前后样本量变化
- 敏感性分析：展示不同参数设置下的结果稳健性
- 图形附录：提供核密度图、标准化偏差图等可视化结果
专业提示：在论文方法部分明确说明"所有协变量匹配后标准化偏差均<5%，且t检验不显著(p>0.1)"能显著提升审稿人信任度。
最后记住，PSM不是万能的。当数据限制导致匹配质量不理想时，考虑工具变量法、断点回归等其他因果推断方法可能是更诚实的选择。好的研究不在于使用最复杂的方法，而在于选择最适合数据特征的分析策略。