倾向值匹配法的概述与应用：从统计关联到因果推论 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

苏毓淞 著

图书标签:

• 倾向值匹配
• 因果推论
• 统计分析
• 计量经济学
• 观察性研究
• 实验设计
• 数据分析
• 医学统计
• 流行病学
• 社会科学研究

出版社： 重庆大学出版社

ISBN：9787562496328

版次：1

商品编码：12202287

包装：平装

丛书名： 万卷方法

开本：32开

出版时间：2017-08-01

用纸：胶版纸

页数：309

字数：140000

正文语种：中文

内容简介

　　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*为关键也是*容易发生问题的地方。《倾向值匹配法的概述与应用：从统计关联到因果推论》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。

内页插图

目录

第1章 因果推论理论概述
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

第2章 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

第3章 社会科学案例选读
3．1 案例评析重点
3．2 教育学案例：计算机的使用对中学生数学成绩的影响
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

第4章 应用R软件和S7A了A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
参考文献
表目录
表1．1 因果推论的基本难题
表1．2 二元处理下的虚拟实验数据
表2．1 儿童血铅水平的敏感性分析结果
表4．1 LaLonde数据中的变量

精彩书摘

　　《倾向值匹配法的概述与应用：从统计关联到因果推论》：
　　我们再通过一个国际经济学的例子来说明违反稳定单元处理值假定的情形。核心的因果问题是“出口导向”的发展模式是否能够促进一国的经济增长？“出口导向”发展模式为“处理”，受测单元为世界各个国家与地区，通过比较采用“出口导向”发展模式的国家（实验组）与不采用“出口导向”发展模式的国家的经济增长率，可以得出“出口导向”发展模式的处理效用。从世界经济发展史中可以了解到，拉丁美洲的巴西采用“出口导向”的发展模式，乃是受到东亚的韩国、中国香港、新加坡和中国台湾等国家与地区的启发，所以巴西领导人在选择发展模式时，势必度量国内经济发展的多项要素，并仔细研究东亚各国与地区操作该模式的经验，正因如此，即便巴西经济有所增长，我们也无法得出“出口导向的发展模式有助于经济发展”的结论。
　　……

前言/序言

　　2005年春天，我在纽约大学Adam Przeworski教授的课上，第一次接触到倾向值匹配法，从此便与它结下了不解之缘。十年之后，“社会科学研究方法·前沿与应用”丛书召开第一次编写会，与会青年学者须各选择一个方法作为自己的主题，我当下就决定介绍这个方法。十年之前，倾向值匹配法在美国社会科学学界正处于上升期，许多学者认为因果推断有了新的解决方法，他们如获至宝，纷纷投入此一方法的使用，并为这个方法编写各类软件，以致坊间各式各样的“倾向值匹配方法”相关软件，一度如雨后春笋般层出不穷。不过，就如同Przeworski教授在那堂课后发表的工作论文中所指出的，这一方法在解决因果推断问题上存在局限性。学者们对这个方法的憧憬，其实是个美丽的误会；之后的数年间，也即我攻读博士期间（至2009年），我几乎见证了“倾向值匹配法”在学术界发展变迁的全过程。一方面，其所依据的理论不断产生新的突破和改进，学者提高了应用这个方法的标准和范式；然而，另一方面，他们的努力却为“倾向值匹配法”敲响了丧钟，它的绚烂，仿若一颗陨落的新星，暗淡了下来。正如学术研究中的许多方法一样，它们从最初喧嚣夺目、令人趋之若鹜的热闹，逐渐趋于平静和理智，这一过程让身处其中的我不禁扼腕叹息，同时又赞叹.于学界专家学者们永无休止的探索精神，这或许正是“方法”和一切学术研究的魅力所在吧！在这本书的前两章，我尽可能以由浅入深的方式，向你们介绍这个定量方法中一闪即逝的流星。
　　我想我可以下个定论，即倾向值匹配法在社会科学学界的盛行，与其隶属的因果推断理论有高度关系。20世纪以来，社会科学学者越来越希望能像自然科学学者一样，说因道果，确立研究的“科学性”与典范性，尽管他们的研究往往发现的是关联性，而非因果关系，不过他们依然为此付出了巨大的努力，不断挑战与审视自己的做法和观点。例如，早在1959年，美国社会学大师Seymour Martin Lipset博士即挑战了现代化理论，他认为关联不等于因果，现代化理论所主张的经济发展与民主化的关系，并不能构成因果关系。正是这样坦诚直面问题核心的精神，催促着社会科学学者们不断探究解决因果关系新的研究方法，同时也注定了“倾向值匹配法”这个宣称可以解决因果推断基本难题的研究方法，可以于21世纪初在社会科学学界横空出世！
　　如果读到这里，你打算合上这本书，从此远离倾向值匹配法，那你正好错过了这个在当代定量方法中最值得学习的方法。如果说倾向值匹配法是以最保守的方式进行变量间的因果推断，那么它的不足之处，同样也是其他方法推断因果受限的地方。所以，如果说学者对于这个方法的审慎规范，摧毁了这个方法的普适性，那么它的陨落同样也给其他研究方法带来本质上的）中击。简言之，我们再不能天真地认为回归分析结果就能给我们因果关系，甚至据此获得的关联性都有可能是错的，是谬误的（请详见本书关于共变量重合的讨论）！

《数据驱动的决策艺术：预测模型、机器学习与人工智能在商业分析中的革新》 在当今信息爆炸的时代，数据已成为企业最宝贵的资产。如何从海量数据中提炼出有价值的洞察，并将其转化为切实可行的商业策略，是每一个组织都面临的挑战。本书《数据驱动的决策艺术：预测模型、机器学习与人工智能在商业分析中的革新》正是应运而生，旨在为读者提供一个全面而深入的视角，探索如何利用前沿的数据科学技术，实现更精准的预测、更智能的决策，并最终驱动业务增长。 本书的基石在于预测模型。我们将从经典的统计学预测方法出发，逐步深入到更为复杂和强大的机器学习算法。读者将了解到，预测模型不仅仅是简单的趋势外推，而是通过对历史数据的模式识别与学习，来预估未来事件发生的概率或数值。我们将详细阐述多种预测模型的核心原理、构建流程以及适用场景。 首先，回归分析作为预测模型的基础，将得到细致的讲解。从简单的线性回归，到多项式回归，再到更为高级的非线性回归，我们将一步步揭示如何建立数学模型来量化变量之间的关系，并利用这些关系进行预测。例如，在市场营销领域，我们可以通过分析历史销售数据、广告投入、促销活动等变量与销售额之间的回归关系，来预测未来销售业绩，从而优化营销预算分配。在金融领域，回归模型可以用于预测股票价格、信贷违背概率等关键指标。 随后，我们将引入时间序列分析。对于具有时间依赖性的数据，如股票价格、天气数据、销售额月度变化等，时间序列分析提供了强大的预测工具。本书将介绍ARIMA、SARIMA、指数平滑等经典模型，并探讨如何处理季节性、趋势性等时间序列的固有特征。掌握时间序列分析，意味着能够更好地理解数据的动态演变，并对未来的发展趋势做出更具预见性的判断。 进入机器学习的范畴，本书将聚焦于那些能够从数据中“学习”并做出预测的算法。我们将从监督学习开始，详细介绍决策树、随机森林、梯度提升机（如XGBoost, LightGBM）等模型。这些模型在分类和回归任务上都表现出色，并且具有良好的可解释性（尤其是决策树）。我们将深入剖析它们的构建原理，例如如何通过划分数据集来构建最优的决策边界，以及集成学习如何通过组合多个弱学习器来提升整体预测精度。 在分类预测方面，本书将重点介绍逻辑回归、支持向量机（SVM）、朴素贝叶斯等算法。逻辑回归虽然名字中有“回归”，但它本质上是用于二分类问题的强大算法，广泛应用于用户流失预测、欺诈检测、疾病诊断等场景。SVM通过寻找最优超平面来区分不同类别，即使在高维空间中也能表现出色。朴素贝叶斯则利用概率论中的贝叶斯定理，在文本分类、垃圾邮件过滤等领域具有显著优势。 此外，无监督学习中的聚类算法也将被纳入讨论。虽然聚类本身不直接进行预测，但它能够揭示数据的内在结构，发现隐藏的模式。例如，通过对客户进行聚类分析，企业可以识别出不同的客户群体，并为每个群体量身定制营销策略，从而提升客户满意度和转化率。K-Means、DBSCAN等经典聚类算法及其应用场景将得到详尽阐述。 深度学习作为当前人工智能领域最炙手可热的技术，本书也将对其进行深入浅出的介绍。我们将从神经网络的基本结构——感知机、多层感知机（MLP）开始，逐步讲解卷积神经网络（CNN）在图像识别与分析中的应用，以及循环神经网络（RNN）、长短期记忆网络（LSTM）和Transformer在序列数据处理（如自然语言处理、时间序列预测）中的强大能力。深度学习模型能够自动从原始数据中提取复杂的特征，极大地拓展了预测和分析的边界。 本书不仅仅停留在算法的介绍，更强调模型评估与优化的重要性。我们将详细讲解各种评估指标，如准确率、精确率、召回率、F1分数、ROC曲线、AUC值、均方误差（MSE）、平均绝对误差（MAE）等，并指导读者如何根据不同的业务目标选择合适的评估指标。同时，我们将深入探讨模型调优的技术，包括特征工程、特征选择、超参数优化（如网格搜索、随机搜索、贝叶斯优化）以及交叉验证等，以确保模型的泛化能力和预测稳定性。 人工智能（AI）作为综合性的技术框架，本书将阐述AI如何赋能商业分析。AI不仅仅是机器学习的集合，它还包含自然语言处理（NLP）、计算机视觉（CV）等领域。我们将探讨如何利用NLP技术来分析海量的文本数据，如客户评论、社交媒体帖子，从中提取情感、主题和关键信息，为产品改进和市场策略提供依据。通过计算机视觉，我们可以分析图像和视频数据，例如零售店的客流监控、工业生产线的质量检测等。AI的集成应用，能够构建更智能、更自动化的决策支持系统。 本书的另一大亮点在于实际应用与案例分析。我们将通过丰富的实际案例，将抽象的理论知识转化为具体的解决方案。例如： 零售业： 如何利用预测模型优化库存管理，降低缺货和积压成本；如何通过用户画像和行为分析，实现个性化推荐，提升转化率。 金融业： 如何构建信用评分模型，评估信贷风险；如何利用算法交易模型，在资本市场中发现套利机会；如何通过欺诈检测模型，保护客户资金安全。 制造业： 如何运用预测性维护技术，提前预警设备故障，减少停机时间；如何通过质量控制模型，提升产品良率。 医疗健康： 如何构建疾病诊断模型，辅助医生进行诊疗；如何利用医疗数据进行药物研发和个性化治疗方案的设计。 市场营销： 如何进行客户细分，设计精准营销活动；如何优化广告投放策略，最大化投资回报率；如何进行社交媒体舆情分析，及时应对危机。 本书还将探讨数据可视化在商业分析中的重要作用。清晰、直观的数据可视化能够帮助决策者快速理解复杂的分析结果，发现潜在的趋势和异常。我们将介绍多种可视化工具和技术，以及如何设计有效的图表来传达关键信息。 此外，本书还将触及数据伦理与隐私保护等关键议题。在利用数据进行分析和预测的同时，我们必须坚守道德底线，保护用户隐私，遵守相关法律法规，构建负责任的数据驱动的商业实践。 总而言之，《数据驱动的决策艺术：预测模型、机器学习与人工智能在商业分析中的革新》是一本集理论深度、技术广度和实践价值于一体的著作。它将带领读者从入门到精通，掌握运用前沿数据科学技术武装商业分析的完整体系，赋能企业在日益激烈的竞争环境中，做出更明智、更有效的决策，实现可持续的增长。本书适合任何希望深入了解数据科学如何驱动商业变革的从业者、研究者以及对数据分析充满热情的读者。

评分☆☆☆☆☆

这本关于倾向值匹配法的书籍给我的触动很大，尤其是在理解如何从看似随机的数据中提取出可靠的因果关系方面。我一直对社会科学和医学研究中的“混杂因素”感到困扰，过去很多时候只能依赖于简单的回归分析，结果常常让人对结论的因果性心存疑虑。这本书的出现，像是一束光照亮了我的困惑。作者没有停留在对复杂公式的堆砌，而是用非常清晰的逻辑梳理了倾向值匹配的核心思想，它巧妙地将高维的协变量压缩到一个单一的、可观测的“倾向值”上，从而极大地简化了对照组的选择过程。阅读过程中，我发现作者在解释理论基础时非常注重直观性，例如，通过生动的例子说明了“可比性”的重要性，而不是仅仅停留在数学定义上。这种讲解方式使得即便是初次接触这个领域的读者，也能快速抓住其精髓。书中对不同匹配算法（如最近邻匹配、半径匹配等）的优缺点进行了细致的对比分析，这对于我选择合适的研究方法至关重要。我特别欣赏作者强调的“诊断性检查”，即在进行匹配后，必须验证协变量在匹配组之间的平衡性，这体现了严谨的科学态度，让我认识到倾向值匹配绝非“一键生成”的魔法。总而言之，这本书为我提供了一个系统且实用的工具箱，让我能够以更审慎的态度去审视和设计那些需要控制混杂变量的研究。

评分☆☆☆☆☆

从排版和阅读体验上说，这本书的组织结构非常清晰，使得即使是像我这样需要时不时回顾特定细节的读者也能快速定位。章节之间的逻辑衔接自然流畅，每一章的总结都能有效地承接下一章的引入。尤其值得称赞的是，书中对统计假设的阐述，既保证了必要的数学严谨性，又避免了过度晦涩的符号堆砌。我发现作者在描述“随机化”的必要性时，将其与倾向值匹配在“准随机化”中的作用进行了有力的对比，这种对照分析帮助我更深刻地理解了为什么我们费力地进行匹配，其本质目标仍然是在观测数据中尽可能模仿随机对照试验（RCT）的理想条件。书中关于如何评估匹配质量的章节，提供了一系列可操作的度量标准，例如标准化平均差异（SMD）的阈值设定，以及可视化工具的使用建议，这些都是非常实用的操作指南。这本书不仅是一本教材，更像是一位经验丰富的导师在手把手地指导你如何应对现实世界中数据不完美所带来的挑战。它成功地将一个看似高深的统计技术，转化为了研究者手中一个强大而可靠的分析利器。

评分☆☆☆☆☆

初读此书，我的第一感受是它的深度和广度都超出了我的预期。我原以为这只是一本偏向于统计操作手册类的书籍，但事实证明，它更像是一篇关于现代因果推断哲学思想的深度探讨。作者在开篇就为读者构建了一个坚实的理论框架，详细阐述了Rubin因果模型（Neyman-Rubin Causal Model）的逻辑基石，这对于理解为什么倾向值匹配是合理的至关重要。书中对“选择偏差”与“混杂”这两个核心概念的区分阐述得尤为深刻，让我明白，如果不恰当地处理这些偏差，再强大的统计模型也可能得出错误的因果结论。其中关于“可观测的混杂因素”和“不可观测的混杂因素”之间鸿沟的讨论，虽然略显沉重，却非常真实地反映了实证研究的局限性。更让我惊喜的是，书中还穿插了一些历史背景，介绍了倾向值概念的起源和演变，这使得整个方法论的介绍不仅仅是技术性的，更具有历史的厚重感。我尤其喜欢作者在讨论敏感性分析时的那种审慎口吻，他不断提醒读者，匹配成功并不意味着因果关系就板上钉钉，而是说，在“可观测信息的范围内”，我们构建出了最公平的比较。这本书的行文风格是那种学术上极其扎实，但又不失文采的典范，非常适合希望从根本上理解方法论而非仅仅学会操作软件的专业人士。

评分☆☆☆☆☆

作为一名经常与大规模行政数据打交道的实践者，我最看重的是方法的“落地性”和“鲁棒性”。这本书在这方面做得非常出色。它没有停留在理论的象牙塔里，而是提供了大量关于如何将倾向值匹配应用于实际数据集的详尽指导。我注意到书中花了相当大的篇幅去讨论在不同数据结构下（例如，时间序列数据、空间数据）如何调整匹配策略，这对我解决实际问题提供了直接的思路。特别是关于“共同支撑区域”（Common Support Region）的讨论，这常常是匹配分析中最容易被忽视但却至关重要的环节。作者用清晰的图示和代码片段（虽然我没有直接关注代码本身，但其对步骤的描述非常细致）展示了如何识别和处理那些完全没有匹配对象的观测值，并解释了在不同处理组中遗漏这些观测值可能带来的偏倚。此外，书中关于“权重法”的介绍也非常详尽，它对比了直接匹配法和利用倾向值进行加权估计的适用场景，让我明白了何时应该选择哪种策略以最大化样本利用率并保持估计的效率。这本书的价值在于，它不仅教你如何“做”，更重要的是教你如何“思考”这个方法背后的所有潜在陷阱和权衡取舍。

评分☆☆☆☆☆

这本书的结构安排非常巧妙，它循序渐进地引导读者从基础概念过渡到高级应用，没有让人感到任何突兀。起初的章节建立了解释性研究（Explanatory Research）的因果识别挑战，这种铺垫非常重要，它回答了“为什么要使用倾向值匹配”这个问题，而不是直接跳入“如何计算”。当我读到关于模型选择的部分时，我发现作者对Logit模型和Probit模型的选择持有一种非常务实和灵活的态度，而不是教条主义地推崇某一种。更具启发性的是，书中有一段深入探讨了如何处理匹配后的残余偏差，即在匹配成功后，协变量分布依然存在微小差异时，如何通过后期的回归模型来进一步微调估计。这体现了作者对现实复杂性的深刻理解——完美的匹配几乎不存在。我特别欣赏作者在讨论“安慰剂检验”或“平行趋势检验”时所展现的审慎，这使得读者能将倾向值匹配视为一个更庞大因果推断工具箱中的一环，而不是终极答案。这本书的内容对于那些希望从相关性研究转向更严格的因果推断研究的研究生和青年学者来说，简直是一部不可或缺的路线图。

评分☆☆☆☆☆

一本刚出版的书，对于课题帮助很大

评分☆☆☆☆☆

不错的好书！！支持支持！！！

评分☆☆☆☆☆

努力学习，感觉很好

评分☆☆☆☆☆

努力学习，感觉很好

评分☆☆☆☆☆

此用户未填写评价内容

评分☆☆☆☆☆

作者二十年来研究该方法，必须看。

评分☆☆☆☆☆

不错的购物体验下次还来

评分☆☆☆☆☆

?????????????????????????????????????????????????????????????

评分☆☆☆☆☆

作者二十年来研究该方法，必须看。