《傾向值分析》（Propensity Score Analysis Statistical Methods and Applications）郭申陽 / 馬克·W.弗雷澤著，闡述了重要的統計學原理和定理， 省略了論證， 通俗易懂, 側重套用,是社會行為科學研究者了解當代前沿因果分析方法的重要工具書。
基本介紹
- 作者：郭申陽 / 馬克·W.弗雷澤
- 譯者：郭志剛 / 巫錫煒
- ISBN：9787562466222
- 頁數：24
- 定價：45.00元
- 出版社：重慶大學出版社
- 出版時間：2012-6-25
- 裝幀：Paperback
- 副標題：統計方法與套用
內容介紹,作品目錄,
內容介紹
本書系統介紹了四種用於因果分析的前沿統計方法：
（1）由2000年諾貝爾經濟學得主美國芝加哥大學教授傑姆斯· 海科曼（James Heckman）創立的 “樣本選擇模型”；
（2）由美國賓夕法尼亞大學沃頓商學院著名統計學教授保羅· 羅森堡(Paul Rosenbaum)及哈佛大學著名統計學教授唐納德·魯賓(Donald Rubin )創立的“傾向值匹配方法”；
（3）由美國哈佛大學甘迺迪政府學院教授埃爾波特· 阿貝蒂(Alberto Abadie )及哈佛大學經濟學教授圭多·因本斯(Guido Imbens )創立的 “匹配估算法”；
（4）由美國芝加哥大學教授傑姆斯·海科曼（James Heckman），日本東京大學經濟學教授市村英彥（Hidehiko Ichimura），及美國賓夕法尼亞大學經濟學教授派徹·托德(Petra Todd ) 創立的 “核心值匹配法”。該書將所有例證的Stata 操作程式和資料公布於網際網路, 以方便讀者練習和運用。
示例數據下載請登錄：http://ssw.unc.edu/psa/
作品目錄
1 導論
1.1 觀察研究
1.2 歷史和發展
1.3 隨機化實驗
1.3.1 Fisher的隨機化實驗
1.3.2 隨機化實驗的類型和統計檢驗
1.3.3 對社會實驗的批評
1.4 為何和何時需要傾向值分析
1.5 計算軟體包
1.6 本書的結構
2 反事實框架與假定
2.1 因果關係、內在效度與威脅
2.2 反事實與Neyman-Rubin反事實框架
2.3 可忽略的干預分配假定
2.4 穩定的單元干預值假定
2.5 估計干預效應的方法
2.5.1 四種模型
2.5.2 其他的平衡方法
2.6 統計推斷的基本邏輯
2.7 干預效應的類型
2.8 Heckman的因果關係計量經濟學模型
2.9 結論
3 數據平衡的傳統方法
3.1 數據平衡為何是必需的一個探究性的例子
3.2 數據平衡的3種方法
3.2.1 常規最小二乘回歸
3.2.2 匹配
3.2.3 分層
3.3 數據模擬的設計
3.4 數據模擬的結果
3.5 數據模擬的啟示
3.6 與套用OLS回歸有關的主要問題
3.7 結論
4 樣本選擇及相關模型
4.1 樣本選擇模型
4.1.1 截尾、刪截以及偶然截尾
4.1.2 為什麼對樣本選擇建模是重要的
4.1.3 一個偶然截尾二元常態分配的矩
4.1.4 Heckman模型及其兩步估計量
4.2 干預效應模型
4.3 工具變數估計量
4.4 Stata程式概述及treatreg的主要特徵
4.5 舉例
4.5.1 干預效應模型在觀察數據中的套用
4.5.2 對一個包含群組隨機設計的項目的干預效應的評估
4.5.3 對缺失數據進行多重填補後運行干預效應模型
4.6 結論
5 傾向值匹配及相關模型
5.1 概述
5.2 維度問題以及傾向值的性質
5.3 估計傾向值
5.3.1 二分類logistic回歸
5.3.2 設定預測傾向值正確模型的策略
5.3.3 Hirano和Imbe基於預設的臨界t值來設定預測變數的方法
5.3.4 一般化加速建模
5.4 匹配
5.4.1 貪婪匹配
5.4.2 最佳匹配
5.4.3 精細平衡
5.5 匹配後分析
5.5.1 貪婪匹配後的多元分析
5.5.2 貪婪匹配後的分層
5.5.3 計算協變數不平衡的指數
5.5.4 最佳匹配後使用Hodges-Lehmann有序秩檢驗進行結果分析
5.5.5 基於以最佳成對匹配所得樣本的回歸調整
5.5.6 最佳匹配後使用Hodges-Lehmann有序秩得分進行回歸調整
5.6 傾向值加權
5.7 對干預劑量進行建模
5.8 Stata和R程式概述
5.9 舉例
5.9.1 貪婪匹配以及後續的風險率分析
5.9.2 最佳匹配
5.9.3 使用Hodges-Lehmann有序秩的匹配後分析
5.9.4 使用差分回歸進行匹配後分析
5.9.5 傾向值加權
5.9.6 對於預劑量的建模
5.9.7 模型比較以及貧困對兒童學業成績影響研究的結論
5.9.8 對RAND-GBM和Stata的BOOST算法對比
5.10 結論
6 匹配估計量
6.1 概述
6.2 匹配估計量的方法
6.2.1 簡單匹配估計量
6.2.2 偏差矯正的匹配估計量
6.2.3 假定方差齊性的方差估算
6.2.4 考慮異方差性的方差估計量
6.2.5 大樣本性質以及矯正
6.3 Stata程式nnmatch概述
6.4 舉例
6.4.1 採用偏差矯正和穩健方差估計的匹配
6.4.2 使用匹配估計量的效力子集分析
6.5 結論
7 使用非參數回歸的傾向值分析
7.1 概述
7.2 使用非參數回歸的傾向值分析方法
7.2.1 基於核心的匹配估計量
7.2.2 對局部線性回歸(lowess)基本概念的回顧
7.2.3 核心和局部線性回歸的漸近和有限樣本性質
7.3 Stata程式psmatch2和bootstrap概述
7.4 實例
7.4.1 差中差分析
7.4.2 基於核心的匹配在單時點數據中的套用
7.5 結論
8 選擇偏差與敏感性分析
8.1 選擇偏差：一個概述
8.1.1 選擇偏差的來源
8.1.2 顯在偏差和隱藏偏差
8.1.3 選擇偏差的後果
8.1.4 修正選擇偏差的策略
8.2 一項比較修正模型的蒙特卡羅研究
8.2.1 蒙特卡羅研究的設計
8.2.2 蒙特卡羅研究的結果
8.2.3 啟示
8.3 Rosenbaum的敏感性分析
8.3.1 基本思路
8.3.2 對匹配對研究進行敏感性分析的wilcoxon符號秩檢驗舉例
8.4 Stata程式rbounds概述
8.5 舉例
8.5.1 鉛接觸效應的敏感性分析
8.5.2 以成對匹配進行研究時的敏感性分析
8.6 結論
9 總結性評論
9.1 觀察研究中的常見陷阱：一份批判性考察的清單
9.2 使用傾向值方法對實驗進行近似
9.2.1 對傾向值方法的批評
9.2.2 對敏感性分析(T)的批評
9.2.3 群組隨機化實驗
9.3 因果關係建模的其他進展
9.4 未來發展的方向
參考文獻
人名索引
關鍵字索引
譯後記
1.1 觀察研究
1.2 歷史和發展
1.3 隨機化實驗
1.3.1 Fisher的隨機化實驗
1.3.2 隨機化實驗的類型和統計檢驗
1.3.3 對社會實驗的批評
1.4 為何和何時需要傾向值分析
1.5 計算軟體包
1.6 本書的結構
2 反事實框架與假定
2.1 因果關係、內在效度與威脅
2.2 反事實與Neyman-Rubin反事實框架
2.3 可忽略的干預分配假定
2.4 穩定的單元干預值假定
2.5 估計干預效應的方法
2.5.1 四種模型
2.5.2 其他的平衡方法
2.6 統計推斷的基本邏輯
2.7 干預效應的類型
2.8 Heckman的因果關係計量經濟學模型
2.9 結論
3 數據平衡的傳統方法
3.1 數據平衡為何是必需的一個探究性的例子
3.2 數據平衡的3種方法
3.2.1 常規最小二乘回歸
3.2.2 匹配
3.2.3 分層
3.3 數據模擬的設計
3.4 數據模擬的結果
3.5 數據模擬的啟示
3.6 與套用OLS回歸有關的主要問題
3.7 結論
4 樣本選擇及相關模型
4.1 樣本選擇模型
4.1.1 截尾、刪截以及偶然截尾
4.1.2 為什麼對樣本選擇建模是重要的
4.1.3 一個偶然截尾二元常態分配的矩
4.1.4 Heckman模型及其兩步估計量
4.2 干預效應模型
4.3 工具變數估計量
4.4 Stata程式概述及treatreg的主要特徵
4.5 舉例
4.5.1 干預效應模型在觀察數據中的套用
4.5.2 對一個包含群組隨機設計的項目的干預效應的評估
4.5.3 對缺失數據進行多重填補後運行干預效應模型
4.6 結論
5 傾向值匹配及相關模型
5.1 概述
5.2 維度問題以及傾向值的性質
5.3 估計傾向值
5.3.1 二分類logistic回歸
5.3.2 設定預測傾向值正確模型的策略
5.3.3 Hirano和Imbe基於預設的臨界t值來設定預測變數的方法
5.3.4 一般化加速建模
5.4 匹配
5.4.1 貪婪匹配
5.4.2 最佳匹配
5.4.3 精細平衡
5.5 匹配後分析
5.5.1 貪婪匹配後的多元分析
5.5.2 貪婪匹配後的分層
5.5.3 計算協變數不平衡的指數
5.5.4 最佳匹配後使用Hodges-Lehmann有序秩檢驗進行結果分析
5.5.5 基於以最佳成對匹配所得樣本的回歸調整
5.5.6 最佳匹配後使用Hodges-Lehmann有序秩得分進行回歸調整
5.6 傾向值加權
5.7 對干預劑量進行建模
5.8 Stata和R程式概述
5.9 舉例
5.9.1 貪婪匹配以及後續的風險率分析
5.9.2 最佳匹配
5.9.3 使用Hodges-Lehmann有序秩的匹配後分析
5.9.4 使用差分回歸進行匹配後分析
5.9.5 傾向值加權
5.9.6 對於預劑量的建模
5.9.7 模型比較以及貧困對兒童學業成績影響研究的結論
5.9.8 對RAND-GBM和Stata的BOOST算法對比
5.10 結論
6 匹配估計量
6.1 概述
6.2 匹配估計量的方法
6.2.1 簡單匹配估計量
6.2.2 偏差矯正的匹配估計量
6.2.3 假定方差齊性的方差估算
6.2.4 考慮異方差性的方差估計量
6.2.5 大樣本性質以及矯正
6.3 Stata程式nnmatch概述
6.4 舉例
6.4.1 採用偏差矯正和穩健方差估計的匹配
6.4.2 使用匹配估計量的效力子集分析
6.5 結論
7 使用非參數回歸的傾向值分析
7.1 概述
7.2 使用非參數回歸的傾向值分析方法
7.2.1 基於核心的匹配估計量
7.2.2 對局部線性回歸(lowess)基本概念的回顧
7.2.3 核心和局部線性回歸的漸近和有限樣本性質
7.3 Stata程式psmatch2和bootstrap概述
7.4 實例
7.4.1 差中差分析
7.4.2 基於核心的匹配在單時點數據中的套用
7.5 結論
8 選擇偏差與敏感性分析
8.1 選擇偏差：一個概述
8.1.1 選擇偏差的來源
8.1.2 顯在偏差和隱藏偏差
8.1.3 選擇偏差的後果
8.1.4 修正選擇偏差的策略
8.2 一項比較修正模型的蒙特卡羅研究
8.2.1 蒙特卡羅研究的設計
8.2.2 蒙特卡羅研究的結果
8.2.3 啟示
8.3 Rosenbaum的敏感性分析
8.3.1 基本思路
8.3.2 對匹配對研究進行敏感性分析的wilcoxon符號秩檢驗舉例
8.4 Stata程式rbounds概述
8.5 舉例
8.5.1 鉛接觸效應的敏感性分析
8.5.2 以成對匹配進行研究時的敏感性分析
8.6 結論
9 總結性評論
9.1 觀察研究中的常見陷阱：一份批判性考察的清單
9.2 使用傾向值方法對實驗進行近似
9.2.1 對傾向值方法的批評
9.2.2 對敏感性分析(T)的批評
9.2.3 群組隨機化實驗
9.3 因果關係建模的其他進展
9.4 未來發展的方向
參考文獻
人名索引
關鍵字索引
譯後記
