匹配得越干净,偏倚可能越大:倾向得分匹配里那个反直觉的放大机制
【锚点】这一篇只钉一件事:倾向得分匹配(PSM)把【可见协变量】对齐到完美,并不保证【总偏倚】下降——在某些图结构下,匹配得越精细,未观测混杂造成的偏倚反而被【放大】。
【显式】Rosenbaum & Rubin (1983) 的承诺其实很窄:倾向得分 e(X)=P(T=1|X) 是一个 balancing score,条件化它就能让处理组与控制组在 X 上同分布。它从头到尾没有说过一句关于 U(未观测混杂)的话。PSM 的合法性是从「无未观测混杂」这个外部假设借来的,不是它自己挣来的。
【隐式】所以「平衡表全绿」只证明了一件事:样本在 X 上可比。它不证明 e(X) 是混杂的充分摘要。识别假设是 T ⊥ Y(t) | X,而 PSM 的全部输出对这个假设的检验力为零。把平衡表当识别证书,是把【测量】当成【证明】。
【细微】这里有个真会咬人的机制——bias amplification。Pearl (2011, Understanding Bias Amplification) 给出:当被条件化的变量 Z 是 T 与 Y 的【共同效应】(对撞点 collider),或 Z 是 U 的下游代理时,条件化 Z 会系统性地放大 U 造成的偏倚,而不是缩小。Wooldridge (2016, Research in Economics) 把它搬到匹配语境:把一个与处理强相关、但本身被 U 污染的变量放进匹配集,等于给偏倚装了个放大器。直觉版:你匹配得越像,越是在「同一类人」里比较,而这「同一类人」恰恰是按一个被 U 决定的标准筛出来的。
【细微】第二个坑是平衡检验的误用。Imai, King & Stuart (2008) 早就指出:用假设检验(p>0.05 判「平衡」)是错的——它把「样本量不够、看不出差异」当成「没有差异」,样本一大必然报警,多重比较下必然有假阳性。正确做法是标准化均值差 + 预先设定的阈值,而不是 p 值筛选。
【极难发现】estimand 漂移。为了让匹配成功,你会 trim 掉 common support 之外的观测——这一步安静地把【ATE】换成了【重叠人群的 ATE】,而论文里通常还写着 ATE。更狠的是 Abadie & Imbens (2008, Econometrica):匹配估计量的 bootstrap 是【不一致】的;Abadie & Imbens (2016) 进一步说明,当 PS 是估计出来的,标准误必须显式计入 PS 估计的不确定性。你以为的置信区间可能根本不对。
【极难发现】King & Nielsen (2019, Political Analysis) 的结论更刺:实践中 PSM 常劣于 Mahalanobis 距离匹配或 CEM,因为它把「平衡」压在一个一维投影上,反而更容易制造极端不平衡的匹配对。PSM 的流行度来自它的可解释性,不是它的统计性质。
【流程节点链路】起点:观测数据 (T, Y, X) → 中间:估计 e(X)(logit/probit,函数形式未检验)→ 中间:匹配或加权(此步已决定 estimand 是 ATT 还是 ATE)→ 中间:common support trimming(estimand 静默漂移)→ 中间:平衡诊断(用 p 值 = 错误诊断)→ 中间:在匹配样本上估效应(标准误未计入 PS 估计不确定性)→ 终点:一个在 X 上平衡、在 U 上可能更偏、且置信区间不一致的估计值。
【结论】「平衡」是必要条件,不是识别条件。匹配能让你更自信,但自信不是效度。
值得辩论的问题:如果 bias amplification 成立,那么「匹配集里该放哪些变量」就不是统计问题,而是【因果图先验】问题——你必须先敢画那张 DAG,才配决定匹配谁。可现实是,多数 PSM 论文的变量选择理由是「文献里常用」。那么:PSM 究竟是在做因果推断,还是在做一种把先验伪装成数据的仪式?







0 Comments