万卷方法·倾向值分析：统计方法与应用 [Propensity Score Analysis:Statistical Methods and Applications] pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

郭申阳，[美] 马克·W弗雷泽（Mark W.Fraser） 著，郭志刚 等 译

图书标签:

• 倾向得分分析
• 因果推断
• 统计方法
• 计量经济学
• 数据分析
• 观察性研究
• 医学统计
• 生物统计
• 流行病学
• SAS
• R语言
• Stata

出版社： 重庆大学出版社

ISBN：9787562466222

版次：1

商品编码：11029683

包装：平装

丛书名： 万卷方法

外文名称：Propensity Score Analysis:Statistical Methods and Applications

开本：16开

出版时间：2012-06-01

用纸：胶版纸

页数：24

内容简介

《万卷方法·倾向值分析：统计方法与应用》系统介绍了四种用于因果的前沿统计方法：
1 由2000年诺贝尔经济学得主美国芝加哥大学教授杰姆斯·海科曼（James Heckman）创立的“样本选择模型”。
2 由美国宾夕法尼亚大学沃顿商学院著名统计学教授保罗·罗森堡（Paul Rosenbaum）及哈佛大学著名统计学教授唐纳德·鲁宾（Donald Rubin）创立的 “倾向值匹配方法”。
3 由美国哈佛大学肯尼迪政府学院教授埃尔波特·阿贝蒂（Alberto Abadie）及哈佛大学经济学教授圭多·因本斯（Guido Imbens）创立的“匹配估算法”。
4 由美国芝加哥大学教授杰姆斯·海科曼（James Heckman），日本东京大学经济学教授市村英彦（Hidehiko lchimura），及美国宾夕法尼亚大学经济学教授派彻·托德（Petra Todd）创立的“核心值匹配法”。
该书将所有例证的Stata操作程序和资料公布于互联网，以方便读者练习和运用。该书阐述了重要的统计学原理和定理，省略了论证，通俗易懂，侧重应用，是社会行为科学研究者了解当代前沿因果分析方法的重要工具书。

内页插图

目录

1 导论
1.1 观察研究
1.2 历史和发展
1.3 随机化实验
1.3.1 Fisher的随机化实验
1.3.2 随机化实验的类型和统计检验
1.3.3 对社会实验的批评
1.4 为何和何时需要倾向值分析
1.5 计算软件包
1.6 本书的结构

2 反事实框架与假定
2.1 因果关系、内在效度与威胁
2.2 反事实与Neyman-Rubin反事实框架
2.3 可忽略的干预分配假定
2.4 稳定的单元干预值假定
2.5 估计干预效应的方法
2.5.1 四种模型
2.5.2 其他的平衡方法
2.6 统计推断的基本逻辑
2.7 干预效应的类型
2.8 Heckman的因果关系计量经济学模型
2.9 结论

3 数据平衡的传统方法
3.1 数据平衡为何是必需的？一个探究性的例子
3.2 数据平衡的3种方法
3.2.1 常规最小二乘回归
3.2.2 匹配
3.2.3 分层
3.3 数据模拟的设计
3.4 数据模拟的结果
3.5 数据模拟的启示
3.6 与应用OLS回归有关的主要问题
3.7 结论

4 样本选择及相关模型
4.1 样本选择模型
4.1.1 截尾、删截以及偶然截尾
4.1.2 为什么对样本选择建模是重要的
4.1.3 一个偶然截尾二元正态分布的矩
4.1.4 Heckman模型及其两步估计量
4.2 干预效应模型
4.3 工具变量估计量
4.4 Stata程序概述及treatreg的主要特征
4.5 举例
4.5.1 干预效应模型在观察数据中的应用
4.5.2 对一个包含群组随机设计的项目的干预效应的评估
4.5.3 对缺失数据进行多重填补后运行干预效应模型
4.6 结论

5 倾向值匹配及相关模型
5.1 概述
5.2 维度问题以及倾向值的性质
5.3 估计倾向值
5.3.1 二分类logistic回归
5.3.2 设定预测倾向值正确模型的策略
5.3.3 Hirano和Imbens基于预设的临界t值来设定预测变量的方法
5.3.4 一般化加速建模
5.4 匹配
5.4.1 贫婪匹配
5.4.2 最佳匹配
5.4.3 精细平衡
5.5 匹配后分析
5.5.1 贪婪匹配后的多元分析
5.5.2 贪婪匹配后的分层
5.5.3 计算协变量不平衡的指数
5.5.4 最佳匹配后使用Hodges-Lehmann有序秩检验进行结果分析
5.5.5 基于以最佳成对匹配所得样本的回归调整
……
6 匹配估计量
7 使用非参数回归的倾向值分析
8 选择偏差与敏感性分析
9 总结性评论
参考文献
人名索引
关键词索引
译后记

精彩书摘

和大多数评估一样，数据集里的很多研究变量都包含缺失值。在进行评估分析之前，我们使用多重填补方法对缺失数据进行填补。使用这一方法，我们为每一个结果变量构造了50个填补数据文件。根据我们针对这50个数据集的分析结果，这一填补取得了99%的相对效率。遵照填补缺失数据中的惯常做法，我们为所有案例的缺失值进行填补，但结果变量上有缺失数据的案例被删除了。这样一来，最终分析的样本规模会随着结果变量而变动。
使用多重填补文件（即本例中50个不同的数据文件），我们首先对每一个文件运行nnmatch命令然后使用Rubin法则来汇总点估计和标准误以构建一套对每个结果变量进行显著性检验的统计量。请读者参考本书的附属网页，我们在上面提供了有关的命令语法，这些语法针对每一结果运行nnmatch命令50次和用于使用Rubin法则进行汇总。
为了分析出现在四年级学年和五年级学年中的结果变化，我们首先使用3种方法分析整个样本的变化分：①采用回归调整的最佳成对匹配；②采用Hodges-Lehmann有序秩检验的最佳完全匹配；③匹配估计量。我们在表6.6中提供这些分析结果。
由前两种方法（即最佳成对匹配和最佳完全匹配）得到的结果没有什么希望。基于干预项目的设计，我们希望有正向的发现（即干预在改变行为结果方面是有效果的）；但是，从采用回归调整的最佳成对匹配中得到的结果没有一个是统计显著的。这一情况在采用Hodges-Lehmann检验的最佳完全匹配中略有改善，其中部分结果表明统计上的趋势（p<0.10），有两个变量（社交能力和亲社会行为）呈现出统计显著性（p<0.05）。当面临这一情况时，研究者需要寻找一个合理的解释。我们认为对这一不显著的结果至少有两个合理的解释：一个是干预没有效果，另一个是我们的评估数据违反了包含在我们所使用评估方法中的假定，从而这一结果反映了方法的缺陷。实际研究中，并没有确切的方式可以用来找出哪一个解释是真的。不过，第三种方法（即匹配估计量）的分析结果比前两种方法旱现了比前两个分析更重要的发现。
……

万卷方法·倾向值分析：统计方法与应用 深度洞悉因果推断的利器，助力研究者洞察真实世界的影响力 在科学研究的广袤领域中，我们常常渴望理解事物之间的真实因果关系。是某种疗法有效，还是单纯的自然康复？是某项政策带来了经济增长，还是经济增长本就不可阻挡？是某个教育项目提升了学生的成绩，还是学生本身就具备更高的学习潜力？这些问题触及了科学探索的核心，而回答它们，需要一种能够有效排除混杂因素干扰的统计学工具。《万卷方法·倾向值分析：统计方法与应用》 正是这样一本旨在赋能研究者，让他们能够驾驭这一强大工具的书籍。 本书并非对某一具体学科领域的研究方法进行浅尝辄止的介绍，而是深入浅出地剖析了倾向值分析（Propensity Score Analysis, PSA）这一在处理观察性研究中的混杂偏倚方面具有里程碑意义的统计学方法。通过对PSA原理的细致阐释和实际操作的详尽指导，本书旨在帮助广大研究者，无论您是统计学专家，还是活跃在医学、社会科学、经济学、教育学等多个领域的科研工作者，都能掌握一种严谨、科学的方法，来更准确地推断干预措施或暴露因素的真实效应。 为何选择倾向值分析？ 在理想的随机对照试验（Randomized Controlled Trial, RCT）中，研究者通过随机分配参与者接受干预或对照，能够有效地均衡各组间的基线特征，从而隔离干预效应。然而，在许多现实场景中，进行RCT可能是不切实际、不道德或成本过高的。例如，我们无法随机要求人们吸烟来研究其健康影响，也无法随机剥夺儿童接受教育的机会。在这种情况下，观察性研究便成为主要的证据来源。 然而，观察性研究面临着一个巨大的挑战：混杂偏倚。未被随机化的因素（如年龄、性别、社会经济地位、既往病史等）可能同时影响暴露（接受干预）和结果（研究的结局），从而歪曲我们对干预效应的估计。如果我们仅仅比较接受干预组和未接受干预组的平均结果，那么观察到的差异很可能部分是由于这些混杂因素造成的，而不是干预本身的真实效果。 倾向值分析正是为解决这一难题而生。它的核心思想是，在观察性研究中，我们可以尝试模拟RCT中的随机化过程，通过构建一个“倾向值”，即个体接受某种干预（暴露）的概率，来匹配那些在基线特征上相似，但接受干预与否不同的个体。通过对倾向值进行匹配、分层或加权等处理，我们可以有效地平衡各组间的协变量，从而减少混杂偏倚，更准确地估计干预的因果效应。 《万卷方法·倾向值分析：统计方法与应用》 并非仅仅停留在概念层面，而是为读者提供了一个全面的学习路径： 第一部分：理解倾向值分析的理论基石 从因果推断的视角出发： 本部分将首先带领读者回顾因果推断的基本概念，如潜在结果框架（Potential Outcomes Framework）、混杂、选择偏倚等。通过清晰的理论铺垫，读者将深刻理解为何需要PSA，以及PSA在解决因果推断问题中的独特优势。 倾向值模型构建： 核心内容将聚焦于如何构建倾向值模型。这包括选择合适的协变量（即可能影响暴露和结果的变量）、选择合适的回归模型（如逻辑回归、Probit回归等）以及模型诊断的方法。书中将详细讨论协变量的选择原则，以及在实践中如何避免遗漏重要协变量或纳入无关协变量。 倾向值的重要性： 读者将了解到，倾向值可以被视为一种“降维”工具，它将所有已观测到的混杂因素压缩成一个单一的概率值，极大地简化了混杂调整的过程。 第二部分：精通倾向值分析的核心方法 倾向值匹配（Matching）： 这是PSA中最直观的方法之一。本书将详细介绍不同类型的匹配方法，如最近邻匹配（Nearest Neighbor Matching）、半径匹配（Radius Matching）、核匹配（Kernel Matching）、卡尺匹配（Caliper Matching）等。书中将深入分析各种匹配方法的优缺点，以及如何通过检查匹配后的协变量平衡性来评估匹配质量。 倾向值分层（Stratification）： 另一种常用的方法是将研究对象根据其倾向值划分为若干组（例如，分为五组或十组），然后在每个倾向值层内比较干预组和对照组的结果，最后将各层结果加权平均。本书将详细阐述分层方法的设计与实施，以及如何进行层内和层间的效应估计。 倾向值加权（Weighting）： 本部分将深入探讨反概率加权（Inverse Probability of Treatment Weighting, IPTW）等基于倾向值的加权方法。IPTW通过为每个个体赋予一个权重，使得每个个体在估计时所代表的“人群”与其自身的倾向值相反。本书将详细介绍如何计算IPTW权重，以及如何使用加权样本进行效应估计。 结合匹配与加权： 许多研究者会发现，将匹配和加权方法结合使用可以进一步提高估计的准确性。本书将探讨这种混合方法的应用场景和注意事项。 第三部分：高级应用与实践挑战 倾向值与回归模型的结合： 除了上述几种独立的方法，PSA还可以与传统的回归模型相结合，以实现更精细的混杂调整。本书将介绍如何在调整了倾向值后，再使用回归模型进行效应估计。 处理测量误差和遗漏变量： 任何统计方法都有其局限性，PSA也不例外。本书将探讨在存在测量误差和遗漏变量的情况下，如何评估和减轻PSA的潜在偏倚。 处理连续性干预： 大部分PSA方法是针对二分类的干预（如接受或不接受治疗）。本书将介绍如何将PSA的思想扩展到连续性干预变量的研究中。 因果图形模型（Causal Graphical Models）与PSA的整合： 结合因果图（如Directed Acyclic Graphs, DAGs）来识别混杂因素，是PSA稳健性的重要保障。本书将阐述如何利用因果图辅助PSA的设计与解释。 软件实现与案例分析： 纸上得来终觉浅，本书将提供大量使用主流统计软件（如R、Stata、SAS等）实现倾向值分析的示例代码和详细步骤。更重要的是，本书将精选来自不同学科领域的真实研究案例，带领读者一步步完成PSA的全过程，从数据准备、模型构建、方法实施到结果解读。这些案例将充分展示PSA在解决实际科研问题中的强大能力。 本书的特色与价值： 理论与实践并重： 本书不仅提供了坚实的理论基础，更强调实际操作。读者将学到“为什么”这样做，更能学会“如何”去做。 内容全面且深入： 从基础概念到高级应用，本书涵盖了PSA的方方面面，为读者提供了一个结构化、系统化的学习体系。 案例丰富且具有启发性： 丰富的跨学科案例分析，帮助读者理解PSA在不同研究背景下的应用，并从中获得研究思路。 语言清晰且易于理解： 尽管PSA是统计学领域的高级方法，但本书力求使用清晰、直观的语言进行阐释，避免不必要的学术术语堆砌。 面向广泛的研究者群体： 无论您是统计学专业学生、统计学研究者，还是需要进行因果推断的各个领域的研究人员，本书都将是您的得力助手。 《万卷方法·倾向值分析：统计方法与应用》 致力于成为您探索因果之谜、洞悉真实世界影响力的得力伙伴。通过掌握本书所传授的倾向值分析方法，您将能够更有信心地设计和分析观察性研究，从而获得更可靠、更有说服力的研究结论，为科学进步贡献您的智慧与力量。这本书将帮助您跨越混杂偏倚的迷雾，拨开重重云雾，直达事物本质。

评分☆☆☆☆☆

说实话，我对于统计学的学习一直抱有一种复杂的情感，它既是科学研究的基石，也是很多初学者的“拦路虎”。我最怕的就是那种从头到尾都是纯理论推导，缺乏任何实例支撑的教材，读完之后发现自己依然无法将知识点与真实数据联系起来。我迫切需要一本能够提供丰富、多样化案例分析的书籍。这些案例最好能覆盖不同的应用领域，比如医学、经济学或者社会学，并且案例的选取要贴近当前的研究热点。通过对真实数据集的分析过程，我希望能学习到数据预处理的技巧、模型构建的思路，以及最终结果的解释和批判性思考。这种“手把手”的教学方式，远比枯燥的文字描述来得有效得多，它能真正培养起读者独立解决实际问题的能力，将冰冷的数字转化为有洞察力的发现。

评分☆☆☆☆☆

这本书的封面设计和装帧质量简直是教科书级别的，用料考究，拿在手里沉甸甸的，一看就知道是精品。书脊上的烫金字体清晰有力，即便在昏暗的书架上也能一眼被吸引。更值得称赞的是，内页的纸张选用非常出色，触感细腻，油墨印刷的清晰度和色彩过渡都达到了专业水准，长时间阅读眼睛也不易疲劳。作者在排版上的用心更是体现在每一个细节里，大到章节的划分，小到图表的布局，都经过精心设计，使得复杂的统计内容在视觉上变得更易于接受。这种对物理形态的极致追求，让阅读本身变成了一种享受，让人在学习知识的同时，也能感受到制作团队的匠心独运。可以说，单从书籍的“硬件”来看，这本书已经超越了一般的学术专著，更像是一件值得收藏的艺术品。这种对细节的极致关注，也侧面反映出内容本身可能具备的严谨性和深度，让人在翻开扉页之前，就已经对即将展开的阅读旅程充满了期待和敬意。

评分☆☆☆☆☆

我最近在研究的这个领域，很多经典的文献引用了大量的数理统计模型，读起来常常感到力不从心，尤其是在面对那些晦涩难懂的公式和推导时，总觉得隔着一层厚厚的屏障。我期望能找到一本既有扎实的理论基础，又能用更直观、更贴近实际操作的方式来阐述这些复杂概念的指南。理想中的书，应该能够像一位经验丰富的导师一样，不仅告诉我“是什么”，更重要的是告诉我“为什么会这样”以及“在具体情境中如何运用”。我希望能看到对统计假设背后的逻辑有深入浅出的剖析，而不是简单罗列公式。此外，对于不同统计方法之间的内在联系和适用范围的权衡，也希望能有清晰的辨析，帮助我建立起一个更宏观、更系统的知识框架，这样在未来面对新的研究问题时，才能做到心中有数，游刃有余地选择最合适的工具。

评分☆☆☆☆☆

对于一本严肃的统计学专著而言，其语言风格的把控至关重要。我个人偏爱那种既保持学术的严谨性，又兼具一定可读性的叙事口吻。我希望作者能够避免使用过于陈旧或晦涩的专业术语，如果必须使用，也应给予清晰的定义和背景解释。最理想的状态是，作者的笔触能流露出对学科的热爱和探索的激情，让读者在跟随作者的思路前进时，感受到一种启发式的学习体验，而不是被动地接收信息。这种文字的魅力，能够有效地降低读者在面对高难度主题时的心理抗拒感。同时，清晰、简洁的句子结构能极大地提高信息传递的效率，避免不必要的歧义，确保读者能够准确无误地把握每一个知识点，从而为后续的深入学习打下坚实的基础。

评分☆☆☆☆☆

在评估一本技术性书籍时，我非常看重其是否提供了足够的资源支持，以弥补纸质阅读的局限性。我期待这本书能够提供配套的在线资源，比如作者用于书中所有示例和分析的原始数据文件，以及实现这些分析的完整程序代码（最好是主流统计软件如R或Python的脚本）。这不仅仅是方便读者复现结果，更重要的是，通过研究这些代码，我们可以学习到专业人士是如何组织和执行复杂分析流程的。此外，如果能有一个活跃的读者社区或一个专门的勘误渠道，让读者能够及时就内容上的疑问进行交流，并获取到作者对潜在错误的修正，那将是对这本书价值的巨大提升。在当今这个快速迭代的时代，这种持续性的、与时俱进的支持体系，是衡量一本学术工具书是否具有长期生命力的重要标准。

评分☆☆☆☆☆

正品好书，值得我们好好学习！

评分☆☆☆☆☆

不错不错不错不错不错不错

评分☆☆☆☆☆

很好的一套书，值得购买!

评分☆☆☆☆☆

塑料膜没有了，内容还没看

评分☆☆☆☆☆

统计方法

评分☆☆☆☆☆

（2）因子提取：将原有变量综合成少数几个因子

评分☆☆☆☆☆

具备一定高数基础的人才能看

评分☆☆☆☆☆

还不错吧，书嘛。。。。。。。。。。。。

评分☆☆☆☆☆

包装很好，辛苦快递小哥！书页质量很好，就是翻译烂的像坨shi。