PSM倾向得分匹配&小白教程 &stata代码

       本人跨考管理科学，对实证分析和计量经济学的指标了解为零，近期项目研究需求推动了自学进程。源码本次分享聚焦于浅述PSM（倾向得分匹配）在Stata环境中的匹配操作指南与结果阐释，旨在通过实践过程的指标记录帮助自我学习，此内容可能并非毫无错误，源码守望先锋脚本源码仅用于个人学习之便。匹配

       PSM基本概念：简单而直接，指标PSM作为一种用于处理比较组非随机实验设计中的源码偏倚问题的方法，其核心在于通过匹配控制组样本与实验组样本，匹配使之在选定的指标协变量层面一致，从而实现更公平的源码对比。

       Stata实操流程概述如下：

       1. **数据导入**: 选取示例数据集ldw_exper.dta，匹配用`use ldw_exper.dta,指标 clear`完成加载。

       2. **回归分析**: 基于数据初步了解，源码通过`reg re t, r`执行简单回归分析。重点关注p值与R-square值，p值小于0.意味着在%置信水平下拒绝原假设，html工具源码下载小于0.在%置信水平下拒绝，R-square则是拟合优度指标。

       3. **多元回归**: 引入更多协变量`reg re t age educ black hisp married re re u u, r`来进一步分析。

       4. **PSM实施**: 包括随机排序(`set seed `, `gen ranorder = runiform()`, `sort ranorder`)与一对一匹配(`psmatch 2 t age educ black hisp married re re u u, outcome(re) neighbor(1) ate ties logit common caliper(0.)`)。

       5. **匹配效果检验**: 通过`pstest age educ black hisp married re re u u, both graph`检查匹配后的百分比偏倚值与p值，确保两组数据差异显著度在可接受范围内。

       6. **共同取值范围展示**: 使用`psgraph`来直观呈现匹配后的共同值范围。

       完成这些步骤后，数据的匹配和后续分析在一定程度上应可降低因其他变量差异而产生的偏见，提高结果的可信度。希望此分享能为寻求类似知识的朋友提供帮助与参考，同时也欢迎在评论区留言交流、共同进步。

通达信 自编指标提示“某个操作数没有相应的操作符匹配!”

       红茶指数:=C*/"$CLOSE";

       短期强弱:EMA(红茶指数,),COLORBLUE,LINETHICK1;

       中期强弱:EMA(红茶指数,),COLORBLUE,LINETHICK2;

       长期强弱:EMA(红茶指数,),COLORBLUE,LINETHICK3;

       =======================

       冒号等号要使用英文字符!

倾向得分匹配法（PSM）原理及其实现

       倾向得分匹配（PSM）是一种旨在减少数据偏差和混杂因素影响的统计分析方法，广泛应用于计量研究和医学领域。PSM通过计算并匹配具有相似倾向得分的个体，以实现研究数据的教育培训相关源码‘随机对照实验化’，从而降低选择偏差的影响。

       PSM的核心在于将研究因素视为因变量，将可能的混杂因素视为自变量，构建二元logit模型，以获取预测的倾向得分（PScore）。PScore值的接近程度反映了两个样本特征的相似性，据此进行匹配，寻找具有相似特征但处理状态不同的个体作为对照。

       在计量研究中，PSM常用于评估政策效果，如“禁塑令”、“垃圾分类”、“失业培训”、“中小企业税收减免”等政策对特定指标的影响。在医学研究中，PSM用于临床试验中的对照组数据寻找，例如探索吸烟与心脏病的修改sdk的源码关系时，通过匹配“吸烟者”与“非吸烟者”的个体特征，以减少其他因素的干扰，突出吸烟对心脏病的影响。

       PSM的Stata实现包括以下步骤：

       1. 根据研究因素选择合适的匹配方法，如自变量转换为二元离散变量，然后基于分位数产生虚拟变量。

       2. 利用`psmatch2`命令进行匹配，选择匹配变量，如研究因素和控制变量。

       3. 使用`ate`、`ties`、`logit`、`common`等匹配方法实现匹配。

       4. 计算标准误差，检验匹配效果，确保样本平衡。

       5. 通过多元回归分析验证PSM效果。量能博弈指标源码

       PSM的适用条件是缓解由可观测变量带来的内生性问题，但无法处理不可观测变量导致的内生性问题。在实际应用中，如研究企业是否披露R&D投资与其年收入的关系时，PSM可用于控制父母学历、是否从事教育相关职业等可能影响结果的背景因素，从而更准确地评估读研对收入的影响。

       在具体操作中，使用SPSSAU进行PSM，首先将研究因素转换为二元变量，构建logit模型得到PScore。然后基于PScore进行匹配，SPSSAU自动完成编号，匹配成功次数以Weight标识。最后，通过PSM平行假设检验分析匹配前后干扰因素的均值变化，以评估匹配效果。SPSSAU输出的表格包括匹配基本信息、平行假设检验结果，以及标准化偏差变化对比图，帮助评估PSM的有效性。

       使用PSM时，需注意算法选择、匹配方法的设置、标准化偏差的分析，以及匹配效果的综合判断。匹配过程需确保样本平衡，避免选择偏差，从而提高研究结果的可靠性和有效性。

       通过上述步骤和分析，PSM为研究提供了一种有效的方法，以减少内生性因素的影响，提高研究结果的准确性。在实际应用中，正确理解和应用PSM技术对于提升科学研究的质量至关重要。

NLP评估指标之ROUGE

       ROUGE（Recall-Oriented Understudy for Gisting Evaluation）评估指标最早由Chin-yew Lin在年的论文中提出。该指标在机器翻译、自动摘要、问答生成等领域广泛应用，用于比较模型生成的摘要或回答与参考答案的匹配程度。ROUGE与BLEU指标类似，但更侧重于召回率。以下是ROUGE的不同实现方法：

       1. **ROUGE-N**：将模型生成的结果和标准结果拆分成N-gram，计算召回率。例如，模型生成的句子（hyp）为 "the cat was found under the bed"，标准结果（ref）为 "the cat was under the bed"。通过按1-gram和2-gram拆分，计算匹配的数量，公式为：

        [公式]

        其中，分子表示匹配的N-gram数量，分母表示参考结果的所有N-gram数量。N越大，得分越容易减小。

       2. **ROUGE-L**：利用最长公共子序列（LCS）计算得分。公式为：

        [公式]

        其中，X和Y分别为参考答案和生成答案，m和n为X和Y的长度，[公式]为X和Y的最长公共子序列长度。通过设置[公式]的值，影响最终得分，通常设置较大值，使得得分更受召回率影响。

       3. **ROUGE-W**：通过加权计算连续匹配的分数，为连续匹配赋予更高权重。公式为：

        [公式]

        其中，[公式]表示加权后的最长公共子序列长度。ROUGE-W的实现更为复杂，需要更多细节参考原始论文。

       4. **ROUGE-S**：为Skip-Bigram Co-Occurrence Statistics的实现，允许跳过中间的某些词，结合ROUGE-L的计算方式。公式为：

        [公式]

        示例说明了ROUGE-S在不同情况下计算得分的过程，包括skip-bigram的组合个数和与参考文本的共现情况。

       ROUGE的优点在于计算高效，适用于忽略同义词、近义词等语义级别时的合理判断，但缺点是仅在单词、短语层面衡量相似度，不能考虑语义级别的相似性。在Python中，可以使用rouge库进行实现，该库提供了方便的安装和调用方式。

       总结，ROUGE指标提供了在不同方面评估模型生成文本与参考答案匹配程度的方法，适用于多个NLP任务，包括机器翻译、自动摘要和问答生成等。通过理解ROUGE的不同实现方法，可以更准确地评估模型性能，并根据实际需求选择合适的评估指标。