倾向值分析 统计方法与应用

1 (p1): 1导论
2 (p1-1): 1.1观察研究
3 (p1-2): 1.2历史和发展
4 (p1-3): 1.3随机化实验
4 (p1-3-1): 1.3.1 Fisher的随机化实验
8 (p1-3-2): 1.3.2随机化实验的类型和统计检验
8 (p1-3-3): 1.3.3对社会实验的批评
9 (p1-4): 1.4为何和何时需要倾向值分析
12 (p1-5): 1.5计算软件包
12 (p1-6): 1.6本书的结构
15 (p2): 2反事实框架与假定
15 (p2-1): 2.1因果关系、内在效度与威胁
17 (p2-2): 2.2反事实与Neyman-Rubin反事实框架
21 (p2-3): 2.3可忽略的干预分配假定
25 (p2-4): 2.4稳定的单元干预值假定
26 (p2-5): 2.5估计干预效应的方法
26 (p2-5-1): 2.5.1四种模型
27 (p2-5-2): 2.5.2其他的平衡方法
28 (p2-6): 2.6统计推断的基本逻辑
32 (p2-7): 2.7干预效应的类型
35 (p2-8): 2.8 Heckman的因果关系计量经济学模型
37 (p2-9): 2.9结论
39 (p3): 3数据平衡的传统方法
39 (p3-1): 3.1数据平衡为何是必需的？一个探究性的例子
42 (p3-2): 3.2数据平衡的3种方法
42 (p3-2-1): 3.2.1常规最小二乘回归
44 (p3-2-2): 3.2.2匹配
44 (p3-2-3): 3.2.3分层
46 (p3-3): 3.3数据模拟的设计
47 (p3-4): 3.4数据模拟的结果
52 (p3-5): 3.5数据模拟的启示
54 (p3-6): 3.6与应用OLS回归有关的主要问题
56 (p3-7): 3.7结论
57 (p4): 4 样本选择及相关模型
57 (p4-1): 4.1样本选择模型
58 (p4-1-1): 4.1.1截尾、删截以及偶然截尾
60 (p4-1-2): 4.1.2为什么对样本选择建模是重要的
61 (p4-1-3): 4.1.3一个偶然截尾二元正态分布的矩
62 (p4-1-4): 4.1.4 Heckman模型及其两步估计量
64 (p4-2): 4.2干预效应模型
66 (p4-3): 4.3工具变量估计量
67 (p4-4): 4.4 Stata程序概述及treatreg的主要特征
72 (p4-5): 4.5举例
73 (p4-5-1): 4.5.1干预效应模型在观察数据中的应用
76 (p4-5-2): 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
81 (p4-5-3): 4.5.3对缺失数据进行多重填补后运行干预效应模型
82 (p4-6): 4.6结论
84 (p5): 5倾向值匹配及相关模型
84 (p5-1): 5.1概述
86 (p5-2): 5.2维度问题以及倾向值的性质
89 (p5-3): 5.3估计倾向值
89 (p5-3-1): 5.3.1二分类logistic回归
91 (p5-3-2): 5.3.2设定预测倾向值正确模型的策略
92 (p5-3-3): 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
94 (p5-3-4): 5.3.4一般化加速建模
95 (p5-4): 5.4匹配
95 (p5-4-1): 5.4.1贪婪匹配
97 (p5-4-2): 5.4.2最佳匹配
100 (p5-4-3): 5.4.3精细平衡
100 (p5-5): 5.5匹配后分析
101 (p5-5-1): 5.5.1贪婪匹配后的多元分析
101 (p5-5-2): 5.5.2贪婪匹配后的分层
102 (p5-5-3): 5.5.3计算协变量不平衡的指数
103 (p5-5-4): 5.5.4最佳匹配后使用Hodges-Lehmann有序秩检验进行结果分析
104 (p5-5-5): 5.5.5基于以最佳成对匹配所得样本的回归调整
105 (p5-5-6): 5.5.6最佳匹配后使用Hodges-Lehmann有序秩得分进行回归调整
105 (p5-6): 5.6倾向值加权
106 (p5-7): 5.7对干预剂量进行建模
109 (p5-8): 5.8 Stata和R程序概述
116 (p5-9): 5.9举例
116 (p5-9-1): 5.9.1贪婪匹配以及后续的风险率分析
124 (p5-9-2): 5.9.2最佳匹配
129 (p5-9-3): 5.9.3使用Hodges-Lehmann有序秩的匹配后分析
129 (p5-9-4): 5.9.4使用差分回归进行匹配后分析
131 (p5-9-5):…