PSM倾向匹配避坑指南：为什么你的Stata结果总不显著？从假设检验到协变量选择的7个关键点

PSM倾向匹配避坑指南：为什么你的Stata结果总不显著？从假设检验到协变量选择的7个关键点

在实证研究中，PSM（倾向得分匹配）已成为处理观察性数据选择偏差的标配工具。但许多研究者常陷入一个怪圈：代码能跑通，匹配能完成，可最终结果要么不显著，要么与理论预期相悖。这背后往往不是PSM方法本身的问题，而是从模型设定到结果诊断的七个关键环节存在认知盲区。本文将用Stata实操案例，拆解那些教科书不会告诉你的"暗坑"。

1. 共同支撑域检验：被忽视的样本适用性门槛

共同支撑域（Common Support）是PSM有效性的第一道防火墙，但80%的失败案例都源于对此检验的草率处理。真正的共同支撑域分析远不止看一张密度分布图那么简单。

典型误区：

• 仅通过psgraph命令观察核密度曲线重叠程度就判定样本可用
• 未设置合理的caliper（卡尺）直接进行1:1最近邻匹配
• 忽略处理组和控制组在倾向得分极值区的系统性差异

实操解决方案：

// 更严谨的共同支撑域诊断
psmatch2 treat x1 x2 x3, logit neighbor(3) caliper(0.2) common
psgraph, title("Common Support Diagnostic") xtitle("Propensity Score")

关键诊断指标：

1. 匹配前后处理组与控制组的倾向得分分布重叠面积变化
2. 卡尺范围内可匹配样本比例（建议>70%）
3. 极端值样本的协变量均值差异（通过pstest验证）

注意：当共同支撑域不足时，强行匹配会产生严重的样本选择偏差。此时应考虑：

• 改用半径匹配或核匹配