仲浩天，中国人民大学公共管理学院讲师

研究动机

在循证城市治理中，可靠的治理效果评估至关重要。由于缺乏面板数据以及社会实验可行性差的两方面原因，研究者通常局限于具有自选择偏差的横截面数据，导致难以得出更有力的评估依据。相比面板数据，重复横截面数据（repeated cross-sectional data）却十分丰富并且未被充分利用。因此，本研究旨在开发可利用重复横截面数据构建纵向准实验的计量方法。为此，我们需要解决重复横截面数据中的两个偏差：（1）选择偏差和（2）纵向不可比性。

研究内容

本研究开发了二维倾向得分匹配（two dimensional propensity score matching, 2DPSM）方法。该工具可根据样本特征同时在纵向和横向两个维度上将实验组和对照组、前实验组和后实验组、前对照组和后对照组之间的进行匹配，从而得到统计学上类似的四个子样本以构建纵向准实验。

应用前景

该方法可以应用到大量的周期性社会调查数据，例如中国综合社会调查、各地交通出行调查等。

相关争论

哈佛大学政治学系教授Gary King曾发文指出不应该使用倾向评分法。因此，本研究采用了其文中同样的数据生成过程，并用蒙特卡洛证据证明了本文方法的有效性，特别是在有遗漏变量的情况下。尽管如此，我也认同倾向评分匹配的黑匣问题并推荐把二维倾向评分匹配法作为前期数据处理过程，并且保守理解其得出的政策效应。

英文摘要

The lack of longitudinal studies of the relationship between the built environment and travel behavior has been widely discussed in the literature. This paper discusses how standard propensity score matching estimators can be extended to enable such studies by pairing observations across two dimensions: longitudinal and cross-sectional. Researchers mimic randomized controlled trials and match observations in both dimensions to find synthetic control groups that are similar to the treatment group and to match subjects across before- and after- treatment periods. We call this a two-dimensional propensity score matching (2DPSM) method. This method demonstrates superior performance for improving treatment effect estimation based on Monte Carlo evidence. A near-term opportunity for such matching is identifying the treatment effect of transportation infrastructure on travel behavior.

点击此处查看原文