单参数方法的逻辑是这样的。针对一个数据集,每个人进入实验组的概率为P。自然,每个人的p值不同。在前面几章中我们介绍过,用一系列的混淆因素去预测每个人的p值,这就是倾向值。假设这里有两个个体i和j,对于他们,我们有可观测到的混淆变量xi和xj去预测倾向值,但同时,我们怀疑有一些没有观测到的混淆变量ui和uj存在。那么,拟合logistic回归模型,如下所示:
此时,如果我们对比一下个体i和个体j进入实验组的发生比,我们会得到
可见,即使我们能够保证这两个个体在可观测到的混淆因素xi和xj上取值完全相等,其倾向值也会因为u上的取值差异而不同。由于传统的倾向值分析方法只是针对x这些可观测变量来计算,我们就可以根据这个未观测到的变量u的取值不同而考察研究结果的敏感性。例如,通过变动u,能得到的一个可能的变动区间。如果在这个区间内我们一开始的研究结论变化不大,就说明结论具有稳健性,否则就说明有可能受到潜在混淆变量的影响。如果假设u是一个二分变量的话,则我们可以得到
≤eγ。进一步,在单参数方法上,如果响应变量Y是一个二分变量的话,可以用Mc Nemar检验。如果响应变量Y是一个连续型变量的话,可以用Wilcoxon Signed Rank Test。
Mc Nemar检验是常用的针对二分变量的检验。例如,处理变量是是否上大学,响应变量为是否为高收入群体。在分析之前,通常会进行匹配,将一些各种背景特征都很相像的两个人进行配对,其中一个没有上大学,一个上了大学。这些配对样本可以放置到一个2×2表格中,假设具体的人数分布如表10-1所示。
表10-1 McNemar检验举例
在这些配对对象中,A组上大学和没上大学的人的收入(高收入)一样,D组也是如此,只是都是低收入群体。但是B组和C组不同,在B中,上大学的人为低收入,而不上大学的为高收入。相反,C组的情况正好对调。因为我们关注的是上大学与否对收入的影响,尤其关心上大学是或否能够让人们更有可能进入高收入一组(那么,不上大学的是否更有可能进入低收入一组,即C的情况)。可以说,真正对检验这一因果效果起作用的是B组和C组的人。在零假设下,我们认为上不上大学和收入无关。也就是说,在零假设下,上大学高收入和不上大学低收入,与上大学低收入和不上大学高收入的概率应该都是0.5。换句话说,B组和C组的这290个人,他们进入任何一种情况的可能性都是一样的。此时,可以假设B组和C组联合起来的290个人,每一个人在零假设下服从一个概率为0.5的伯努利分布。那么,290人加起来就是一个二项分布。那么,求p值就是看在这种情况下,出现280个C组人,或者更加极端的情况的概率。所谓更加极端,就是出现281,282,…,直到290个的概率。P的表达式就是
当然,出现观测值或者比观测值更加极端的概率,也可以从B组来进行分析。既然B组的人很少,我们就看达到10人甚至比10人还少的概率,这可以表示为
这里,在零假设下,我们认为一个人进入B或者进入C的可能性是一样的,全部都是0.5。但是假设有一些未观测到的混淆因素,会影响大学教育和收入群体的关系。这会影响上面的计算过程。假设我们用q来表示一个人是进入B组还是C组的概率。如上文所述,潜在的混淆因素会影响q,假设混淆因素的影响通过γ来表现出来,如下:
那么,给定一个γ值,一个人究竟属于B或者C的概率可以有一个变动区间,为。那么,在Mc Nemar检验中进行零假设检验的时候,表达式就会有两个端点,分别为
由于我们的计算过程是看出现280个或者更多人进入C组的概率,那么前面一个公式表示当潜在的混淆因素“拉低”进入C组的概率的时候(上大学的人是高收入,不上大学的人是低收入),求得的p值;后者是当潜在的混淆变量“提升”进入C组的概率的时候,求得的p值。从某种意义上说,前面的一个p值是在低估出现我们关心的情形时的p值,而后者是高估出现我们关心的情形的时候的p值。
针对观测到的数据,可以作Mc Nemar检验,如下:
可见,上不上大学和收入的确相关:
(www.daowen.com)
基于这个数据,我们可以进一步通过下面的代码实现敏感性检验:
图10-1 R软件输出结果
随着gamma的变化,我们拒绝H0的p值一直在0.001以下,说明我们的结论比较稳健。
对于响应变量为连续型变量的情形,我们可以采用Wilcoxon Signed Rank Test。假设我们同样有一个配对的样本,每一个配对中一个来自实验组,一个来自控制组。Wilcoxon Signed Rank Test检验的思路是,每一个配对中,用实验组个案的Y值减去控制组个案的Y值,将差值的绝对值排序,之后对于实验组Y值大于控制组Y值的那些匹配对的顺序号加总起来,得到统计量T。可以证明,在零假设下,这一加总起来的统计量近似服从正态分布,这个正态分布的均值为,方差为
,其中,w值为在每一个匹配对下,实验组的个体的Y值大于控制组的个体的Y值的概率。显然,如果处理变量对于响应变量没有影响,w值就是0.5,那么加总起来的顺序号在零假设下服从均值为
,方差为
的正态分布,因此,我们可以计算统计量的Z值,来进行假设检验。但是,假设有混淆因素影响处理变量和响应变量的关系,这种影响就会干扰w的取值,和上文一样,w在为观测混淆变量的影响下可以有一个区间,
,那么,我们相应的零假设分布就有两种情况,分别为
假设我们关心的是情形是相比于控制组,实验组可以提升Y的取值,那么前面一种情况就是在“拉低”实验效果的情况下的零假设分布,后者就是在“提升”处理效应的情况下的零假设分布。上面的分析可以用以下R代码实现:
由于p值在所有的gamma取值下都是小于0.01的,我们可以认为研究结论比较稳健。
图10-2 R软件输出结果
我们也可以分析一下经典的Lalonde数据中倾向值匹配的敏感性。具体的代码如下:
很遗憾,gamma取值只是在1.2的时候,upper bound下的p值就已经大于0.05了。说明结论对于潜在的混淆变量具有比较强的敏感性。在STATA中,我们可以用类似的分析过程,代码和经验结果如下。由于实施结论一致,这里不再赘述。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。