Propensity score matching
In diesem Artikel werden wir das Leben und Werk von Propensity score matching erkunden, einer Figur, die unauslöschliche Spuren in der Geschichte hinterlassen hat. Von den bescheidenen Anfängen bis zum Erreichen des Höhepunkts des Erfolgs hat Propensity score matching unzählige Menschen mit seinem Engagement, seiner Leidenschaft und seiner Entschlossenheit inspiriert. In diesem Sinne werden wir die Erfolge und Herausforderungen entdecken, die seine Karriere geprägt haben, sowie seinen Einfluss auf die Gesellschaft und die Welt. Machen Sie sich bereit für eine spannende Reise durch das Leben von Propensity score matching und entdecken Sie die Höhepunkte seines Vermächtnisses.
Propensity Score Matching (PSM, deutsch etwa paarweise Zuordnung auf Basis von Neigungsscores) ist eine Form des Matching zur Schätzung von Kausaleffekten in nicht-experimentellen Beobachtungsstudien.
PSM wurde 1983 von Paul Rosenbaum und Donald Rubin vorgestellt.[1]
Anwendung
PSM wird in den Sozialwissenschaften eingesetzt, um den kausalen Effekt einer Intervention (z. B. einer Politikmaßnahme) zu schätzen. Dabei kann der zugrunde liegende kausale Effekt von dem beobachteten Unterschied verschieden sein. Das Grundproblem der Kausalanalyse ist, dass für ein Individuum nicht gleichzeitig gemessen werden kann, wie es sich mit und ohne die Intervention verhält. Teilnehmer und Nicht-Teilnehmer unterscheiden sich bereits vor der Intervention. Es kann zu einer Stichprobenverzerrung kommen, wenn Teilnehmer nicht zufällig der Intervention zugeordnet werden (Randomisierung).
PSM versucht diese Verzerrung zu reduzieren und eine Randomisierung nachzuahmen, indem Paare von möglichst identischen Personen gebildet werden und für diese die Wirkung der Maßnahme verglichen wird.
Durchführung
Zunächst werden die Propensity Scores geschätzt. Das Grundproblem, das durch dieses eindimensionale Maß gelöst wird, ist der sogenannte Fluch der Dimensionalität. Ursprünglich werden Personen gesucht, die sich in allen berücksichtigten Variablen ähneln bzw. identisch sind. Für Kategorien wie Geschlecht ist das teilweise möglich. Für metrische Variablen wie Alter und Einkommen und jede weitere Variable ergibt sich das Problem, eine Person mit gleichen Geschlecht, identischem Alter (taggenau) und Einkommen (bis auf den Euro) zu finden.
Um Treatment- und Kontrollgruppe vergleichbar zu machen, wird also ein einziger Wert zwischen null und eins basierend auf Kovariablen berechnet. Dies geschieht meist durch eine logistische Regression.
Für das Matching gibt es eine Vielzahl von Verfahren, beispielsweise Nächste-Nachbarn, Caliper und Radius, Stratifizierung und kernbasierte Verfahren. Die Matchingqualität wird im Nachhinein überprüft.
Literatur
- M. Caliendo, S. Kopeinig: Some practical guidance for the implementation of propensity score matching. In: Journal of economic surveys. Band 22, Nr. 1, 2008, S. 31–72.
Einzelnachweise
- ↑ P. R. Rosenbaum, D. B. Rubin: The central role of the propensity score in observational studies for causal effects. In: Biometrika. Band 70, Nr. 1, 1983, S. 41–55.