傾向分數、配對與重疊

企業與投資者通常不會隨機採用政策。規模、風險、管治、流動性和增長預期可同時影響選擇與後續結果。

原始差異因此混合處理效應與既有差異。若識別假設不成立，迴歸控制也不能自動解決問題。

設計先問哪些對象的處理狀態原可不同，以及哪些處理前資訊解釋這項選擇。

對協變量 X，e(X) 是給定 X 後的處理概率。分數相同的對象應有相近的已量度 X 分佈。

這項平衡性把多維比較壓成一個分數，但只涵蓋輸入的處理前變量。預測處理的準確度不是目標。

模型應反映決策機制與領域知識。加入處理後變量或碰撞變量，可能製造而非消除偏誤。

條件可交換性要求在給定已觀察協變量後，處理分配與要比較的潛在結果無關。

此條件無法僅從配對後資料驗證。私人訊息、管理能力或融資計劃仍可同時推動處理與表現。

配對是設計工具，不是因果認證。制度背景、負對照與未觀察混雜敏感度分析需要共同支持結論。

正值性要求每種重要協變量組合在兩組都有實質概率。接近零或一的分數提示共同支持薄弱。

若處理對象沒有相似的未處理對象，模型無法憑空創造反事實，結果只可依賴外推。

卡鉗、修剪或重疊權重可提高穩定性，但會改變目標群體，新的估計對象必須明示。

最近鄰與卡鉗配對建立比較樣本；分層比較分數區間；逆概率加權建立加權偽群體。

總體平均處理效應與處理組平均效應使用不同權重。重疊權重強調處理狀態最不確定的對象。

重用對照、刪除處理對象和估計分數都改變偏誤、方差與解釋，推斷亦須反映這些依賴。

調整後查看標準化平均差與分佈圖。處理模型 AUC 很高並不證明協變量平衡良好。

同時檢查分數分佈、未配對數量、有效樣本量和最大權重，避免少數對象支配估計。

調試設計時應隱藏結果，否則反覆改配對規則會變成結果驅動的規格搜尋。

研究採用披露政策的公司時，可按規模、波幅、股權與過往流動性尋找相似未採用者。

若未量度融資計劃同時推動採用與流動性改善，配對仍然失敗。決策時間線比變量數目更重要。

報告處理日、前期、變量、重疊圖、平衡表、估計量、權重、排除樣本、不確定性與隱藏偏誤敏感度。

最強結果並非使用所有觀察，而是在確有可信對應對象的群體中取得。

應分開可見的設計成果——量度變量更平衡——和不可檢驗的主張——沒有重要隱藏混雜。

若結果隨卡鉗、修剪或合理隱藏偏誤設定劇變，設計不確定性也應進入結論。