倾向得分、匹配与重叠

企业与投资者通常不会随机采用政策。规模、风险、治理、流动性和增长预期可能同时影响选择与后续结果。

原始结果差异因此混合了处理效应和既有差异。若识别假设不成立，加入回归控制也不能自动解决问题。

设计首先要问：哪些对象的处理状态原本可能不同，哪些处理前信息解释了这种选择？

对协变量 X，e(X) 是给定 X 后的处理概率。得分相同的对象应具有相近的已测量 X 分布。

这种平衡性质把多维比较压缩到一个分数，但只覆盖输入的处理前变量。处理预测准确率并不是目标。

模型应反映实际决策机制与领域知识。加入处理后变量或碰撞变量，可能制造而不是消除偏差。

条件可交换性要求：给定已观测协变量后，处理分配与要比较的潜在结果无关。

这个条件无法仅从匹配后的数据验证。私人信息、管理能力或融资计划仍可能同时推动处理与业绩。

匹配是设计工具，不是因果认证。制度背景、负对照和未观测混杂敏感性分析需要共同支持结论。

正值性要求每种重要协变量组合在两组中都有实质概率。接近零或一的得分提示共同支持薄弱。

若处理对象没有相似的未处理对象，模型无法凭空创造反事实；该区域的结论主要依赖函数外推。

卡钳、修剪或重叠权重可提高稳定性，但会改变目标总体。新的估计对象必须明确说明。

最近邻和卡钳匹配构造比较样本；分层比较得分区间；逆概率加权构造加权伪总体。

总体平均处理效应与处理组平均效应使用不同权重。重叠权重强调处理状态最不确定的对象。

重复使用对照、丢弃处理对象和估计得分都会改变偏差、方差与解释，推断也应反映这些依赖。

调整后应查看标准化均值差与分布图。处理模型 AUC 很高并不意味着协变量平衡良好。

同时检查得分分布、未匹配数量、有效样本量和最大权重，避免少数对象支配估计。

调试设计时应隐藏结果，否则反复更改匹配规则会变成由结果驱动的规格搜索。

研究采用披露政策的企业时，可按规模、波动率、所有权和历史流动性寻找相似的未采用者。

若未测量的融资计划同时推动采用与流动性改善，匹配仍会失败。决策时间线比协变量数量更重要。

报告处理日、前期窗口、变量、重叠图、平衡表、估计量、权重、排除样本、不确定性和隐藏偏差敏感度。

最强的结果并非使用全部观测，而是在确有可信对应对象的总体中得到的结果。

应区分可观察的设计成果——测量变量更平衡——与不可检验的主张——不存在重要隐藏混杂。

若结果随卡钳、修剪或合理隐藏偏差设定剧烈变化，设计不确定性也必须进入结论。