在使用广义倾向得分匹配（Generalized Propensity Score Matching, GPSM）模型进行实证分析时，安慰剂检验是一种重要的稳健性检验方法。安慰剂检验的目的是通过引入虚假的处理变量来验证研究结果的可靠性。如果虚假处理变量的估计结果不显著，说明原始研究结果具有一定的稳健性。
广义倾向得分匹配模型中的安慰剂检验步骤

• 构建虚假处理变量
  
  • 生成一个随机的处理变量，该变量与实际的处理变量无关。例如，可以对原始处理变量进行随机置换。
    
  • 或者，可以将处理变量的时点随机化，即将政策实施的时间点进行随机调整
    
    
• 进行匹配和估计
  
  • 使用虚假处理变量重新计算倾向得分，并进行匹配
    
  • 例如，在 Stata 中，可以使用以下命令：
    stata
    logistic treat x1 x2 x3, noconstantpredict pgpsm y treat, pscore(p) radius(0.1)
    
    
    
    
• 比较结果
  
  • 比较虚假处理变量的估计结果与原始处理变量的估计结果。如果虚假处理变量的估计结果不显著，而原始处理变量的估计结果显著，则说明原始结果具有稳健性。
    
  • 可以通过多次（如500次）随机抽样来观察虚假处理变量的估计结果是否集中分布于0附近
    
    
• 结果呈现
  
  • 在论文中报告安慰剂检验的结果，说明虚假处理变量的估计结果不显著，从而验证原始研究结论的稳健性
    
    
  
  

通过安慰剂检验，可以有效验证广义倾向得分匹配模型中处理效应估计的稳健性，增强研究结果的可信度