logit回归，哪些显著选哪些。

倾向评分匹配估计的可靠性取决于“条件独立性”是否被满足，即要求匹配后处理组企业与对照组企业在匹配变量上不存在显著差异。所以，不应该是在logit回归中各变量不显著才算匹配成功吗？

不是的，你可以先做OLS回归挑出显著的变量，然后再做Logit

用stata

倾向性评分匹配以后为什么，已匹配+未匹配不等于所有的观测数，剩下的是什么呀

在倾向性评分匹配中确定协变量的方法通常遵循以下步骤：

1. **识别混杂因素**：首先，你需要识别与暴露（实验组和对照组）和结局变量都相关的所有潜在混杂因素。这些通常包括人口统计学变量、健康状况、行为习惯等。

2. **选择协变量**：你提到有9个社会人口学变量，理论上来说，纳入所有这些变量作为协变量可以帮助消除它们对结局变量的影响。然而，如果某些变量高度相关（如年龄和工作年限），只选择一个代表性的变量可能更合适，以避免多重共线性问题。在这种情况下，你可以根据研究背景和领域知识决定保留哪一个。

3. **建立倾向性得分模型**：使用二元logistic回归或其他合适的模型，将暴露作为因变量，协变量（包括社会人口学变量）作为自变量来估计每个观察值的倾向性评分。如果工作年限与年龄高度相关，可以选择一个更能反映研究问题的变量，如工作年限，并以连续形式纳入模型。

4. **匹配和评估**：根据倾向性评分进行匹配，可以使用最邻近匹配、分层匹配或非平衡回归等方法。匹配后，检查匹配效果，看是否所有混杂因素都达到均衡。如果仍有未均衡的混杂因素，可以尝试其他匹配策略，如按该变量分层。

5. **分析结果**：在匹配后进行分析时，倾向性评分可以作为协变量纳入到结局模型中（例如线性回归或逻辑回归），以进一步控制匹配后的剩余偏倚。你提到的PS得分是基于3次匹配汇总得到的，这可能是可行的，但要确保每次匹配都考虑了相同的混杂因素。

最后，建议你在进行分析时与统计顾问合作，确保你的方法正确且符合研究目的。祝你的学位论文进展顺利！

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用