请问楼主解决了吗

多年已去。这种思路是不是无法做？

在处理此类问题，即处理有二元因变量（结果变量）和连续自变量（协变量或解释变量）的情况并想要使用倾向得分匹配(Propensity Score Matching, PSM)方法时，你可以采取以下步骤：

1. **构建倾向得分模型**：首先，你需要估计每个单位的倾向得分。在你的描述中，你提到因变量是二元的，因此逻辑回归(logistic regression)是一个合适的选择来估计倾向得分。在这个模型里，二元结果变量（0/1）被设为因变量，并且所有连续自变量作为预测变量或协变量。

2. **匹配**：一旦计算出每个单位的倾向得分，你可以使用各种方法进行匹配。例如，最近邻匹配、卡尺匹配等。主要目标是找到处理组和控制组中倾向得分最接近的“配对”。这样可以尽量减少因为自变量（连续变量）差异引起的混淆，从而更准确地估计因果效应。

3. **平衡性检验**：在完成匹配后，检查协变量化分是否在处理组和控制组间实现了均衡是非常重要的。这通常通过比较匹配前后各协变量的均值或分布来进行。如果匹配有效，那么两组之间的差异应该显著减少。

4. **效应估计**：一旦确认了匹配质量，并且在匹配后数据集中的协变量得到了平衡，就可以估计处理效果（Treatment Effect）。对于二元结果变量，这通常涉及到使用条件逻辑回归或其他适合分类因变量的统计模型来比较处理组和控制组的结果分布。常见的因果效应度量包括平均处理效果(ATE)、平均处理于治疗者的效果(ATET)等。

5. **敏感性分析**：最后，进行PSM后，进行一些敏感性检验是很重要的，以确认结果的稳健性。这可能涉及更改匹配算法或调整卡尺宽度，并观察估计的结果是否显著改变。

总结来说，在被解释变量为0/1变量且解释变量为连续变量的情况下使用PSM时，关键步骤包括构建倾向得分模型、执行匹配过程、进行平衡性检验、估计处理效果和进行敏感性分析。

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