1 導論
1.1 觀察研究
1.2 歷史和發(fā)展
1.3 隨機化實驗
1.3.1 Fisher的隨機化實驗
1.3.2 隨機化實驗的類型和統(tǒng)計檢驗
1.3.3 對社會實驗的批評
1.4 為何和何時需要傾向值分析
1.5 計算軟件包
1.6 本書的結構
2 反事實框架與假定
2.1 因果關系、內在效度與威脅
2.2 反事實與Neyman-Rubin反事實框架
2.3 可忽略的干預分配假定
2.4 穩(wěn)定的單元干預值假定

1 導論
1.1 觀察研究
1.2 歷史和發(fā)展
1.3 隨機化實驗
1.3.1 Fisher的隨機化實驗
1.3.2 隨機化實驗的類型和統(tǒng)計檢驗
1.3.3 對社會實驗的批評
1.4 為何和何時需要傾向值分析
1.5 計算軟件包
1.6 本書的結構

2 反事實框架與假定
2.1 因果關系、內在效度與威脅
2.2 反事實與Neyman-Rubin反事實框架
2.3 可忽略的干預分配假定
2.4 穩(wěn)定的單元干預值假定
2.5 估計干預效應的方法
2.5.1 四種模型
2.5.2 其他的平衡方法
2.6 統(tǒng)計推斷的基本邏輯
2.7 干預效應的類型
2.8 Heckman的因果關系計量經濟學模型
2.9 結論

3 數據平衡的傳統(tǒng)方法
3.1 數據平衡為何是必需的？一個探究性的例子
3.2 數據平衡的3種方法
3.2.1 常規(guī)最小二乘回歸
3.2.2 匹配
3.2.3 分層
3.3 數據模擬的設計
3.4 數據模擬的結果
3.5 數據模擬的啟示
3.6 與應用OLS回歸有關的主要問題
3.7 結論

4 樣本選擇及相關模型
4.1 樣本選擇模型
4.1.1 截尾、刪截以及偶然截尾
4.1.2 為什么對樣本選擇建模是重要的
4.1.3 一個偶然截尾二元正態(tài)分布的矩
4.1.4 Heckman模型及其兩步估計量
4.2 干預效應模型
4.3 工具變量估計量
4.4 Stata程序概述及treatreg的主要特征
4.5 舉例
4.5.1 干預效應模型在觀察數據中的應用
4.5.2 對一個包含群組隨機設計的項目的干預效應的評估
4.5.3 對缺失數據進行多重填補后運行干預效應模型
4.6 結論

5 傾向值匹配及相關模型
5.1 概述
5.2 維度問題以及傾向值的性質
5.3 估計傾向值
5.3.1 二分類logistic回歸
5.3.2 設定預測傾向值正確模型的策略
5.3.3 Hirano和Imbens基于預設的臨界t值來設定預測變量的方法
5.3.4 一般化加速建模
5.4 匹配
5.4.1 貧婪匹配
5.4.2 最佳匹配
5.4.3 精細平衡
5.5 匹配后分析
5.5.1 貪婪匹配后的多元分析
5.5.2 貪婪匹配后的分層
5.5.3 計算協(xié)變量不平衡的指數
5.5.4 最佳匹配后使用Hodges-Lehmann有序秩檢驗進行結果分析
5.5.5 基于以最佳成對匹配所得樣本的回歸調整
……
6 匹配估計量
7 使用非參數回歸的傾向值分析
8 選擇偏差與敏感性分析
9 總結性評論
參考文獻
人名索引
關鍵詞索引
譯后記