マッチング法

メリット

　因果関係を明らかにしやすい

デメリット

　サンプルサイズが十分に必要

　コストが高い

→ ある介入を行ったAさんと介入を行っていないBさん（反実仮想）で比較する

Aさんの効果：Ya

Bさんの効果：Yb

介入の効果 = Ya - Yb

AさんBさんの効果を回帰式で表す Aさん： Ya = β0 + β1 Xa + β2 Ca + Ua Bさん： Yb = β0 + β1 Xb + β2 Cb + Ub C: 外的条件この時、 Ca = Cb　となるBさんを探すのがベスト

→ 外的条件が同じようなBさんを探す = 政策の効果だけの差を知ることができる（外的条件Cを共変量Xとして複数定めることも可能）

Bさん（外的条件が近い人）の探し方

1.完全マッチング：Cが全く同じ人 2.最近傍マッチング：Cが近い人 3.半径マッチング：ある程度の距離にいるグループの平均値をとる 4.カーネルマッチング：各個人に重みをつけて加重平均 → どれがいいのかは意見が分かれる頑健性分析（いろいろやってよかったやつを使う）をする

なかなか同じ外的条件を持っている人は少ない

対処法

様々な要因から施策を受ける確率が同じグループで

施策を受ける人　vs 　受けない人　で比較する

施策を受けた人を1とするダミー変数を作成する

施策を受ける確率を求める回帰式は

ダミー変数(受けた人：1)= β0 + β1 X1 + β2 X2 + U

→回帰分析の結果からβが求められる

その結果を用いて

施策を受ける確率（傾向スコア） = β0 + β1 X1 + β2 X2 + U

を求める

傾向スコアが同じ人で

政策の効果 = X(受けた人) - X(受けていない人)