Ghép cặp điểm xu hướng PSM là gì? Cách đọc và áp dụng

Mô hình ghép cặp điểm xu hướng PSM là gì

Bạn dùng PSM khi muốn so sánh một kết quả giữa nhóm có nhận can thiệp và nhóm không nhận can thiệp, nhưng dữ liệu được thu thập từ quan sát thực tế chứ không phải thí nghiệm ngẫu nhiên. Ví dụ, bạn muốn biết doanh nghiệp tham gia một chương trình hỗ trợ có doanh thu cao hơn doanh nghiệp không tham gia hay không. Hai nhóm này có thể khác nhau ngay từ đầu về quy mô, tuổi doanh nghiệp, ngành nghề hoặc năng lực quản trị.

Ghép cặp điểm xu hướng, thường gọi là Propensity Score Matching hoặc PSM, xử lý vấn đề đó bằng cách ước tính xác suất mỗi đơn vị thuộc nhóm xử lý dựa trên các biến quan sát được. Xác suất này gọi là propensity score. Sau đó, mỗi đơn vị trong nhóm xử lý được ghép với một hoặc nhiều đơn vị trong nhóm đối chứng có điểm xu hướng gần nhất.

PSM không làm cho dữ liệu trở thành thí nghiệm ngẫu nhiên. Nó chỉ giúp tạo ra một nhóm đối chứng có đặc điểm quan sát được gần hơn với nhóm xử lý. Nếu có yếu tố quan trọng nhưng không đo lường được, kết quả vẫn có thể bị sai lệch. Vì vậy, PSM là một thiết kế phân tích cần giải thích rõ, không phải một nút bấm để biến mọi dữ liệu quan sát thành dữ liệu nhân quả.

Thuật ngữ này thuộc nhóm phương pháp đánh giá tác động và kinh tế lượng ứng dụng. Nếu đề tài của bạn dùng dữ liệu bảng, hãy phân biệt PSM với FEM và REM trong dữ liệu bảng. Nếu bạn đang làm mô hình dự báo chuỗi thời gian, ARIMA là gì sẽ là hướng khác, không thay thế cho PSM.

Các thành phần trong mô hình

Một phân tích PSM thường có bốn thành phần. Bạn nên viết rõ từng thành phần trong chương phương pháp trước khi chạy lệnh, vì chỉ cần xác định sai biến xử lý hoặc biến kết quả thì toàn bộ phần ghép cặp phía sau sẽ không còn ý nghĩa.

Biến xử lý nên được xác định trước khi xem kết quả. Nếu bạn chọn biến xử lý dựa trên tương quan với biến kết quả sau khi chạy thử nhiều mô hình, nguy cơ giải thích ngược dữ liệu sẽ tăng. Biến kết quả cũng cần tách khỏi các biến dùng để tạo propensity score. Chẳng hạn, nếu kết quả là thu nhập sau đào tạo, bạn có thể dùng thu nhập trước đào tạo làm biến đồng biến, nhưng không nên dùng chính thu nhập sau đào tạo để dự đoán việc tham gia đào tạo.

Propensity score thường được ước tính bằng mô hình logit hoặc probit. Trong cách trình bày đơn giản, bạn xây dựng mô hình cho biến xử lý, sau đó lấy xác suất dự đoán làm điểm xu hướng. Công thức khái quát có thể viết là:

P(T = 1 | X) = e(X)

Trong đó T là biến xử lý, còn X là tập biến đồng biến. Giá trị e(X) không phải tác động của chương trình. Nó chỉ là xác suất được dự đoán từ các đặc điểm ban đầu.

Mô hình gốc và các mở rộng phổ biến

Ý tưởng cốt lõi của PSM là thay việc ghép trực tiếp trên rất nhiều biến bằng việc ghép trên một điểm số tóm tắt xác suất nhận xử lý. Cách này hữu ích khi nhóm xử lý và nhóm đối chứng có nhiều khác biệt ban đầu, khiến việc so sánh trung bình đơn giản dễ dẫn đến kết luận sai.

Trong thực hành, PSM thường được triển khai theo chuỗi: xác định biến xử lý, ước tính propensity score, kiểm tra vùng chồng lấn, ghép cặp, kiểm tra lại mức cân bằng và cuối cùng ước tính chênh lệch kết quả. Phần kiểm tra cân bằng sau ghép cặp quan trọng hơn việc chỉ báo cáo rằng mô hình logit có ý nghĩa thống kê.

Có nhiều biến thể của PSM. Nearest-neighbor matching ghép mỗi đơn vị với đối tượng có điểm gần nhất. Caliper matching chỉ chấp nhận cặp nằm trong một khoảng cách cho phép. Radius matching ghép với các đối tượng nằm trong một bán kính xác định. Kernel matching dùng nhiều quan sát đối chứng và gán trọng số theo khoảng cách.

Bạn cũng có thể gặp các thiết kế kết hợp PSM với hồi quy, dữ liệu bảng hoặc khác biệt trong khác biệt. Khi đề tài tập trung vào tác động của một chính sách theo thời gian, PSM có thể được dùng trước để tạo nhóm tương đồng, sau đó kết hợp với Difference-in-Differences. Đây là lý do bạn không nên gọi mọi phân tích có bước ghép cặp là một mô hình PSM hoàn chỉnh.

Nếu đề tài thuộc nhóm hiệu quả kỹ thuật hoặc năng suất, bạn có thể đọc thêm DEA là gì. Nếu nghiên cứu quan hệ dài hạn giữa các biến kinh tế, ARDL là gì phù hợp với câu hỏi khác. PSM trả lời câu hỏi về sự khác biệt giữa nhóm xử lý và nhóm đối chứng sau khi cố gắng làm cho các đặc điểm quan sát được trở nên tương đồng.

Thang đo thường dùng cho từng khái niệm

PSM không dùng thang đo Likert theo cách của Cronbach's Alpha hoặc EFA. Đơn vị phân tích thường là một dòng dữ liệu, còn các biến đồng biến là đặc điểm đầu vào để dự đoán khả năng nhận xử lý. Vì vậy, bảng dưới đây là bản đồ biến cần chuẩn bị, không phải bộ câu hỏi có thể bê nguyên vào bảng hỏi.

Nếu biến đồng biến được đo bằng nhiều biến quan sát Likert, bạn có thể cần kiểm tra độ tin cậy thang đo trước khi tạo một chỉ số tổng hợp. Cronbach's Alpha từ 0.7 trở lên thường được xem là chấp nhận được (Nunnally, 1978), còn corrected item-total correlation từ 0.3 trở lên được dùng như một mốc kiểm tra (Nunnally và Bernstein, 1994). Tuy nhiên, PSM không yêu cầu bạn phải biến mọi đặc điểm thành một thang đo tổng hợp. Một biến tuổi hoặc số lao động có thể đưa trực tiếp vào mô hình.

Phần này khác với các bài về định giá ngẫu nhiên. Nếu bạn đang ước tính mức sẵn lòng chi trả, hãy xem định giá ngẫu nhiên CVM là gì. CVM cần thiết kế tình huống và biến trả lời riêng, còn PSM cần một biến xử lý và các đặc điểm trước can thiệp.

Áp dụng vào đề tài của bạn

Hãy bắt đầu bằng một câu hỏi có cấu trúc rõ: “Việc tham gia chương trình X có làm thay đổi kết quả Y của nhóm đối tượng Z hay không?”. Từ đó, đặt biến xử lý là việc tham gia X, biến kết quả là Y, và danh sách biến đồng biến là các yếu tố có thể ảnh hưởng cả đến khả năng tham gia lẫn Y.

Ví dụ, đề tài xem xét tác động của đào tạo quản trị đến doanh thu doanh nghiệp. Biến xử lý training nhận giá trị 1 nếu doanh nghiệp tham gia đào tạo và 0 nếu không. Biến kết quả là revenue_after. Các biến đồng biến có thể gồm revenue_before, số lao động, tuổi doanh nghiệp, ngành, khu vực và trình độ của người quản lý.

Bạn cần kiểm tra vùng hỗ trợ chung trước khi ghép. Nếu mọi doanh nghiệp tham gia đều có điểm xu hướng rất cao, còn nhóm không tham gia đều có điểm rất thấp, hai nhóm thiếu vùng chồng lấn. Khi đó, thuật toán có thể vẫn tạo ra cặp, nhưng cặp ấy không đại diện cho một đối chứng thực sự tương đồng.

Sau khi ghép, hãy so sánh lại phân bố các biến đồng biến giữa hai nhóm. Một mô hình được xem là có phần chuẩn bị tốt hơn khi chênh lệch trước ghép giảm sau ghép, đồng thời số quan sát bị loại và quy tắc ghép được báo cáo minh bạch. Đừng chỉ nhìn vào p-value của mô hình logit. Mục tiêu của bước đầu là dự đoán phân nhóm, còn mục tiêu của bước sau là tạo cân bằng giữa hai nhóm.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo dạng thường gặp trong phần mềm hoặc gói lệnh phân tích. Các con số chỉ giúp bạn nhận diện phần cần đọc.

Trong bảng này, ATT là Average Treatment Effect on the Treated, tức tác động trung bình lên các đơn vị thực sự thuộc nhóm xử lý. Con số 12.80 chỉ là ví dụ định dạng. Bạn không được viết rằng chương trình của mình làm doanh thu tăng 12.80 nếu chưa chạy trên file dữ liệu thật, kiểm tra sai số và xác định đúng đơn vị đo.

Cách viết vào luận văn

Bạn có thể điều chỉnh đoạn sau: “Nghiên cứu sử dụng Propensity Score Matching để ghép các đơn vị thuộc nhóm xử lý với các đơn vị thuộc nhóm đối chứng có đặc điểm quan sát được tương đồng. Propensity score được ước tính từ các biến [liệt kê biến đồng biến]. Sau khi thực hiện [quy tắc ghép cặp], mẫu phân tích còn [số quan sát] đơn vị. Kết quả ước tính ATT là [giá trị], với sai số chuẩn [giá trị] và mức ý nghĩa [p-value]. Do PSM chỉ kiểm soát các khác biệt đã quan sát, kết quả được diễn giải trong phạm vi các biến đồng biến có trong mô hình.”

Nếu kết quả không có ý nghĩa thống kê, hãy viết đúng điều đó. Bạn có thể nói rằng dữ liệu chưa cung cấp đủ bằng chứng về sự khác biệt của kết quả giữa hai nhóm sau ghép, thay vì kết luận chương trình hoàn toàn không có tác động.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

PSM không phải thủ tục tiêu chuẩn trong SmartPLS. SmartPLS phù hợp với PLS-SEM, nơi bạn kiểm định mô hình đo lường và mô hình cấu trúc bằng các khái niệm tiềm ẩn. PSM thường được thực hiện bằng Stata, R hoặc Python. SPSS có thể hỗ trợ chuẩn bị dữ liệu, chạy mô hình nhị phân để tạo xác suất dự đoán và kiểm tra một số thống kê, nhưng không có quy trình PSM đầy đủ thuận tiện như các phần mềm chuyên dụng.

Nếu bạn chỉ có SPSS, quy trình tối thiểu có thể là chạy Analyze > Regression > Binary Logistic, đưa biến xử lý vào Dependent, các biến đồng biến vào Covariates, rồi lưu xác suất dự đoán. Tuy nhiên, bước lưu propensity score chưa phải là ghép cặp. Bạn vẫn cần một công cụ hoặc cú pháp phù hợp để thực hiện nearest neighbor, caliper hoặc kernel matching.

Trước khi chạy, hãy kiểm tra mã hóa biến xử lý, đơn vị đo, giá trị thiếu và các quan sát trùng lặp. Tên biến nên ngắn, không có dấu cách và phải thống nhất giữa file .sav, .csv và phần mềm ghép cặp. Lưu riêng bản dữ liệu gốc, bản đã xử lý và bản kết quả sau ghép để có thể giải trình từng thay đổi.

Sau khi ước tính propensity score, vẽ hoặc xuất phân bố điểm theo hai nhóm. Kiểm tra vùng chồng lấn, số quan sát bị loại, số lượng cặp và mức cân bằng của từng biến đồng biến. Cuối cùng, ước tính chênh lệch biến kết quả trên mẫu đã ghép, dùng sai số chuẩn phù hợp với thiết kế ghép cặp và báo cáo quy tắc đã chọn.

Bạn có thể dùng SPSS cho hồi quy, Excel cho kiểm tra sơ bộ và R hoặc Stata cho phần ghép cặp. JASP thân thiện hơn với một số phân tích cơ bản nhưng không phải lựa chọn mặc định cho mọi biến thể PSM. Thuê dịch vụ chạy SPSS có thể tiết kiệm thời gian thao tác, nhưng bạn vẫn phải hiểu vì hội đồng có thể hỏi vì sao chọn biến đồng biến, vì sao loại quan sát và vì sao gọi kết quả là ATT.

Lỗi thường gặp khi dùng mô hình này

Lỗi phổ biến nhất là gọi PSM là hồi quy tác động. Hồi quy logit chỉ tạo propensity score. Phần ghép, kiểm tra cân bằng và ước tính kết quả sau ghép mới tạo thành quy trình PSM.

Lỗi thứ hai là đưa biến xảy ra sau can thiệp vào mô hình propensity score. Biến này có thể là trung gian hoặc kết quả của xử lý, nên việc đưa nó vào có thể làm sai cấu trúc so sánh. Bạn hãy lập danh sách biến theo thời điểm: trước xử lý, trong thời gian xử lý và sau xử lý.

Lỗi thứ ba là chỉ báo cáo pseudo R-squared, hệ số logit hoặc p-value. Một mô hình dự đoán nhóm xử lý tốt chưa chắc tạo ra hai nhóm cân bằng. Phần kết quả cần có thông tin trước và sau ghép, số quan sát bị loại, cách ghép và chỉ số cân bằng.

Lỗi thứ tư là ghép những đối tượng không có vùng hỗ trợ chung. Nếu một doanh nghiệp có xác suất tham gia gần 1 được ghép với doanh nghiệp có xác suất gần 0 chỉ vì thuật toán bắt buộc tìm một cặp, kết luận sẽ thiếu cơ sở. Trong trường hợp này, bạn cần xem lại mẫu, biến đồng biến và quy tắc ghép, thay vì giữ mọi cặp để có nhiều quan sát hơn.

Cuối cùng, đừng đổi phương pháp sau khi xem kết quả đẹp hơn. Nếu bạn thử nhiều tỷ lệ ghép, nhiều caliper và nhiều tập biến nhưng chỉ báo cáo cấu hình cho ATT có ý nghĩa, người đọc không thể đánh giá độ ổn định của kết quả. Hãy ghi lại các phiên bản chạy và giải thích lý do chọn cấu hình cuối cùng.

Câu hỏi thường gặp

PSM có phải là hồi quy không?

PSM có thể dùng hồi quy logit hoặc probit ở bước ước tính propensity score, nhưng toàn bộ PSM không đồng nhất với hồi quy. Sau bước dự đoán xác suất, bạn còn phải ghép cặp, kiểm tra cân bằng và ước tính chênh lệch kết quả trên mẫu phù hợp.

PSM có chạy được hoàn toàn bằng SPSS không?

SPSS có thể giúp bạn chạy Binary Logistic và lưu xác suất dự đoán. Phần ghép cặp chuyên biệt thường cần cú pháp, extension hoặc phần mềm khác như R và Stata. Nếu dùng nhiều công cụ, hãy ghi rõ phần mềm và phiên bản cho từng bước.

Cần bao nhiêu biến đồng biến cho PSM?

Không có một con số chung áp dụng cho mọi đề tài. Bạn nên chọn các biến được đo trước xử lý và có lý do lý thuyết hoặc thực tiễn cho thấy chúng liên quan đến khả năng nhận xử lý hoặc kết quả. Thêm biến chỉ để làm mô hình phức tạp hơn có thể khiến vùng chồng lấn giảm.

Sau ghép cặp, số quan sát giảm có đáng lo không?

Số quan sát giảm có thể xảy ra khi một số đơn vị không có đối chứng tương đồng. Điều cần giải thích là bao nhiêu đơn vị bị loại, bị loại vì lý do gì và kết quả có thay đổi khi dùng quy tắc ghép khác hay không. Giữ lại các cặp rất khác nhau chỉ để tăng cỡ mẫu thường làm giảm độ tin cậy của so sánh.

PSM có chứng minh quan hệ nhân quả không?

PSM làm giảm sai lệch do các yếu tố đã quan sát và đưa vào mô hình. Nó không xử lý chắc chắn các yếu tố không quan sát được. Vì vậy, khi viết luận văn, bạn nên giới hạn kết luận theo thiết kế dữ liệu và nêu rõ giả định rằng sau khi kiểm soát các biến đã chọn, khác biệt còn lại giữa hai nhóm đủ nhỏ để so sánh.

Khi đã mở file dữ liệu, việc tiếp theo là lập bảng biến xử lý, biến kết quả và biến đồng biến, sau đó lưu một bản dữ liệu gốc trước khi thử ghép cặp; nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích của DoThesis hỗ trợ quy trình SPSS và SmartPLS theo kết quả thật.