广义精确匹配(CEM)原理与Stata实操：从匹配方法到因果推断

1. 从“精确”到“广义精确”：CEM匹配方法的缘起与核心思想

在实证研究，尤其是政策评估、经济学和医学领域，我们常常面临一个经典难题：如何评估一项干预（比如新药、一项培训计划、一个政策）的真实效果？理想情况下，我们会希望有一组完全相同的个体，一部分接受干预（处理组），另一部分不接受（控制组），然后比较他们的结果差异。但这在现实中不可能，因为每个个体都是独特的。于是，我们退而求其次，寻找“尽可能相似”的个体进行配对比较，这就是匹配方法（Matching）的用武之地。

传统的精确匹配（Exact Matching）要求处理组和控制组的个体在所有协变量（比如年龄、性别、教育程度、收入等）上都完全一致。这听起来很严谨，但实际操作起来几乎寸步难行。只要协变量稍微多一点，或者存在连续变量（如收入），找到完全匹配的“双胞胎”就变得异常困难，最终会导致大量样本因无法匹配而被丢弃，样本损失惨重，估计结果的效率和外推性都大打折扣。

那么，有没有一种方法，既能保持匹配的严谨性，又能更灵活、更高效地利用数据呢？这就是广义精确匹配（Coarsened Exact Matching, CEM）登场的原因。我第一次接触CEM是在处理一个城市公共服务政策评估项目时，手头的数据维度多，连续变量也多，用传统的倾向得分匹配（PSM）总觉得对平衡性的控制不够“踏实”，而且对模型设定比较敏感。直到用了CEM，那种对数据分布“硬性”修剪的感觉，让我对匹配后的样本质量有了更强的信心。

CEM的核心思想非常巧妙，它用一个“先粗化，后精确”的两步法，优雅地解决了传统精确匹配的困境：

1. 粗化（Coarsening）：我们不再强求连续变量（如年龄35岁和36岁）必须完全相等。相反，我们根据研究问题的背景知识和数据分布，人为地将连续变量划分为有意义的区间（或称“箱”，Bins）。例如，将年龄粗化为“18-30岁”、“31-45岁”、“46-60岁”、“60岁以上”几个区间。对于分类变量，我们也可以进行合并（例如，将“硕士”、“博士”合并为“研究生及以上”）。这个过程，实质上是在降低匹配的维度精度，以换取更大的匹配可能性。
2. 精确匹配（Exact Matching）：在所有的协变量都被粗化之后，我们在这个“粗化”后的数据空间里进行精确匹配。也就是说，处理组和控制组的个体，只要他们落在所有粗化后协变量的同一个“组合箱”里，就被认为是可匹配的。例如，一个处理组个体是“31-45岁”、“男性”、“本科”，那么所有控制组中同样是“31-45岁”、“男性”、“本科”的个体，都进入匹配池。

通过这种方式，CEM实现了“广义”上的精确。它不像PSM那样依赖一个估计的倾向得分函数，从而避免了因模型误设带来的偏差。CEM是一种非参数、单调不平衡性减少的方法。所谓“单调减少”，指的是经过CEM匹配后，样本在各维度上的不平衡性（比如处理组和控制组在年龄分布上的差异）绝对不会比匹配前更差，这为结果的稳健性提供了一个很强的保障。

简单来说，CEM就像先用一个筛孔大小合适的筛子（粗化标准）把数据过一遍，把明显不属于一个“层级”的样本筛掉，然后在剩下的、属于同一层级的样本里进行精确配对。这种方法特别适合在你有较强的先验知识，知道哪些协变量重要以及如何划分它们时使用，它能给出非常透明和可解释的匹配样本。

2. CEM实操全流程：从理论到Stata实现

理解了CEM的思想，我们来看看如何一步步实现它。我将结合Stata软件（这也是相关热搜词中高频出现的工具）的操作，手把手带你走完从数据准备到结果评估的全过程。假设我们正在评估一项职业培训项目对个人收入的影响，我们的数据包含是否参与培训（treated， 处理变量）、年收入（income， 结果变量），以及年龄（age）、教育年限（edu）、性别（female）等协变量。

2.1 第一步：关键前提——协变量的选择与粗化

在按下任何软件命令之前，最重要的一步是运用你的学科知识。CEM的效能高度依赖于研究者对“如何粗化”的判断。

• 协变量选择：这与其他匹配方法无异。你需要根据经济理论、前人研究或常识，选择那些同时影响个体是否进入处理组（是否参加培训）和结果变量（收入）的变量。遗漏关键变量会导致严重的混淆偏差。在我们的例子中，年龄、教育、性别都是经典的控制变量。
• 粗化策略：这是CEM的灵魂。你需要为每个待匹配的协变量制定粗化方案。
  • 连续变量（如age,edu）：不要盲目使用软件默认的分位数分组。思考有现实意义的断点。例如，年龄可以按生命周期阶段划分：[18, 25), [25, 35), [35, 45), [45, 60), [60, .)。教育年限可以按学历层次近似划分：[0, 6)（小学及以下）, [6, 9)（初中）, [9, 12)（高中）, [12, 16)（大学）, [16, .)（研究生）。你也可以使用样本分位数（如四分位），但必须有解释力。
  • 分类变量（如female）：本身就是粗化的，通常无需再处理。但对于多分类变量（如地区、行业），如果类别太多导致匹配困难，可以考虑合并相似类别。

注意：粗化是一把双刃剑。箱体划分得太细，趋近于传统精确匹配，可能丢样本；划分得太粗，虽然保留了更多样本，但可能会在箱体内残留较大的不平衡，影响估计精度。没有绝对的金标准，需要在样本量和匹配质量间做权衡。我的经验是，首先基于理论划分，然后通过敏感性测试（尝试不同的粗化方案）来观察匹配后样本量和平衡性的变化，选择一个稳健的方案。

2.2 第二步：Stata中的CEM匹配执行

在Stata中，我们需要先安装CEM模块。在命令窗口输入：

ssc install cem

安装完成后，假设我们的数据已经加载，变量名为treated(0/1),income,age,edu,female(0/1)。

接下来，进行匹配。我们使用cem命令，并指定粗化方案。这里演示两种常用方式：

方式一：自动粗化（谨慎使用）

cem age edu female, treatment(treated)

这条命令会让Stata自动为连续变量age和edu寻找一个粗化方案。虽然方便，但自动生成的断点可能缺乏实际意义，我一般不建议直接使用，仅作为初步探索。

方式二：手动指定粗化方案（推荐）这是体现研究者水平的地方。我们需要用cutpoints()选项为每个连续变量指定断点向量。

cem age (18 25 35 45 60) edu (0 6 9 12 16) female, treatment(treated)

这条命令的含义是：

• 将age粗化为5个区间：(-∞, 18), [18, 25), [25, 35), [35, 45), [45, 60), [60, +∞)。注意，Stata中区间是左闭右开的。
• 将edu粗化为5个区间。
• female是二分类变量，自动处理。
• treatment(treated)指定处理变量。

命令执行后，Stata会输出一个详细的汇总表格，其中几个关键信息需要你紧盯：

• Matched列：显示匹配后，处理组和控制组在各“组合箱”中成功匹配的单元数。所有Matched为0的行，意味着该类型的个体在另一组中完全找不到对应对象，这些样本将在后续分析中被自动剔除。
• Multivariate L1 imbalance：这是CEM提出的一个多维不平衡度量指标，L1值介于0到1之间。0表示处理组和控制组的分布完全一致，1表示完全不相交。匹配后这个值应该显著小于匹配前。这是衡量CEM匹配整体效果的核心指标。
• 样本量变化：表格最后会显示原始和匹配后的样本量。你会看到处理组和控制组都有样本被剔除。

2.3 第三步：匹配后分析——ATT估计与平衡性检验

CEM匹配完成后，我们得到了一个筛选后的样本（那些落在至少有一个匹配对象的“组合箱”里的个体）。但cem命令本身并不直接给出处理效应估计。我们需要用这个匹配后的样本进行后续回归或比较。

2.3.1 方法一：使用CEM权重进行加权回归（最常用、最灵活）

cem命令会生成一个名为cem_weights的权重变量。匹配成功的样本权重为1，未匹配的样本权重为0（实际上已被剔除）。对于匹配成功的控制组样本，如果在一个“组合箱”内有多个个体匹配到一个处理组个体，他们的权重会被调整（小于1），以保证处理组和控制组在粗化后的协变量空间分布一致。

我们可以用这个权重进行加权最小二乘回归（WLS）来估计平均处理效应（ATT）：

reg income i.treated [iweight=cem_weights], robust

• i.treated表示将treated作为因子变量。
• [iweight=cem_weights]使用CEM生成的权重。
• robust选项使用稳健标准误，通常更可靠。 回归系数中1.treated的系数，就是在控制了（通过匹配平衡掉的）协变量后，培训项目对收入的**平均处理效应（ATT）**估计值。

2.3.2 方法二：直接在匹配样本上进行差分或回归

我们可以先筛选出匹配的样本，然后进行简单比较或回归：

gen matched_sample = (cem_matched == 1) // cem_matched是cem命令生成的匹配标识变量 reg income i.treated if matched_sample == 1, robust

这种方法等价于给匹配样本赋权1，未匹配样本赋权0。与方法一在结果上通常一致。

2.3.3 平衡性检验——匹配效果的“体检报告”

匹配做得好不好，不能自己说了算，必须用数据检验。CEM虽然理论上保证了单调不平衡减少，但我们仍需直观地检查每个变量在匹配后的平衡性是否改善。

• 标准化均值差（Standardized Mean Difference, SMD）：这是最常用的平衡性诊断指标。对于每个协变量，计算处理组均值与控制组均值之差，再除以匹配前的混合标准差。通常认为SMD绝对值小于0.1（或更严格的0.05）时，组间差异可以忽略。

  // 安装外部命令进行更漂亮的平衡性检验 ssc install balancetable balancetable treated age edu female using balance.csv, replace vce(robust) // 匹配前 balancetable treated age edu female [iweight=cem_weights] using balance_matched.csv, replace vce(robust) // 匹配后

  对比匹配前后表格中每个变量的SMD，你应该能看到匹配后的SMD大幅缩小，尤其是那些你用于匹配的变量。
• 可视化检验：绘制匹配前后关键变量的密度函数图或箱线图，直观感受分布是否接近。

  twoway (kdensity age if treated==1) (kdensity age if treated==0), legend(label(1 "处理组") label(2 "控制组")) title("匹配前年龄分布") twoway (kdensity age if treated==1 [iweight=cem_weights]) (kdensity age if treated==0 [iweight=cem_weights]), legend(label(1 "处理组") label(2 "控制组")) title("匹配后年龄分布")

  匹配后的两条密度曲线应该几乎重合。

3. 优势、局限与实战避坑指南

没有一种方法是银弹，CEM也不例外。经过多个项目的实战，我总结出它的优缺点和几个必须绕开的“坑”。

3.1 CEM的显著优势

1. 对模型设定不敏感：这是相对于PSM的最大优点。PSM的结果依赖于逻辑回归（或类似模型）的正确设定。如果混淆变量与处理变量之间的关系建模错误，倾向得分估计就不准，匹配也就失败了。CEM完全绕开了这一步，只要你的粗化方案合理，结果就相对稳健。
2. 单调减少不平衡性：这是一个非常强的理论保障。匹配后的样本，其协变量分布绝对不会比匹配前更不平衡。这让你对匹配质量有底。
3. 计算效率高，结果透明：CEM的算法简单直接，就是分类和计数，计算速度很快。匹配过程也非常透明——哪些样本被剔除了，为什么被剔除（因为属于没有匹配对象的“组合箱”），一目了然。
4. 先匹配，后分析：它明确地将“选择可比样本”和“效应估计”两个步骤分离开。这符合研究设计的直觉，也方便你在匹配后的样本上尝试多种估计模型（如回归、双重差分等）。

3.2 CEM的主要局限与应对

1. “维度诅咒”与样本损失：尽管比精确匹配好，但当协变量很多，且粗化较细时，形成的“组合箱”数量会指数级增长（k1 * k2 * k3 * ...）。这仍然可能导致很多“组合箱”内只有处理组或只有控制组个体，造成样本损失。应对策略：优先粗化最关键的变量；对于次要变量，可以适当放宽粗化标准；考虑使用多重集匹配（Multivariate Matching with CEM）的一些变体，或者将CEM作为第一步筛选，再结合其他方法。
2. 粗化标准的主观性：如何划分区间？这依赖于研究者的判断。不同的粗化方案可能得到不同的匹配样本和估计结果。应对策略：必须进行敏感性分析！报告你基准的粗化方案，然后尝试2-3种不同的、有道理的划分方式（例如，用更细或更粗的分位数），观察ATT估计值是否发生实质性变化。如果结果稳健，则结论更可信。
3. 不直接处理匹配中的“一对多”问题：在同一个“组合箱”内，可能有1个处理组个体对应多个控制组个体。CEM通过赋权（方法一）或简单纳入（方法二）来处理，但这没有进一步优化匹配距离。应对策略：可以在CEM匹配后的样本基础上，再进行一次倾向得分加权或马氏距离匹配，进行“精修”。这就是所谓的“混合匹配”策略，能结合两种方法的优点。
4. 对数据缺失敏感：CEM要求匹配变量不能有缺失值，否则该观测会被整个排除在匹配过程之外。应对策略：在匹配前，妥善处理缺失数据（如多重插补）。

3.3 实战中的高频“坑”与解决方案

• 坑1：忽略“共同支撑”假设的检查。CEM虽然自动剔除了不重叠的部分，但你仍需审视被剔除的样本特征。如果被剔除的处理组样本具有某种极端特征（如年龄极大、收入极高），那么你的ATT估计结果可能只适用于有共同支撑的那部分群体，外推性受限。解决方案：匹配后，描述性统计一下被cem_matched标记为0的样本特征，并在报告中讨论结果的适用范围。
• 坑2：粗化方案随意，缺乏理由。直接使用软件默认或等距分组，然后不报告敏感性测试。这是审稿人最容易攻击的点。解决方案：在论文的方法部分，必须详细说明每个连续变量粗化的依据（基于理论、文献或数据分布），并在附录中展示敏感性分析结果。
• 坑3：匹配后直接做t检验，忽略方差估计问题。匹配后的样本不再是独立同分布的随机样本，个体之间可能存在相关性（因为权重调整或来自同一个“箱”）。直接使用传统的t检验会低估标准误，导致置信区间过窄。解决方案：如上文所示，在回归中一定要使用稳健标准误（robust）或聚类标准误（如果数据结构有聚类特征，如来自同一家庭、同一学校）。
• 坑4：误用CEM权重。cem_weights是频率权重，在Stata中应使用[iweight]，而不是[pweight]或[fweight]。用错权重会导致估计错误。解决方案：明确理解iweight在回归中的含义是用于加权最小二乘，它会影响标准误的计算方式（需配合robust选项）。

4. 进阶应用：CEM与其他方法的结合与扩展

当你熟练掌握了基础CEM后，可以尝试以下进阶玩法，以应对更复杂的研究场景。

4.1 CEM与加权回归模型的结合

如前所述，最标准的流程就是CEM匹配后，使用cem_weights进行加权回归。但你并不局限于线性回归。对于二值结果（如是否就业），可以使用加权Logit模型：

logit employed i.treated [iweight=cem_weights], robust or

对于生存分析数据，也可以使用加权的Cox比例风险模型。这种“匹配+模型”的框架，既通过匹配减少了混淆偏差，又通过回归模型进一步控制了匹配后残存的不平衡（特别是当粗化较粗时），并可以方便地引入匹配未使用的协变量进行调整，通常能获得更精确的估计。

4.2 多值处理与连续处理的CEM

标准的CEM处理的是二值处理变量（0/1）。但现实中处理可能是多值的（如接受培训类型A、类型B、或不接受），甚至是连续的（如培训时长）。CEM也可以扩展应用到这些场景。

• 多值处理：思路是将多值处理转化为多个二值处理对比。例如，有A、B、C三组，你可以分别进行三次CEM匹配：A vs (B+C)， B vs (A+C)， C vs (A+B)。或者进行两两比较：A vs B, A vs C, B vs C。每次匹配时，将非比较组的样本暂时排除。
• 连续处理：这是CEM的一个前沿扩展。核心思想是将连续处理变量也进行“粗化”，划分为若干区间。然后，在粗化后的处理变量区间和协变量共同定义的“多维箱”中进行匹配。这需要更复杂的设定和解释，Stata的cem命令原生不支持，可能需要手动编程或使用R的cem包。

4.3 使用CEM进行“亚组分析”或“异质性处理效应”探索

热搜词中出现了“stata如何做亚组分析”。CEM其实为亚组分析提供了一个非常干净的思路。传统的亚组分析是在全样本回归中加入交互项，但这可能受到混淆变量分布不均的影响。

一种更稳健的做法是：对不同亚组分别进行CEM匹配和效应估计。例如，你想研究培训项目对男性和女性的效应是否不同。

1. 将样本按性别（female）分成两个子样本。
2. 在男性子样本中，对treated和其他协变量进行CEM匹配，估计男性群体的ATT。
3. 在女性子样本中，重复步骤2。
4. 比较两个亚组估计的ATT及其置信区间，判断差异是否统计显著。

这种方法保证了在每个亚组内部，处理组和控制组都是可比。比在全样本中跑一个包含交互项的回归，往往更令人信服。

4.4 匹配质量的数量化评估：L1统计量与可视化

除了看SMD和图表，我们还需要一个整体性的度量。CEM提供的多元L1不平衡统计量就是这个全局指标。它的计算基于所有匹配变量的联合分布。你可以通过以下命令获取更详细的信息：

cem age edu female, treatment(treated) L1

L1选项会输出匹配前后的L1值。你应该看到匹配后的L1值显著下降。如果下降不明显，说明你的粗化方案可能太粗，或者某些重要变量没有纳入匹配。

可视化方面，可以尝试绘制匹配前后处理组与控制组在各“组合箱”中样本分布的“镜像图”。虽然Stata没有内置命令，但可以通过交叉表和数据整理，用graph bar命令近似实现，直观展示哪些类型的个体被成功匹配，哪些类型的个体因缺乏对应对象而被舍弃。

5. 总结回顾与核心要点提炼

走完了CEM从理论到实战的全过程，最后我们来梳理一下最关键的行动要点和思维框架。掌握这些，你就能在大多数实证研究中自信地运用CEM了。

首先，在方法选择上，问自己两个问题：

1. 我的核心混淆变量是否易于定义和测量？如果是，且你有较强的先验知识知道如何对它们进行有意义的分类，那么CEM是一个非常好的起点。
2. 我是否对倾向得分模型的设定心存疑虑？如果担心逻辑回归模型可能误设，那么CEM的模型无关特性就是一大优势。

其次，在操作流程上，牢记以下步骤清单：

1. 理论准备：基于文献确定核心协变量集。
2. 数据预处理：处理缺失值，检查异常值。
3. 制定粗化方案（最关键一步）：为每个连续变量制定有理论或现实意义的区间划分。记录下所有划分依据。
4. 执行CEM匹配：在Stata中使用cem命令，指定处理变量和粗化方案。仔细阅读输出，关注匹配样本量、L1统计量。
5. 诊断平衡性：计算并对比匹配前后各变量的标准化均值差（SMD），绘制密度图。确保匹配后平衡性显著改善（SMD<0.1）。
6. 估计处理效应：使用CEM生成的权重（cem_weights）进行加权回归（reg ... [iweight=cem_weights], robust），得到ATT估计。
7. 进行敏感性分析：尝试2-3种不同的、合理的粗化方案，观察ATT估计值是否稳定。将结果报告在附录中。
8. 报告与解释：在论文中详细说明粗化标准、匹配后样本损失情况、平衡性诊断结果，并谨慎解释ATT的适用范围（基于共同支撑区域）。

最后，关于CEM的定位，我的个人体会是：它不是一个要取代PSM或其他匹配方法的“终极武器”，而是一个极其有价值的“补充武器”和“基准检验工具”。它的透明性和对模型假设的低依赖，使其成为评估因果推断结果稳健性的利器。我现在的习惯是，对于重要的分析，同时用PSM和CEM做一遍。如果两种方法从不同原理出发，却得到了相似的结论，那么这个结论的稳健性就大大增强了。如果结果差异很大，那就需要深入挖掘原因：是PSM模型设定有问题？还是CEM的粗化方案不合理？抑或是数据本身存在难以克服的选择偏差？这个过程本身，就是深化你对研究问题和数据理解的过程。

CEM把匹配这个“黑箱”打开了一扇窗，让你能更清楚地看到样本是如何被筛选和比较的。这种控制感和透明度，正是严谨的实证研究中最宝贵的东西。希望这篇超详细的指南，能帮你把这扇窗开得更大，看得更清。