5.1 Algorithm of Propensity Score M

5.1 Algorithm of Propensity Score Matching
However, the large dimensionality of our vector X makes this strategy infeasible as there
are no individual firms that are exactly alike in all five financial constraint variables and
Tobin's q analyzed above. The first step of the propensity score matching algorithm is
therefore to reduce the dimensionality to a single dimension. This is done parametrically by
estimating a parsimonious logit model



yielding the propensity score p, which is the probability of an individual firm being in
sector T=1, as compared to T=0, and the function f(Xi) comprising the set of covariates in
linear and higher-order form to obtain a parsimonious specification of the logit model.
In order to ensure that firms in different sectors with a similar propensity score are really
comparable with respect to their covariates, it is then tested whether their means of the
covariates are the same (a necessary condition for the “balancing property” to hold). In
order to do this, the firms are grouped into strata, depending on their propensity score,
where we define strata of 2.5%, i.e. 0.000-0.025, 0.025-0.050,…, 0.975-1.000, and we then
conduct the tests for each stratum. Around 90% of the tests of equality of means are
accepted.
After the calculation of the propensity scores, the third step requires now the "matching" of
the different observations. The idea is that to obtain the true treatment effect
2, we need to
compare individuals that have the same propensity scores, and differ only in their sector
affiliation. The matching algorithm finds for each individual those other individuals that are
identical, or at least very similar, but belong to a different sector T. For this purpose, we
chose the "radius method" in which each individual i is matched with all those individuals j
of one other sector whose propensity score lies within a radius or tolerance level
from the
individual's own propensity score p:

Kết quả (Việt) 1:

5.1 các thuật toán của xu hướng phù hợp với điểm sốTuy nhiên, chiều X véc tơ của chúng tôi, lớn làm cho chiến lược này infeasible là cókhông có công ty cá nhân là chính xác như nhau trong tất cả năm tài chính hạn chế biến vàQ của Tobin phân tích ở trên. Bước đầu tiên của thuật toán phù hợp với xu hướng được điểmdo đó làm giảm chiều đến một kích thước duy nhất. Điều này thực hiện parametricallyước lượng một mô hình parsimonious hàm lôgityielding xu hướng được điểm p là xác suất của một công ty riêng lẻ tronglĩnh vực T = 1, so với T = 0, và f(Xi) chức năng bao gồm các thiết lập của covariates tronghình thức tuyến tính và đơn đặt hàng cao hơn để có được một đặc điểm kỹ thuật parsimonious của mẫu hàm lôgit.Để đảm bảo rằng công ty trong các lĩnh vực khác nhau với một xu hướng tương tự như điểm đang thực sựso sánh đối với covariates của họ, nó sau đó thử nghiệm cho dù các phương tiện của cáccovariates là như nhau (một điều kiện cần thiết để "cân bằng hữu" để giữ). Ởđể làm điều này, các công ty được nhóm vào tầng lớp, tùy thuộc vào điểm xu hướngnơi mà chúng tôi xác định địa tầng của 2,5%, tức là 0,000-0.025, 0.025-0,050,..., 0.975-1,000 và chúng tôi rồitiến hành các xét nghiệm cho mỗi tầng. Khoảng 90% của các xét nghiệm của bình đẳng của phương tiện làchấp nhận.Sau khi tính điểm số xu hướng, bước thứ ba yêu cầu bây giờ là "phù hợp" củaCác quan sát khác nhau. Ý tưởng là để có được hiệu quả điều trị đúng 2, chúng ta cần phảiHãy so sánh các cá nhân có điểm số xu hướng tương tự, và khác nhau chỉ trong lĩnh vực của họliên kết. Các thuật toán kết hợp tìm thấy cho mỗi cá nhân với những cá nhân khác cógiống hệt nhau, hoặc ít nhất là rất tương tự, nhưng thuộc về một lĩnh vực khác nhau T. Cho mục đích này, chúng tôichọn "phương pháp bán kính" mà trong đó mỗi cá nhân, tôi là phù hợp với tất cả j cá nhânmột lĩnh vực khác có xu hướng điểm nằm trong bán kính hoặc khoan dung là một cấp từ cáccá nhân của xu hướng riêng điểm p:

Kết quả (Việt) 2:

5.1 Thuật toán nối điểm xu
Tuy nhiên, số chiều lớn của vector X của chúng tôi làm cho chiến lược này không khả thi vì có
không có công ty riêng lẻ mà là hoàn toàn giống nhau trong tất cả các năm biến chế tài chính và
q Tobin đã phân tích ở trên. Bước đầu tiên của thuật toán phù hợp với số xu hướng là
vì thế giảm chiều tới một chiều duy nhất. Điều này được thực hiện parametrically bởi
ước lượng một mô hình logit tiêu dùng tiết kiệm



năng suất p điểm xu hướng, mà là xác suất của một công ty cá nhân là trong
lĩnh vực T = 1 khi so sánh với T = 0, và hàm f (Xi) bao gồm các bộ biến số trong
tuyến tính và hình thức đặt hàng cao hơn để có được một đặc điểm kỹ thuật tiêu dùng tiết kiệm của mô hình logit.
để đảm bảo rằng các công ty trong các lĩnh vực khác nhau với một số xu hướng tương tự đang thực sự
so sánh đối với biến số của họ với, đó là sau đó thử nghiệm cho dù phương tiện của các
biến số là như nhau (một điều kiện cần thiết cho sự "cân bằng tài sản" để giữ). Trong
Để làm điều này, các công ty được nhóm lại thành các tầng, tùy thuộc vào số điểm xu hướng của họ,
nơi mà chúng ta định nghĩa tầng lớp nhân dân là 2,5%, tức là 0,000-0,025, 0,025-0,050, ..., 0,975-1,000, và sau đó chúng tôi
tiến hành kiểm tra đối với từng tầng. Khoảng 90% các bài kiểm tra về sự bình đẳng của các phương tiện được
chấp nhận.
Sau khi tính toán các điểm xu hướng, bước thứ ba bây giờ đòi hỏi "sự phù hợp" của
các quan sát khác nhau. Ý tưởng là để có được hiệu quả điều trị có đúng không? 2, chúng ta cần phải
so sánh các cá nhân có điểm xu hướng giống nhau, và chỉ khác nhau trong lĩnh vực của họ
liên kết. Các thuật toán phù hợp cho mỗi cá nhân tìm thấy những cá nhân khác mà là
giống hệt nhau, hoặc ít nhất là rất giống nhau, nhưng thuộc về một T. ngành khác nhau Đối với mục đích này, chúng tôi
đã chọn "phương pháp bán kính" trong đó mỗi cá nhân tôi là phù hợp với tất cả những cá nhân j
của một ngành khác có điểm xu hướng nằm trong bán kính hoặc khoan dung độ? từ
riêng số xu hướng trang cá nhân: