However, due to the non-random sele

However, due to the non-random selection of participants into BVIS, it becomes unrealistic to take
the difference between the observed outcomes (agricultural income) of participants and nonparticipants
as a measure of impact of BVIS. This is because there could be systematic differences in
the observed and unobserved characteristics of participants and non-participants. Failure to control
for these systematic differences between the two groups may yield biased impact estimates since their
characteristics are not homogeneous.
The missing data problem is solved by establishing counterfactual outcomes for participants based
on observed covariates of non-participants expressed as E(y0i | X, j = 0). Similarly, a treated outcome
was developed for participants based on observed covariates expressed as E(yi1 | X, j = 1). However,
estimation of E(Y) conditional on observed covariates leads to a dimensionality problem (Heinrich et al.,
2010). In other words, as the number of covariates increases, it becomes cumbersome to identify the
observations which are similar (in observed characteristics) to each other between participants and
non-participants. A solution to this is to use the conditional probabilities commonly referred to as propensity
scores (Rosenbaum and Rubin, 1983). Therefore, income differential estimated from equations
(2a) and (2b) based on propensity scores is as follows:

ผลลัพธ์ (ไทย) 1:

อย่างไรก็ตาม เนื่องจากการเลือกแบบไม่สุ่มคนเข้า BVIS มันกลายเป็นไม่สมจริงที่จะความแตกต่างระหว่างผลที่ได้ (รายได้เกษตร) ของผู้ร่วมสังเกตและ nonparticipantsเพื่อวัดผลกระทบของ BVIS ทั้งนี้เนื่องจากอาจมีความแตกต่างอย่างเป็นระบบลักษณะที่สังเกตได้ และ unobserved ของผู้เข้าร่วมและไม่เข้าร่วม ล้มเหลวในการควบคุมสำหรับความแตกต่างเหล่านี้อย่างเป็นระบบระหว่างสองกลุ่มอาจให้ ประเมินผลกระทบที่ลำเอียงตั้งแต่ตนลักษณะไม่เหมือนกันปัญหาข้อมูลหายไปจะแก้ไขได้ โดยการสร้างผล counterfactual คะแนนผู้เข้าร่วมบน covariates สังเกตไม่ใช่คนแสดงเป็น E(y0i | X, j = 0) ในทำนองเดียวกัน ผลการรักษาพัฒนาขึ้นสำหรับผู้เข้าร่วมตามสังเกต covariates แสดงเป็น E(yi1 | X, j = 1) อย่างไรก็ตามการประเมินของ E(Y) ใน covariates สังเกตที่นำไปสู่ปัญหามิติ (ไฮน์ et al.,2010) . ในคำอื่น ๆ เป็นจำนวนเพิ่มขึ้น covariates มันกลายเป็นยุ่งยากในการระบุการข้อสังเกตคือ (ในลักษณะที่สังเกตได้) กันระหว่างผู้เรียน และผู้เรียนไม่ การแก้ไขปัญหานี้คือการ ใช้น่าจะมีเงื่อนไขที่เรียกว่านิสัยชอบคะแนน (Rosenbaum และ Rubin, 1983) ดังนั้น ส่วนต่างรายได้ประมาณการจากสมการ(2a) และ (2b) ตามนิสัยชอบคะแนนเป็นดังนี้:

ผลลัพธ์ (ไทย) 2:

แต่เนื่องจากการเลือกของผู้เข้าร่วมเข้า BVIS ไม่ใช่สุ่มมันจะกลายเป็นไม่สมจริงที่จะใช้
ความแตกต่างระหว่างผลการสังเกต (รายได้เกษตร) ผู้เข้าร่วมและ nonparticipants
เป็นตัวชี้วัดของผลกระทบของ BVIS นี้เป็นเพราะอาจจะมีความแตกต่างของระบบใน
ลักษณะที่สังเกตและสังเกตของผู้เข้าร่วมและผู้เข้าร่วมที่ไม่ใช่ ความล้มเหลวในการควบคุม
ความแตกต่างของระบบเหล่านี้ระหว่างสองกลุ่มอาจก่อให้ประมาณการผลกระทบลำเอียงตั้งแต่พวกเขา
ลักษณะไม่ได้เป็นเนื้อเดียวกัน.
ปัญหาข้อมูลหายไปจะแก้ไขได้โดยการสร้างผล counterfactual สำหรับผู้เข้าร่วมตาม
ในตัวแปรที่สังเกตของผู้เข้าร่วมที่ไม่ใช่แสดงเป็นอี (y0i | X , J = 0) ในทำนองเดียวกันผลที่ได้รับการรักษา
ได้รับการพัฒนาสำหรับผู้เข้าร่วมขึ้นอยู่กับตัวแปรที่สังเกตได้แสดงเป็นอี (yi1 | X, J = 1) อย่างไรก็ตาม
การประมาณ E (Y) เงื่อนไขในตัวแปรที่สังเกตจะนำไปสู่ปัญหามิติ A (เฮ็น et al.,
2010) ในคำอื่น ๆ เป็นจำนวนของตัวแปรที่เพิ่มขึ้นมันจะกลายเป็นความยุ่งยากในการระบุ
ข้อสังเกตที่คล้ายกัน (ในลักษณะที่สังเกต) เพื่อกันและกันระหว่างผู้เข้าร่วมและ
ผู้เข้าร่วมที่ไม่ใช่ วิธีการแก้ปัญหานี้คือการใช้ความน่าจะเป็นเงื่อนไขปกติจะเรียกว่านิสัยชอบ
คะแนน (Rosenbaum และรูบิน, 1983) ดังนั้นรายได้ค่าประมาณจากสมการ
(2A) และ (2B) ตามคะแนนนิสัยชอบเป็นดังนี้:

ผลลัพธ์ (ไทย) 3:

อย่างไรก็ตาม เนื่องจากการสุ่มเลือกของผู้ไม่เข้า bvis มันจะกลายเป็นไม่สมจริงเอาความแตกต่างระหว่างสังเกตผล ( รายได้เกษตร ) ของผู้เข้าร่วม และ nonparticipantsเป็นตัวชี้วัดของผลกระทบของ bvis . นี้เป็นเพราะอาจมีความแตกต่างในระบบสังเกตลักษณะของผู้เข้าร่วมประชุมและผู้เข้าร่วม unobserved และไม่ ความล้มเหลวของการควบคุมสำหรับระบบที่แตกต่างระหว่างสองกลุ่มอาจผลตอบแทนประมาณการผลกระทบเนื่องจากอคติลักษณะเป็นเนื้อเดียวกันข้อมูลที่ขาดหายไปแก้ปัญหาโดยการสร้างผลลัพธ์ counterfactual สำหรับผู้เข้าร่วมตามความรู้เกี่ยวกับสังเกตไม่เข้าร่วมแสดงเป็น E ( y0i | x , j = 0 ) ในทํานองเดียวกัน , การรักษาผลถูกพัฒนาขึ้นสำหรับผู้พบความรู้โดยแสดงเป็น E ( yi1 | x , J = 1 ) อย่างไรก็ตามการประมาณค่า E ( Y ) นำเงื่อนไขความรู้ เพื่อตรวจสอบปัญหา dimensionality ( Heinrich et al . ,2010 ) ในคำอื่น ๆที่เป็นหมายเลขของเพิ่มความรู้ มันกลายเป็นเรื่องยุ่งยากที่จะระบุสังเกตที่คล้ายคลึงกัน ( สังเกตลักษณะ ) กับแต่ละอื่น ๆระหว่างผู้เข้าร่วมและเข้าร่วม ไม่ วิธีแก้ปัญหานี้คือการใช้ความน่าจะเป็นแบบมีเงื่อนไขโดยทั่วไปเรียกว่าความโน้มเอียงคะแนน ( โรเซนบอม และ รูบิน , 1983 ) ดังนั้น รายได้ค่าประมาณจากสมการ( 2A ) และ ( 2B ) ตามคะแนนความโน้มเอียงจะเป็นดังนี้ :