Using the parameters obtained by th

Using the parameters obtained by the probit estimation, we compute propensity scores (i.e., the probability of SRI use) for all plots. To estimate SRI’s impacts on observations of SRI plots and non-SRI plots that have common support, we drop the observations of SRI plots with propensity scores higher than the maximum, or lower than the minimum of those not in SRI. Different matching algorithms exist, each possessing positive and negative attributes (Caliendo and Kopeinig 2008). Among the available options, the simple NNM and kernel matching methods are the ones most commonly used. As the counterfactual of the treatment group (SRI plots), the NNM employs those members of the control group (non-SRI plots) that are closest in terms of covariates or propensity scores. Yet as figure 2 suggests, the distribution of the propensity score of non-users in our sample is highly skewed to the right, while that of the users is skewed oppositely. This raises a concern about matching relatively dissimilar plots under the simple NNM method. Moreover, Abadie and Imbens (2011) show that simple NNM estimators are generally not root-N consistent. We therefore report and interpret the results based on kernel matching, which uses a large number of matches per unit to estimate counterfactual outcomes via nonparametric smoothing techniques, with the weighted averages of all non-SRI plots, where the weight is inversely proportional to the propensity score distance between SRI plots and non-SRI plots. We ultimately drop 12 treated observations that do not meet the common support condition. To estimate the ATT, we employ an Epanechnikov kernel with a bandwidth of 0.06, obtaining standard errors by bootstrapping with 500 replications.

ผลลัพธ์ (ไทย) 1:

เราใช้พารามิเตอร์ที่ได้รับ โดยการประเมิน probit คำนวณคะแนนสิ่ง (เช่น ความน่าเป็นของศรี) สำหรับผืนทั้งหมด การประเมินผลกระทบต่อของศรีสังเกตศรีผืนและผืนไม่ใช่ศรีที่สนับสนุนทั่วไป เราฝากข้อสังเกตุของศรีที่ดินกับสิ่งคะแนนสูงกว่าค่าสูงสุด หรือต่ำกว่าขั้นต่ำของประเทศเหล่านั้นไม่ได้อยู่ในการ อัลกอริทึมตรงแตกต่างกัน แต่ละที่มีค่าบวก และค่าลบแอตทริบิวต์ (Caliendo และ Kopeinig 2008) ตัว NNM และเคอร์เนลที่ตรงกับวิธีการง่าย ๆ ในหมู่คนมักใช้ เป็น counterfactual กลุ่มรักษา (ศรีผืน), NNM มีเหล่าสมาชิกของกลุ่มควบคุม (ไม่ใช่ศรีผืน) เขต covariates หรือสิ่งคะแนน ยัง เป็น figure 2 แนะนำ การกระจายของคะแนนสิ่งของไม่ใช่ผู้ใช้ในตัวอย่างของเราคือสูงเบ้ทางขวา ในขณะที่ผู้ใช้มีเบ้ oppositely นี้เพิ่มความกังวลเกี่ยวกับการจับคู่ผืนค่อนข้างไม่เหมือนภายใต้วิธี NNM ง่าย นอกจากนี้ Abadie และ Imbens (2011) แสดงว่าเรื่อง NNM estimators ไม่โดยทั่วไปราก-N สอดคล้องกัน เราดังนั้นรายงาน และแปลผลตามเคอร์เนลตรง ซึ่งใช้จำนวนมากตรงต่อหน่วยเพื่อประเมินผล counterfactual ผ่าน nonparametric ผืนเทคโนโลยี ค่าเฉลี่ยถ่วงน้ำหนักของทั้งหมดไม่ใช่ศรีที่ดิน ที่ inversely กับสิ่งคะแนนระยะทางระหว่างผืนศรีและศรีไม่ใช่ผืนน้ำหนัก ในที่สุดเราปล่อยบำบัด 12 สังเกตที่ตรงกับเงื่อนไขสนับสนุนทั่วไป ประเมิน ATT เราใช้เคอร์เนลกับแบนด์วิธของ 0.06, Epanechnikov ได้รับข้อผิดพลาดมาตรฐาน โดย bootstrapping กับระยะ 500

ผลลัพธ์ (ไทย) 2:

การใช้พารามิเตอร์ที่ได้จากการประมาณค่า probit เราคำนวณคะแนนนิสัยชอบ (เช่นความน่าจะเป็นในการใช้ SRI) ที่สำหรับการแปลงทั้งหมด ที่จะประเมินผลกระทบของการสังเกตศรีแปลงศรีและแปลงที่ไม่ใช่ศรีที่ได้รับการสนับสนุนร่วมกันเราวางสังเกตแปลงศรีนิสัยชอบที่มีคะแนนสูงสุดที่สูงกว่าหรือต่ำกว่าขั้นต่ำของผู้ที่ไม่ได้อยู่ในศรีลังกา ขั้นตอนวิธีการจับคู่ที่แตกต่างกันอยู่ในแต่ละที่มีคุณลักษณะที่ดีและลบ (Caliendo และ Kopeinig 2008) ในบรรดาตัวเลือกที่มีความเรียบง่ายและ NNM เคอร์เนลวิธีการจับคู่เป็นคนที่ใช้กันมากที่สุด ในฐานะที่เป็น counterfactual ของกลุ่มการรักษา (แปลงศรี) ที่ NNM พนักงานบรรดาสมาชิกของกลุ่มควบคุม (แปลงที่ไม่ SRI) ที่มีความใกล้เคียงที่สุดในแง่ของตัวแปรหรือคะแนนนิสัยชอบ แต่เป็นสาย Gure 2 แสดงให้เห็นการกระจายของคะแนนนิสัยชอบของผู้ใช้ที่ไม่ได้อยู่ในตัวอย่างของเราเป็นอย่างสูงที่เอียงไปทางขวาในขณะที่ของผู้ใช้เป็นเบ้ตรงข้าม นี้ทำให้เกิดความกังวลเกี่ยวกับการจับคู่ที่ค่อนข้างแตกต่างกันแปลงตามวิธี NNM ง่าย นอกจากนี้ Abadie และ Imbens (2011) แสดงให้เห็นว่าประมาณ NNM ง่ายมักจะไม่ราก-N ที่สอดคล้องกัน ดังนั้นเราจึงรายงานและแปลผลขึ้นอยู่กับการจับคู่เคอร์เนลซึ่งใช้เป็นจำนวนมากในการแข่งขันต่อหน่วยที่จะประเมินผล counterfactual ผ่านทางเทคนิคที่ราบเรียบไม่อิงพารามิเตอร์ที่มีค่าเฉลี่ยถ่วงน้ำหนักของทุกแปลงที่ไม่ SRI ที่น้ำหนักจะแปรผกผันกับนิสัยชอบ ระยะห่างระหว่างคะแนนศรีแปลงและแปลงที่ไม่ใช่ศรี ในท้ายที่สุดเราลดลง 12 สังเกตได้รับการปฏิบัติที่ไม่เป็นไปตามเงื่อนไขของการสนับสนุนที่พบบ่อย ในการประมาณการ ATT เราจ้างเคอร์เนล Epanechnikov กับแบนด์วิดธ์ 0.06 ที่ได้รับข้อผิดพลาดมาตรฐาน bootstrapping 500 ซ้ำ

ผลลัพธ์ (ไทย) 3:

การใช้ค่าพารามิเตอร์ที่ได้จากตัวประมาณ เราคำนวณคะแนนความโน้มเอียง ( เช่น ความน่าจะเป็นของศรี ใช้สำหรับแปลง ประเมินจากการสังเกตของศรี ศรี ศรี แปลงและไม่แปลงที่สนับสนุนทั่วไป เราวางสังเกตแปลงศรีกับความโน้มเอียงสูงกว่าสูงสุดหรือต่ำกว่าขั้นต่ำของผู้ที่ไม่ได้อยู่ในประเทศ . ขั้นตอนวิธีการจับคู่ที่แตกต่างกันอยู่ แต่ละครอบครองลักษณะบวกและลบ ( caliendo และ kopeinig 2008 ) ของตัวเลือกที่พร้อมใช้งาน nnm ง่ายและเคอร์เนลตรงกับวิธีที่ใช้กันมากที่สุด . เป็น counterfactual ของกลุ่ม ( ศรีแปลง ) , nnm พนักงานเหล่าสมาชิกของกลุ่มควบคุม ( โนนศรีแปลง ) ที่ใกล้ในแง่ของความรู้ หรือ คะแนน ความโน้มเอียง ยัง เป็น จึง gure 2 แนะนำการกระจายของคะแนนของผู้ใช้บนความโน้มเอียงในตัวอย่างของเรามีความเบ้ไปทางขวา ในขณะที่ผู้ใช้มีการบิดเบือน ในทางตรงข้ามกัน . นี้จะเพิ่มความกังวลเกี่ยวกับการจับคู่ที่ค่อนข้างแตกต่างกันในวิธีการแปลง nnm อย่างง่าย นอกจากนี้ abadie และ imbens ( 2011 ) แสดงให้เห็นว่าประมาณ nnm ง่ายโดยทั่วไปจะไม่สอดคล้อง root-n . เราจึงรายงานและแปลผลที่ได้จากเมล็ดในการจับคู่ ซึ่งใช้เป็นจำนวนมากของการแข่งขันต่อหน่วยเพื่อประเมินผลทางเรียบ counterfactual 3 เทคนิค กับค่าเฉลี่ยถ่วงน้ำหนักของโนนศรีแปลงที่น้ำหนักเป็นสัดส่วนผกผันกับความโน้มเอียงคะแนนระยะทางระหว่างแปลงและไม่แปลงศรีศรี . ในที่สุดเราปล่อย 12 ถือว่าสังเกตว่าไม่พบการสนับสนุนทั่วไป เงื่อนไข ค่า ATT , เราใช้เมล็ด epanechnikov กับแบนด์วิดธ์ของ 0.06 ได้รับข้อผิดพลาดมาตรฐานโดย bootstrapping ด้วย 500 โดย