Metode psm-did Analisis Propensity Score Matching (PSM)

Metode psm-did Analisis Propensity Score Matching (PSM) – Dalam penelitian evaluasi dampak suatu kebijakan, salah satu metode analisis yang dapat digunakan adalah metode propensity score matching. Metode matching memungkinkan Anda mengurangi bias secara substansial namun tidak menghilangkannya (Heckman et al. 1997).

Untuk mendapatkan kelompok kontrol yang sama ketika melakukan pengujian menggunakan PSM, terdapat dua asumsi yang harus dipenuhi  menurut Sianesi (2006 dalam Sulistyaningrum, 2016) yaitu Conditional Independent Asumption (CIA) dan Common Support. Asumsi pertama jika outcome yang akan diberikan dari kelompok perlakuan tidak dipengaruhi variabel lain selain variabel treatment, maka model memenuhi CIA yang artinya hasil intervensi bukan dari pengaruh faktor lain di luar intervensi. Misalnya seperti meneliti penduduk miskin, jika persentase penduduk miskin dari kelompok penerima program pembangunan infrastruktur perdesaan tidak dipengaruhi oleh faktor-faktor lain maka model dikatakan memenuhi CIA, kecuali dipengaruhi program itu sendiri.

Asumsi yang kedua adalah model harus memenuhi common support dimana  merupakan suatu kondisi saat nilai density kelompok perlakuan dan kelompok kontrol terjadi overlap (perpotongan). Kesamaan karakteristik antara kedua kelompok berdasarkan kesamaan distribusi nilai propensity-nya drepresentasikan melalui daerah common support.

Terdapat 5 langkah untuk mengestimasi data dengan menggunakan metode psm-did Analisis Propensity Score Matching (PSM), berikut Langkahnya:

Mengestimasi Propensity Score

Saat memperkirakan Propensity Score ada dua langkah yang harus dilakukan menurut Caliendo dan Kopeinig (2008), yaitu: memilih model dan memilih variabel yang harus dimasukkan dalam model. Teori ekonomi dan penelitian terdahulu yang telah ditemukan menjadi acuan umtuk pemilihan variabel dengan menggunakan penelitian model logit. Memilih Matching Algorithm. Pada Matching Algorithm terdiri dari 5 yaitu: Caliper dan Radius, qNearest Neighbour (NN), Kernel and Local Linear, sratification dan Interval dan Weighting. Diantara semua metode matching tidak ada metode yang lebih unggul hal ini dikarenakan adanya trade off antara bias dan variansi yang akan memengaruhi estimasi nilai ATT (Caliendo dan Kopeinig, 2008).

Memeriksa Common Support

Langkah ini sangat penting dalam pencocokan estimasi karena Common Support merupakan salah satu asumsi yang dipenuhi dalam PSM yang bisa mengetahui apakah antara kelompok perlakuan dan kontrol terjadi tumpang tindih (overlap). Dengan ini akan ditemukan antara kecocokan untuk kelompok yang diintervensi dan kelompok yang tidak diintervensi.

Menilai Kualitas Pencocokan (Matching)

Untuk dapat menilai kualitas pencocokan Anda harus melakukan langkah metode psm-did Analisis Propensity Score Matching (PSM) dengan melakukan pengujuan bias terstandar, uji beda sebelum dan sesudah pencocokan (t-test), uji kualitas penggabungan variabel dalam sampel yang dicocokkan. Sampel yang digunakan memiliki kualitas matching yang baik jika tidak terdapat perbedaan, namun lebih baik untuk mengulang langkah yang sama sampai kualitas pencocokan memuaskan jika kualitas pencocokan buruk atau masih ada perbedaan.

Mengestimasi Standar Eror dan Analisis Sensitifitas

Untuk melihat sensitifitas dari hasil temuan terhadap hidden bias, analisis sensitifitas harus dilakukan berulang yang belum dimasukkan tetapi memiliki pengaruh terhadap variabel dalam model menurut Rosenbaum dan Rubin (1983) dan Rosenbaum (2005), yaitu bias yang terjadi akibat adanya variabel lain di luar model. Penelitian ini menggunakan Wilcoxon’s signed-rank test untuk menganalisis sensitifitas yang merupakan salah satu metode analisis sensitifitas yang dikembangkan oleh Rosenbaum (2005).

Itu dia metode psm-did Analisis Propensity Score Matching (PSM).

sumber : https://fitanulis.wordpress.com/2017/06/10/propensity-score-matching/amp/