在实证研究中，我们经常会遇到一个看似简单、但其实很容易有偏的问题：
处理组和控制组本来就不一样。
比如，想研究企业数字化转型是否提升生产率。直接比较数字化企业和非数字化企业，可能会发现数字化企业的生产率更高。但这并不一定说明数字化转型本身有效，因为数字化企业往往规模更大、研发投入更高、管理水平更好，原本就可能具有更高的生产率。
这时，简单做均值比较或普通回归，可能会把企业原本的差异也算到数字化转型的效果里。
本期教程介绍一种常见的因果推断方法：
IPW 逆概率加权估计。
它的核心思想是：
先估计每个样本进入处理组的概率，再根据这个概率给样本重新赋权，让处理组和控制组在特征上更加可比，最后估计处理效应。
一、案例背景
本案例研究的问题是：
企业数字化转型是否提升了企业生产率？
变量设定如下：
| | |
|---|
productivity | | |
digital | | |
size | | |
age | | |
leverage | | |
roa | | |
rd_intensity | | |
industry_score | | |
如果直接比较数字化企业和非数字化企业，可能得到的是：
数字化企业生产率 - 非数字化企业生产率
但这个差异里面，既可能包含数字化转型的影响，也可能包含企业规模、盈利能力、研发能力等因素的影响。
因此，我们需要先解决一个问题：
如何让数字化企业和非数字化企业变得更可比？
IPW 就是为这个问题服务的。
二、方法思路
IPW 的完整流程可以概括为五步：
准备企业样本数据 ↓估计倾向得分 ↓构造 IPW 权重 ↓检查加权前后平衡性 ↓估计平均处理效应 ATE
其中最关键的是倾向得分。
倾向得分可以理解为：
在给定企业特征的情况下，一个企业进行数字化转型的概率。
记作：
P(D = 1 | X)
其中：
- •
X 表示企业规模、年龄、资产负债率、研发强度等控制变量。
估计出倾向得分之后，就可以构造权重：
| |
|---|
| 1 / pscore |
| 1 / (1 - pscore) |
直观理解是：
如果一个企业本来很不容易进入数字化组，但它实际进行了数字化转型，那么它在样本中就比较“稀有”，需要被赋予更大的权重。
如果一个企业本来很容易数字化，但它实际没有数字化，它同样也比较“稀有”，也需要更大的权重。
通过这种方式，IPW 可以重新调整样本结构，使处理组和控制组在可观测特征上更加接近。
三、核心代码
1. 导入库
import numpy as npimport pandas as pdimport statsmodels.api as smfrom sklearn.linear_model import LogisticRegressionfrom sklearn.preprocessing import StandardScaler
这里主要用到三个部分：
- •
statsmodels 用于加权回归估计处理效应。
2. 构造案例数据
np.random.seed(42)n = 1500df = pd.DataFrame({ "size": np.random.normal(10, 2, n), "age": np.random.randint(1, 30, n), "leverage": np.random.uniform(0.1, 0.8, n), "roa": np.random.normal(0.06, 0.03, n), "rd_intensity": np.random.uniform(0.01, 0.12, n), "industry_score": np.random.normal(0, 1, n)})
这一步构造企业层面的基础变量，包括企业规模、年龄、资产负债率、资产收益率、研发强度和行业技术水平。
3. 生成处理变量
linear_prob = ( -2.5 + 0.25 * df["size"] - 0.8 * df["leverage"] + 8.0 * df["rd_intensity"] + 0.45 * df["industry_score"])prob = 1 / (1 + np.exp(-linear_prob))df["digital"] = np.random.binomial(1, prob)
这里设定企业是否进行数字化转型与企业自身特征有关。
例如：
这也符合实际研究中的常见情况：数字化转型不是随机发生的，而是与企业自身条件有关。
4. 生成结果变量
df["productivity"] = ( 1.2 + 0.45 * df["digital"] + 0.35 * df["size"] + 0.015 * df["age"] - 1.1 * df["leverage"] + 2.5 * df["roa"] + 5.0 * df["rd_intensity"] + 0.4 * df["industry_score"] + np.random.normal(0, 1, n))
这里的结果变量是企业生产率。
其中，digital 的系数设定为正，表示数字化转型会提高企业生产率。
但是，生产率同时也受到企业规模、研发强度、资产收益率、行业技术水平等变量影响。因此，如果不处理样本差异，直接比较数字化企业和非数字化企业，很可能会高估数字化转型的作用。
5. 估计倾向得分
x_cols = [ "size", "age", "leverage", "roa", "rd_intensity", "industry_score"]X = df[x_cols]D = df["digital"]scaler = StandardScaler()X_scaled = scaler.fit_transform(X)ps_model = LogisticRegression(max_iter=1000)ps_model.fit(X_scaled, D)df["pscore"] = ps_model.predict_proba(X_scaled)[:, 1]
这一步用 Logit 模型估计倾向得分。
也就是估计：
数字化转型 = f(企业规模, 企业年龄, 资产负债率, 资产收益率, 研发强度, 行业技术水平)
得到的 pscore 就是每个企业进行数字化转型的预测概率。
6. 限制共同支撑区间
df = df[(df["pscore"] > 0.05) & (df["pscore"] < 0.95)].copy()
这一步是为了避免极端倾向得分。
如果某些企业的倾向得分接近 0 或 1，那么它们的权重会非常大，可能导致估计结果不稳定。
因此，通常会对倾向得分做一个简单限制，例如保留：
0.05 < pscore < 0.95
7. 构造 IPW 权重
df["ipw"] = ( df["digital"] / df["pscore"] + (1 - df["digital"]) / (1 - df["pscore"]))
这就是 IPW 的核心代码。
对于数字化企业：
权重 = 1 / pscore
对于非数字化企业：
权重 = 1 / (1 - pscore)
通过这个权重，样本会被重新调整，使处理组和控制组在控制变量上更加可比。
8. 估计处理效应
X_ipw = sm.add_constant(df["digital"])ipw_model = sm.WLS( df["productivity"], X_ipw, weights=df["ipw"]).fit(cov_type="HC1")print(ipw_model.summary())
这里使用加权最小二乘估计：
productivity = α + β digital + ε
其中，digital 的系数就是 IPW 估计得到的平均处理效应。
四、平衡性检验
IPW 做完之后，不能只看处理效应，还要检查加权是否真的改善了样本可比性。
常用指标是标准化均值差异，即 SMD。
SMD 越接近 0，说明处理组和控制组越平衡。
def weighted_mean(x, w): return np.sum(x * w) / np.sum(w)def weighted_var(x, w): mean = weighted_mean(x, w) return np.sum(w * (x - mean) ** 2) / np.sum(w)def smd_unweighted(data, var, treat): treated = data[data[treat] == 1][var] control = data[data[treat] == 0][var] return ( treated.mean() - control.mean() ) / np.sqrt((treated.var() + control.var()) / 2)def smd_weighted(data, var, treat, weight): treated = data[data[treat] == 1] control = data[data[treat] == 0] mean_t = weighted_mean(treated[var], treated[weight]) mean_c = weighted_mean(control[var], control[weight]) var_t = weighted_var(treated[var], treated[weight]) var_c = weighted_var(control[var], control[weight]) return (mean_t - mean_c) / np.sqrt((var_t + var_c) / 2)balance_table = []for var in x_cols: balance_table.append({ "变量": var, "加权前SMD": smd_unweighted(df, var, "digital"), "加权后SMD": smd_weighted(df, var, "digital", "ipw") })balance_df = pd.DataFrame(balance_table)print(balance_df)
这段代码的作用是比较加权前后处理组和控制组的差异。
如果 IPW 有效，那么加权后 SMD 应该明显下降。
五、结果展示
1. 样本情况
2. 平衡性检验
从平衡性结果可以看到，加权前数字化企业和非数字化企业存在明显差异。
尤其是：
这些变量在加权前的 SMD 较大，说明数字化企业本身就具有更强的基础条件。
经过 IPW 加权之后，各变量的 SMD 明显下降，大多接近 0，说明处理组和控制组变得更加可比。
3. ATE 估计结果
结果显示，直接比较数字化企业和非数字化企业时，生产率差异为 0.772。
但这个差异并不完全来自数字化转型本身，还包含了企业规模、研发强度、行业技术水平等因素的影响。
使用 IPW 调整样本可比性后，数字化转型的估计效应下降为 0.468，但仍然显著为正。
这说明：
在控制可观测企业特征差异后，数字化转型仍然能够显著提升企业生产率。
六、结果解读
这个案例的重点不只是得到一个显著系数，而是展示 IPW 的识别逻辑。
原始比较中，数字化企业生产率更高，但这种差异可能来自两个部分：
生产率差异 = 数字化转型效应 + 企业原本差异
IPW 的作用是通过重新赋权，尽量消除企业原本差异带来的影响。
从结果看，原始均值差异为 0.772，IPW 估计值为 0.468，说明如果不处理样本选择问题，可能会高估数字化转型的作用。
但 IPW 估计值仍然显著为正，说明数字化转型对企业生产率具有较稳定的促进作用。
七、教程总结
IPW 逆概率加权估计适合处理这类问题：
处理组和控制组不是随机形成的，而是由样本自身特征影响的。
它的优势在于：
不过，IPW 也有一个重要前提：
所有影响处理变量和结果变量的重要混杂因素，都需要被观测并纳入模型。
如果存在重要的遗漏变量，IPW 仍然可能产生偏误。
因此，在实际研究中，IPW 常常和以下内容一起使用：
总体来看，IPW 是一个非常适合入门因果推断的工具。它比普通回归更强调样本可比性，又比双重机器学习更容易理解，非常适合用来做政策评估、企业行为分析和劳动经济学研究中的处理效应估计。
