Propensity Score Matching

Menurut Heckman et al. (1997) metode matching memungkinkan kita mengurangi bias secara substansial tetapi tidak serta merta menghilangkannya. Metode matching yang umum digunakan adalah propensity score matching (PSM). Propensity Score adalah sebuah metode probabilitas bersyarat dari perlakuan tertentu yang dapat meminimalisir bias dengan menyesuaikan skor propensity berdasarkan kovariat yang sama antara kelompok perlakuan dan kelompok kontrol (Rosenbaum dan Rubin, 1983).

Menurut Sianesi (2006 dalam Sulistyaningrum, 2016) terdapat dua asumsi yang harus dipenuhi ketika melakukan pengujian menggunakan PSM untuk mendapatkan kelompok kontrol yang sama yaitu Conditional Independent Asumption (CIA) dan Common Support.

Model memenuhi CIA jika outcome yang akan diberikan dari kelompok perlakuan tidak dipengaruhi variabel lain selain variabel treatment, artinya hasil intervensi bukan pengaruh faktor lain di luar intervensi. Seperti pada penelitian ini, model dikatakan memenuhi CIA apabila persentase penduduk miskin dari kelompok yang menerima program pembangunan infrastruktur perdesaan tidak dipengaruhi oleh faktor-faktor lain kecuali program itu sendiri.

Asumsi yang kedua adalah model harus memenuhi common support. Common Support adalah suatu kondisi ketika nilai density kelompok perlakuan dan kelompok kontrol terjadi overlap (perpotongan). Daerah common support merepresentasikan adanya kesamaan karakteristik antara kedua kelompok berdasarkan kesamaan distribusi nilai propensity-nya.

Untuk mengestimasi data dengan menggunakan PSM dapat dilakukan dengan 5 langkah.
1. Mengestimasi Propensity Score
Menurut Caliendo dan Kopeinig (2008), ada dua langkah yang harus dilakukan ketika memperkirakan Propensity Score yaitu: memilih model dan memilih variabel yang harus dimasukkan dalam model. Penelitian ini menggunakan model logit. Pemilihan variabel harus mengacu pada teori ekonomi dan penelitian terdahulu yang telah ditemukan.

2. Memilih Matching Algorithm
Matching Algorithm terdiri dari 5 yaitu: Nearest Neighbour (NN); Caliper dan Radius; Stratification dan Interval; Kernel and Local Linear; dan Weighting. Tidak ada metode yang lebih unggul diantara semua metode matching. Hal ini disebabkan oleh adanya trade off antara bias dan variansi yang akan memengaruhi estimasi nilai ATT (Caliendo dan Kopeinig, 2008).

3. Memeriksa Common Support
Common Support merupakan salah satu asumsi yang dipenuhi dalam PSM. Karena itu langkah ini sangat penting dalam pencocokan estimasi. Apakah terjadi tumpang tindih (overlap) antara kelompok perlakuan dan kontrol. Dengan begitu dapat dipastikan bahwa kecocokan untuk kelompok yang diintervensi dan kelompok yang tidak diintervensi dapat ditemukan.

4. Menilai Kualitas Pencocokan (Matching)
Langkah ini harus dilakukan untuk menilai kualitas pencocokan. Uji yang dilakukan antara lain uji bias terstandar, uji beda sebelum dan sesudah pencocokan (t-test), dan uji kualitas penggabungan variabel dalam sampel yang dicocokkan (F-test/Hotelling Test). Jika tidak terdapat perbedaan (menerima H0) berarti sampel yang digunakan memiliki kualitas matching yang baik. Jika kualitas pencocokan buruk atau masih ada perbedaan, lebih baik untuk mengulang langkah yang sama sampai kualitas pencocokan memuaskan.

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

Referensi:

Caliendo, M. dan Kopeinig, S., 2008. Some Practical Guidence for the Implementation of Propensity Score Matching. Journal of Economic Surveys, Vol.22, No.1: 31–72.
Heckman J., Ichimura, H., Smith, J., dan Todd, P. 1997. Matching As An Econometric Evaluation Estimator: Evidence from Evaluating a Job Training Programme. Review of Economic Studies, Vol.64, 605-654.
Khandker, S.R., Koolwal, G.B., dan Samad, H.A. 2010. Handbook on Impact Evaluation: Quantitative Methods and Practices. World Bank. Washington D.C.
Rosenbaum, P. R., dan Rubin, D., 1983. The Central Role of the Propensity Score in Observational Studies for Causal Effects. Biometrica, Vol.70, No.1: 41-45.
Rosenbaum, P.R. 2005. Sensitivity analysis in observational studies. Encyslopedia of Statistics in Behavioral Science, Vol.4, 1809-1814.
Sulistyaningrum, Eny. 2016. Impact Evaluation Of The School Operational Assistance Program (BOS) Using The Matching Method. Journal of Indonesian Economy and Business. Vol.31, No.1: 33-62.

 

Advertisements

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s