Learning Portal

Lernportal – Generalisiertes Propensity-Score-Matching (GPSM)

Das Generalisierte Propensity-Score-Matching (GPSM) ist ein verfeinertes Bewertungsinstrument, das eingesetzt wird, wenn fast alle Einheiten an einem Programm teilnehmen, so dass herkömmliche Vergleichsmethoden unzureichend sind. Es konzentriert sich auf die Intensität der Unterstützung, die jeder Einheit gewährt wird, und ermöglicht eine detaillierte Analyse, wie sich unterschiedliche Unterstützungsniveaus auf die Ergebnisse auswirken.

Page contents

A woman farmer with digital tablet in a field

Grundlagen

Auf den Punkt gebracht

Die Methode des generalisierten Propensity-Score-Matching (GPSM) ist eine quasi-experimentelle Bewertungsmethode.

Die Technik wird eingesetzt, wenn es nicht möglich ist, Teilnehmer mit Nicht-Teilnehmern zu vergleichen, weil fast alle Einheiten an dem Programm teilnehmen. In diesem Fall basiert das Matching nicht auf der Wahrscheinlichkeit, am Programm teilzunehmen (wie beim binären PSM), sondern auf der Wahrscheinlichkeit, ein bestimmtes Maß an Unterstützung durch das Programm zu erhalten (Unterstützungsintensität). Wenn explizite Informationen über die Intensität der Unterstützung vorliegen (z. B. Finanzströme in ein öffentliches Investitionsprogramm pro landwirtschaftlichem Betrieb, Unternehmen, Gemeinde oder Region), können die Auswirkungen des Programms in diesem Rahmen mithilfe einer Dosis-Wirkungs-Funktion analysiert werden. Eine Dosis-Wirkungs-Funktion erklärt die Beziehung zwischen der Intensität der bereitgestellten Unterstützung (Dosis) und dem Ergebnisindikator (Wirkung).

Die GPSM-Methode ermöglicht nicht nur die Schätzung des durchschnittlichen Effekts der öffentlichen Investitionsförderung auf den ausgewählten Ergebnisindikator, sondern auch die Bewertung der marginalen Effekte der Programme oder Maßnahmen unabhängig von der erreichten Förderintensität. Solche disaggregierten Programmbewertungsergebnisse können nicht durch die Anwendung traditioneller Techniken wie der binären Propensity-Score-Matching-Methode, des Regression-Discontinuity-Designs oder anderer in Standardbewertungsstudien verwendeter Techniken erzielt werden. Als Erweiterung einer binären PSM-Methode kann die GPSM-Methode auch alle Verzerrungen beseitigen, die mit Unterschieden bei den in einem Bewertungsmodell enthaltenen Kovariaten verbunden sind.

Vor- und Nachteile

Vorteile

Nachteile
  • Wirksam, wenn fast alle Einheiten eine Programmunterstützung (in verschiedenen Intensitätsstufen) erhalten.
  • Nützlich für die Ermittlung von kontrafaktischen Werten.
  • Die GPSM-Methode schätzt nicht nur den durchschnittlichen Effekt der öffentlichen Investitionsförderung auf den ausgewählten Ergebnis-/Auswirkungsindikator, sondern ermöglicht auch die Bewertung der marginalen Effekte (über die durchschnittlichen Effekte hinaus) der öffentlichen Investitionsförderung, unabhängig von der erreichten Förderintensität.
  • Flexibel in Bezug auf die funktionale Form des Behandlungsmodells (letztere kann empirisch getestet werden).
  • Die Ergebnisse sind nicht plausibel, wenn wichtige beobachtbare Merkmale, die Unterschiede zwischen verschiedenen Programmbegünstigten erklären, nicht in das Modell aufgenommen werden.
  • Schwieriger im Vergleich zu PSM oder PSM-DID.
  • Erfordert hohe analytische Fähigkeiten.

Wann ist er anzuwenden?

Der GPSM-Ansatz ist allgemeiner als der PSM-Ansatz und kann angewandt werden, wenn alle Einheiten durch das gegebene Programm unterstützt wurden und die Intensität dieser Unterstützung pro Einheit bekannt ist (er ermöglicht auch die Berücksichtigung von Einheiten, die keine Unterstützung erhalten haben, d. h. Intensitätsniveau = 0). Die Methode kann zur Bewertung der Programmwirkungen auf Mikro-, regionaler oder Programmgebietsebene angewandt werden. Es werden jedoch zahlreiche Daten über die wichtigsten Merkmale und Leistungen der Programmbegünstigten (und Nichtbegünstigten) vor und nach dem Programm benötigt. Eine wichtige Voraussetzung für diese Methode ist, dass die wichtigsten Merkmale, die für die Programmteilnahme und -leistung ausschlaggebend sind, beobachtet werden können.

Voraussetzungen

  • Reichhaltige Daten über Programmteilnehmer (und Nicht-Teilnehmer) vor und nach dem Programm.
  • Möglichkeit, die Höhe der Förderintensität für jede Einheit zu schätzen.
  • Fähigkeit, den Wert der Wirkungsindikatoren für die verschiedenen Stufen der Förderintensität zu berechnen.
  • Hohe quantitative Fähigkeiten (einschließlich Ökonometrie) des Evaluators.
  • Gutes Verständnis der Bedingungen, die die Wahrscheinlichkeit der Teilnahme am Programm bestimmen.

Die Technik kann angewandt werden, um die Auswirkungen der GAP-Unterstützung auf die Entwicklung der Werte der in der folgenden Tabelle aufgeführten Wirkungsindikatoren zu bewerten.

Indikator für die Auswirkungen des EPLR Indikator für die Auswirkungen des GAP-Strategieplans
I.01 - Landwirtschaftlicher Unternehmensgewinn I.2 - Entwicklung des landwirtschaftlichen Einkommens im Vergleich zur Gesamtwirtschaft
I.02 - Landwirtschaftliches Faktoreinkommen I.3 - Entwicklung des landwirtschaftlichen Einkommens
  I.4 - Entwicklung des landwirtschaftlichen Einkommensniveaus nach Betriebsform (im Vergleich zum Durchschnitt der Landwirtschaft)
  I.5 - Entwicklung des landwirtschaftlichen Einkommens in Gebieten mit naturbedingten Einschränkungen (im Vergleich zum Durchschnitt)
I.03 - Totale Faktorproduktivität in der Landwirtschaft I.6 - Totale Faktorproduktivität in der Landwirtschaft
I.07 - Emissionen aus der Landwirtschaft

I.10 - Treibhausgasemissionen aus der Landwirtschaft

I.14 - Ammoniakemissionen aus der Landwirtschaft
I.08 - Vogelindex für landwirtschaftliche Flächen I.19 - Farmland Bird Index
I.09 - Landwirtschaft mit hohem Naturwert (HNV)  
I.10 - Wasserentnahme in der Landwirtschaft I.17 - Wasserausbeutungsindex Plus (WEI+)
I.11 - Wasserqualität

I.15 - Bruttonährstoffbilanz auf landwirtschaftlichen Flächen

I.16 - Nitrat im Grundwasser
I.13 - Bodenerosion durch Wasser I.13 - Prozentualer Anteil der landwirtschaftlichen Flächen mit mäßiger und starker Bodenerosion
I.14 - Ländliche Beschäftigungsquote I.24 - Entwicklung der Beschäftigungsquote im ländlichen Raum, einschließlich einer Aufschlüsselung nach Geschlecht
I.15 - Ausmaß der ländlichen Armut I.27 - Entwicklung des Armutsindexes im ländlichen Raum
I.16 - Ländliches BIP pro Kopf I.25 - Entwicklung des Pro-Kopf-Bruttoinlandsprodukts (BIP) im ländlichen Raum

Schritt-für-Schritt-Anleitung

  • Schritt 1 - Berechnen Sie die Höhe der Unterstützung für jede Einheit. Es wird empfohlen, die Höhe der Unterstützung nicht anhand der absoluten Höhe der Unterstützung zu bestimmen, sondern anhand einer anderen Variablen, wie z. B. der landwirtschaftlich genutzten Fläche des Landwirts oder der Fläche oder Bevölkerung einer geografischen Region, zu normalisieren.
  • Schritt 2 - Einteilung des Stützungsniveaus in vordefinierte Intervalle.
  • Schritt 3 - Sammlung von Daten über alle Einheiten und ihre wesentlichen Merkmale (Variablen) zu Beginn des Durchführungszeitraums und zum Zeitpunkt der Bewertung. Beachten Sie, dass die in die Analyse einbezogenen Variablen die Ergebnisindikatoren beeinflussen müssen.
  • Schritt 4 - Wenden Sie geeignete Techniken an, um Gruppen von Einheiten zu bilden, die mit gleicher Wahrscheinlichkeit ein bestimmtes Maß an Unterstützung erhalten (verallgemeinerter Propensity Score) und demselben Unterstützungsintervall angehören (wie in Schritt 2 definiert).
  • Schritt 5 - Überprüfung der statistischen Ähnlichkeit der gebildeten Gruppen (z. B. durch statistische Tests der in die Analyse einbezogenen Kovariaten).
  • Schritt 6 - Schätzen Sie den Durchschnittswert des/der Ergebnisindikators/en für jedes Unterstützungsintervall und die gesamte Dosis-Wirkungs-Funktion.
  • Schritt 7 - Durchführung einer Sensitivitätsanalyse, um die möglichen Auswirkungen unbeobachtbarer Faktoren auf die erzielten Ergebnisse zu bewerten.

Wichtigste Punkte zum Mitnehmen

  • GPSM ermöglicht eine eingehende Bewertung von Programmen, bei denen alle Einheiten Teilnehmer sind, und konzentriert sich auf die Intensität der erhaltenen Unterstützung.
  • Es bietet eine detaillierte Analyse durch die Dosis-Wirkungs-Funktion, die untersucht, wie sich unterschiedliche Unterstützungsniveaus auf die Ergebnisse auswirken.
  • Das GPSM bietet einzigartige Einblicke, da es die Schätzung von durchschnittlichen und marginalen Auswirkungen der Unterstützungsintensität ermöglicht.
  • Diese Methode ist besonders vorteilhaft bei der Bewertung komplexer Programme wie denen im Rahmen der GAP, bei denen die Interventionen unterschiedlich intensiv sind und sich auf verschiedene Ziele und Themen auswirken.

Ihre Anwendbarkeit hängt stark von der Verfügbarkeit umfassender Daten und den quantitativen Fähigkeiten des Evaluators ab.

Aus der Praxis lernen

Weiterführende Literatur

Publikation - Häufig gestellte Fragen |

Assessing RDP Achievements and Impacts in 2019