配对数据

配对数据 (Paired Data / Matched Data)

配对数据（Paired Data，亦称Matched Data或成对数据）是统计学与计量经济学中的一种基本数据结构，指观测值以自然配对方式出现、两个样本中的观测单元之间存在一一对应关系的数据。与独立样本（Independent Samples）不同，配对数据的两组观测并非来自相互独立的总体，而是通过某种内在关联机制绑定在一起——如同一个体在不同时间点的重复测量、匹配后的处理组与对照组、或天然成对存在的观测单元（如双胞胎、左右眼、夫妻）。这一依赖结构必须在统计建模中予以显式处理，否则将导致标准误的估计偏误和检验功效的损失。

配对数据 vs 独立样本

独立样本的典型场景：随机抽取两组互不相干的个体，分别接受处理A与处理B，比较两组均值。此时两组观测完全独立，适用两独立样本t检验（Two-Sample t-Test），其方差为两组方差之和：$\text{Var}(\bar{X}_1 - \bar{X}_2) = \sigma_1^2/n_1 + \sigma_2^2/n_2$。

配对样本的场景：同一组个体先后接受两种处理（或匹配对中每对的两个成员各接受一种处理）。此时对每对计算差值 $D_i = X_{1i} - X_{2i}$，然后对差值序列进行单样本推断。配对设计的关键优势在于：个体之间的异质性（Heterogeneity）在对内差分时被消除，从而使处理效应的估计更为精确。配对t检验的方差仅依赖于差值本身的变异：$\text{Var}(\bar{D}) = \sigma_D^2/n$，通常远小于独立样本情况。

若将配对数据误作独立样本处理，将忽略对内相关性，通常导致标准误被高估、检验功效下降（即更容易犯第二类错误），但也可能在特定相关方向下导致过度拒绝零假设。因此，识别数据的配对结构是统计分析的第一步。

配对数据的常见来源

• 前后对比设计（Before-After / Pre-Post Design）：同一组受试者在干预前后各测量一次，如培训前后的测试成绩、政策实施前后的经济指标。每对 $(Y_{i,\text{pre}}, Y_{i,\text{post}})$ 来自同一个体 $i$，差值的期望即为平均处理效应。这是配对设计最经典的形式，广泛应用于项目评估、医学试验和心理测量。
• 匹配设计（Matched Design）：研究者根据协变量（如年龄、性别、收入）将处理组个体与对照组个体进行一对一或一对多匹配，构成"人工配对"。例如在倾向性得分匹配（Propensity Score Matching, PSM）中，每位接受某政策的个体与一位未接受但倾向得分相近的个体配成一对，随后以配对方式估计处理效应（Treatment Effect）。该方法试图在观测研究（Observational Study）中逼近随机化实验的条件。
• 天然配对（Natural Pairs）：数据本身以成对形式存在——双胞胎研究（同卵/异卵）、左右眼/左右耳的测量、夫妻双方的经济决策数据、同一产品的两个品牌评分等。天然配对往往具有强正相关，利用这一相关性可极大提升估计精度。
• 面板数据（Panel Data / Longitudinal Data）：同一组截面单位在多个时期被重复观测，形成时间维度的配对与更一般的重复测量结构。第 $i$ 个体在 $t=1$ 和 $t=2$ 期的观测 $(Y_{i1}, Y_{i2})$ 构成配对，其一阶差分 $Y_{i2} - Y_{i1}$ 是固定效应模型（Fixed Effects Model）和双重差分法（Difference-in-Differences, DID）的基础。

配对t检验

配对t检验是分析配对连续数据最基本的参数方法。设 $D_i = X_{1i} - X_{2i}$ 为第 $i$ 对的差值，假设 $D_i \sim \mathcal{N}(\mu_D, \sigma_D^2)$ 独立同分布，则检验 $H_0: \mu_D = 0$ 的统计量为：

其中 $\bar{D} = \frac{1}{n}\sum_{i=1}^n D_i$，$s_D$ 为差值的样本标准差。该检验的实质是将配对比较转化为单样本t检验——这是配对设计的数学优雅之处：通过"先差分再推断"消除了个体基准水平的干扰。

教学示例：某减肥项目测量10名参与者前后的体重（kg）。若前后数据的相关系数为0.85，独立样本t检验实际上忽略了这一强正相关，导致检验统计量的绝对值偏小。而配对t检验在差分域中工作，充分利用了个体内的一致性，通常获得更窄的置信区间和更强的检验功效。设 $\bar{D} = -3.2$，$s_D = 1.8$，则 $T = -3.2/(1.8/\sqrt{10}) \approx -5.62$，在 $\alpha=0.05$ 下高度显著。

非参数配对检验

当差值不满足正态性假设时，可使用Wilcoxon符号秩检验（Wilcoxon Signed-Rank Test）：对差值的绝对值排序并赋予符号，检验中位数是否为零。该检验利用了配对结构，但放松了对分布形态的要求，是配对t检验的稳健替代。另一种常见选择是符号检验（Sign Test），仅使用差值的符号信息，更为稳健但功效最低。

计量经济学中的配对与面板

配对思想在计量经济学中通过面板数据方法得到了最深刻的推广。考虑经典的一阶差分估计量（First-Difference Estimator）：

对两期差分：$\Delta Y_i = \beta \Delta X_i + \Delta \varepsilon_i$，个体固定效应 $\alpha_i$ 被差分消除。这本质上是配对设计的回归推广——每个个体充当自身的对照，从而控制了所有不随时间变化的遗漏变量。双重差分法（DID）进一步将配对逻辑扩展到处理组与对照组的比较：$DID = (Y_{\text{treat,post}} - Y_{\text{treat,pre}}) - (Y_{\text{control,post}} - Y_{\text{control,pre}})$，即"差分的差分"，利用两组各自的配对信息识别因果效应。

总结

配对数据通过观测单元之间的一一对应关系，将个体异质性转化为可消除的干扰参数（Nuisance Parameter），从而在给定样本量下获得更精确的推断。从最简单的配对t检验到复杂的面板数据固定效应模型和DID，配对设计贯穿现代应用统计学与计量经济学的核心方法体系。正确识别数据的配对结构——判断观测是否独立、是否应做差分、是否需匹配——是实证研究中关乎结论有效性的第一道关口。一个简单的经验法则：若两组数据中存在自然的"谁和谁是一对"的对应关系，则独立样本方法极可能不适用，配对方法才是正确的分析路径。