倾向匹配(PSM)分析：观察性研究的统计学利器 - 预防医学讨论版 -丁香园论坛

propensity score matching 连续变量
倾向得分匹配（Propensity Score Matching，简称PSM）是一种在观察性研究中用于校正选择偏差的方法。

在倾向得分匹配中，如果自变量是连续变量，可以使用以下方法进行匹配：
1. 构建倾向得分：对于每个个体，计算其接受处理（如治疗组）的倾向得分。

倾向得分是一个个体接受处理的概率，可以通过逻辑回归或其他模型来估计。

在逻辑回归中，自变量是连续变量，可以直接将其纳入模型。

2. 设定匹配比例：确定每个个体在处理组和对照组之间的匹配比例。

通常，匹配比例可以设置为1:1 或1:n，其中1 表示处理组，n 表示对照组。

3. 进行匹配：根据倾向得分和设定的匹配比例，将处理组和对照组中的个体进行匹配。

可以使用各种匹配算法，如最近邻匹配、半径匹配、核匹配等。

4. 检查平衡性：匹配后，检查处理组和对照组在协变量上的平衡性。

可以通过比较匹配前后的标准化差异或计算均衡性检验统计量来评估平衡性。

5. 分析匹配后的样本：使用匹配后的样本进行后续的分析，以评估处理效果。

在使用倾向得分匹配时，需要满足一些假设，如共同支撑假设和无混淆假设。

同时，匹配过程可能会导致样本损失，因此需要确保匹配后的样本具有足够的样本量进行分析。

倾向匹配得分教程（附PSM操作应用、平衡性检验、共同取值范围、核密度函数图）展开全文本文主要包括倾向匹配得分命令简介、语法格式、倾向匹配得分操作步骤思路，涉及倾向匹配得分应用、平衡性检验、共同取值范围检验、核密度函数图等内容。

1命令简介Stata does not have a built-in command for propensity score matching, a non-experimental method of sampling that produces a control group whose distribution of covariates is similar to that of the treated group. However, there are several user-written modules for this method. The following modules are among the most popular:Stata没有一个内置的倾向评分匹配的命令，一种非实验性的抽样方法，它产生一个控制组，它的协变量分布与被处理组的分布相似。

但是，这个方法有几个用户编写的模块。

以下是最受欢迎的模块（主要有如下几个外部命令）psmatch2.adopscore.adonnmatch.adopsmatch2.ado was developed by Leuven and Sianesi (2003) and pscore.ado by Becker and Ichino (2002). More recently, Abadie, Drukker, Herr, and Imbens (2004) introduced nnmatch.ado. All three modules support pair-matching as well as subclassification.You can find these modules using the .net command as follows:net search psmatch2net search pscorenet search nnmatchYou can install these modules using the .ssc or .net command, for example:ssc install psmatch2, replaceAfter installation, read the help files to find the correct usage, for example:help psmatch2上述主要介绍了如何获得PSM相关的命令，总结一下目前市面上用的较好的命令为psmatch2.PSM 相关命令help psmatch2help nnmatchhelp psmatchhelp pscore持续获取最新的 PSM 信息和程序findit propensity scorefindit matchingpsmatch2 is being continuously improved and developed. Make sure to keep your version up-to-date as follows ssc install psmatch2, replacewhere you can check your version as follows:which psmatch22语法格式语法格式为：help psmatch2••••••psmatch2 depvar [indepvars] [if exp] [in range] [, outcome(varlist) pscore(varname) neighbor(integer) radius caliper(real) mahalanobis(varlist) ai(integer) population altvariance kernel llr kerneltype(type) b width(real) spline nknots(integer) common trim(real ) noreplacement descending odds index logit ties q uietly w(matrix) ate]选项含义为：depvar因变量；indepvars表示协变量；outcome(varlist)表示结果变量；logit指定使用logit模型进行拟合，默认的是probit模型；neighbor(1)指定按照1:1进行匹配，如果要按照1:3进行匹配，则设定为neighbor(3)；radius表示半径匹配核匹配 (Kernel matching)其他匹配方法广义精确匹配(Coarsened Exact Matching) || help cem局部线性回归匹配 (Local linear regression matching)样条匹配 (Spline matching)马氏匹配 (Mahalanobis matching)pstest $X, both做匹配前后的均衡性检验，理论上说此处只能对连续变量做均衡性检验，对分类变量的均衡性检验应该重新整理数据后运用χ2检验或者秩和检验。

数据科学中的因果推断：探索因果推断方法在数据分析与决策中的应用摘要随着大数据时代的到来，数据科学在各个领域都发挥着越来越重要的作用。

然而，数据分析往往停留在相关性分析层面，无法揭示变量之间的因果关系。

因果推断作为一门新兴学科，为数据分析提供了更深入、更可靠的洞察。

本文将探讨因果推断方法的原理、常用技术，并结合实际案例，阐述其在数据分析与决策中的应用价值。

1. 引言在数据驱动的决策过程中，了解变量之间的因果关系至关重要。

传统的统计分析方法往往只能揭示变量之间的相关性，而无法确定因果关系。

例如，冰淇淋销量与溺水人数之间存在正相关，但这并不意味着吃冰淇淋会导致溺水。

因果推断方法通过设计合理的实验或利用观察性数据，可以帮助我们识别真正的因果关系，从而为决策提供更可靠的依据。

2. 因果推断的基本原理因果推断的核心思想是通过干预或控制某些变量，观察其他变量的变化，从而推断变量之间的因果关系。

为了实现这一目标，因果推断引入了潜在结果框架、因果图模型等概念。

2.1 潜在结果框架潜在结果框架认为，每个个体在不同干预下都存在潜在结果。

例如，一个人在接受某种药物治疗和不接受治疗的情况下，其健康状况可能会有所不同。

因果效应被定义为个体在不同干预下的潜在结果差异。

2.2 因果图模型因果图模型通过有向无环图 (DAG) 描述变量之间的因果关系。

DAG 中的节点表示变量，有向边表示因果关系的方向。

因果图模型可以帮助我们识别混杂因素、中介变量等，为因果推断提供指导。

3. 常用因果推断方法3.1 随机对照试验 (RCT)RCT 是因果推断的黄金标准。

通过随机分配干预，RCT 可以有效控制混杂因素，从而准确估计因果效应。

然而，RCT 在实际应用中存在伦理、成本等限制。

3.2 倾向得分匹配 (PSM)PSM 利用倾向得分 (即个体接受干预的概率) 将接受干预组和未接受干预组的个体进行匹配，从而模拟 RCT 的效果。

PSM 在观察性研究中具有广泛应用。

倾向匹配得分结果解读-回复题目：倾向匹配得分结果解读：了解其原理与应用引言：在今天的数据科学领域，倾向匹配（Propensity Score Matching, PSM）作为一种常用的因果推论方法，被广泛应用于各种研究领域。

PSM常用于评估某项政策、干预措施或者其他因素对于特定领域的影响。

在使用PSM 时，研究人员能够根据得分模型，将受众分为“干预组”和“对照组”，进而进行比较研究。

本文将逐步解读倾向匹配得分结果的原理和应用，帮助读者更好地理解这一方法的潜力与局限性。

一、倾向匹配原理的概述倾向匹配的核心思想是将个体或群体进行分类，使得两组之间的“干预效果”的差异能够被减少至最小。

这种分类的基础是构建每个个体的倾向得分，即他们进入“干预组”或者“对照组”的概率。

这一得分可以通过基线特征变量如性别、年龄、教育背景等进行预测，通常使用回归模型实现。

倾向得分能够将个体的特征转化为一个连续的分数，代表其进入某一组的概率。

二、倾向匹配得分结果的解释与应用得分模型通过前期数据收集和分析，能够得到个体倾向得分之间的差异。

然后，研究人员可以使用倾向匹配算法，将干预组的个体与对照组的个体进行匹配。

匹配的目标是使得干预组和对照组之间在倾向得分上的差异最小化，尽量类似。

匹配完成后，研究人员便可以通过比较干预组和对照组在不同变量上的差异，来评估干预的效果。

倾向匹配得分的应用领域广泛，可用于政策效果评估、医学研究和市场研究等诸多领域。

以政策效果评估为例，我们可以通过比较收入衡量、就业率等变量在接受政策干预前后的变化，来判断政策干预是否具有显著影响。

倾向匹配能够帮助研究人员有效控制潜在的混淆因素，提高因果关系研究的可靠性和准确性。

三、倾向匹配得分结果的解读策略1. 初步观察倾向匹配得分差异首先，研究人员需要观察和比较干预组和对照组在倾向得分上的差异。

如果差异较大，可能意味着两组之间存在较大的混淆因素。

这时应当进一步检查潜在的混淆因素是否得到很好的控制，或者考虑重新设计研究方案。

propensity-score matched
analysis
倾向性评分匹配（propensity score matching，PSM）是一种统计学
方法，旨在减少研究中的偏差和混杂变量影响，以便对观察组和对照
组进行更合理的比较。

这种方法最早由Paul Rosenbaum和Donald Rubin在1983年提出，此后获得了快速发展并且在各个方面不断改进。

倾向性评分匹配的基本原理是用一个分值来替代多个协变量，均衡处
理组和对照组之间的协变量的分布。

通过匹配倾向性评分，可以使得
两个组之间的比较更加合理和公正。

倾向性评分匹配被广泛应用于观察性临床研究和临床试验研究的亚组
分析中，可以有效降低混杂偏倚，并在整个研究设计阶段，得到类似
随机对照研究的效果。

在观察性临床研究和RCT研究亚组分析中，由于种种原因，导致偏倚
和混杂变量较多，PSM可以有效减少这些偏差和混杂变量的影响，以便对观察组和对照组进行更合理的比较。