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

合集下载

propensity score matching 连续变量

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。

SCI编辑问：倾向性评分后，你验证了吗？

倾向性评分是一种统计学上的不就方法常用于观察性研究但对实验性研究但基线不均衡时也可以操作
SCI编辑问：倾向性评分后，你验证了吗？
缘起
精鼎48期SPSS统计软件实战训练营开班啦！
倾向性评分（PS）绝对可以算上近年统计分析领域的网红了，很多大牛期刊近年都有PS相关的论文刊出。实现倾向性评分匹配目前常用软件有，SPSS、stata、R。本号也推过几期 PSM的推文。
然而权威杂志，对PS论文都有一个要求，就是你倾向性评分匹配后，你进行了匹配效果验证了吗？
松哥统计说倾向性评分是一种统计学上的不就方法，常用于观察性研究，但对实验性研究，但基线不均衡时，也可以操作。
该方法的思想：就是在现有的个案中，选择一部分符合基线条件的个案进行后续分析。虽然增加了可比性，但也损失了样本量。倾向性评分有4种处理方法，松哥新书里有详细说明. 匹配后数据均衡性检验，对于计量资料可以采用t检验，计数资料可以采用卡方检验。
算出后，进行画图即可。
【赠人玫瑰，手留余香】【2055】SPSS25，作图优化啦，bayes也可统计了【2054】SPSS太不靠谱，明明没有缺失值，非说有缺失值，难道是真的？【2053】Cox比例风险模型，等比例风险你验证了吗？【2052】SCI编辑让做控制协变量的生存曲线【2051】趋势性检验集锦【2050】析因设计方差分析【2049】SCI作图又一技能-嵌入图
【2041】为什么SPSS读取Excel数据乱码或空值，真实案例【2040】谁说SPSS不能画统计地图
> 10%; significant P-values) in baseline variables between propensity score-matched groups should not be overlooked .】那么你会问，这这绝对标准差值如何算呢，请参考如下公式，分别针对计量与计数资料：

PSM原理及软件操作

中第一个xls表格再单击，在弹出的对话框中选择“是”，软件将会自动打开EXCEL表格。
3.实例操作
④匹配后数据展示打开EXCEL后PP.score变量展示的是所有记录的倾向性评分。
3.实例操作
④匹配后数据展示再回到软件左侧“病例对照配对”分支树里的“PROJ1_1tbl.htm”处单击右键，选
2.需要对匹配前后混杂因素组间差异进行描述，以观察匹配效果。
3.实例操作数据读取成功
3.实例操作
②进行PSM操作点击软件上方“数据操作”菜单，选择“病例对照配对”。
3.实例操作
②进行PSM操作
进入“病例对照配对”界面后，病例对照分组变量处选择研究的分组变量NLR，研究对象编号处选择原始研究编号变量id，用于配对的变量选择需要调整的混杂因素（下图右方蓝色部分）变量，再在“计算倾向性评分再按评分配对”处打勾,1：n配对处选择n=1,最后点击下方的“查看结果”。
③RCT研究对试验条件要求高，投入也大，一般的小医院很难开展高质量、大样本的RCT。
1.RCT研究
上市后药物扩大适应症的研究属于药品补充注册的一种，需要研究者进行药物临床研究, 再上报国家食品药品监督管理局，审批通过后才允许在说明书上面增加新适应症。
2.观察性研究简介
上面的时髦名词“真实世界研究”,其实也就是观察性的临床研究，相对于RCT研究，观察性临床研究的研究对象所具有的各种特征是客观存在的，研究者不能对其进行干预，其研究结果更接近实际情况，同时因其较宽的纳入排除标准，使其研究结果更具外推性，实用性更好。
3.倾向性评分匹配的原理介绍
倾向性评分匹配的研究步骤：
①根据临床经验和实际要求，以处理因素为应变量（Y），混杂因素为自变量(X)来构建回归模型； ②由大量观察性数据拟合回归模型的参数； ③根据拟合的回归模型计算每个个体的倾向指数，指数范围为0-1之间，反映个体被分到实验组的概率； ④以倾向指数为依据，通过倾向评分匹配方法来均衡组间协变量的分布；

倾向性评分匹配的原理及文献解读PPT课件

真实世界研究控制混杂方法
2006年美国流行病学杂志Am J Epidemiol总结了真实世界研究控制混杂常用的五种方法，包括： 1. 多元回归模型调整混杂 2. 倾向性评分匹配（PSM）后构建回归模型 3. 回归模型调整倾向性评分（PS） 4. 回归模型+加权（IPTW）处理 5. 回归模型+加权（SMR）处理
倾向性评分匹配原理及文献解读
目录
CONTENTE
01 倾向性评分匹配的原理介绍
02 倾向性评分匹配的实例
03 倾向性评分匹配应用的注意事项
01 倾向性评分匹配的原理介绍
临床研究常见的类型
X是否人为分配？Assigned
exposure X?
No
Yes
观察性 Observational
实验性 Experimental
1.RCT研究简介药物临床试验(GCP)采用的就是严格按照RCT研究研究也有其不可避免的缺陷： ①有些研究无法解决伦理问题。如吸烟和肺癌，就不能做RCT研究
②RCT研究是在理想条件下对特定人群的干预结局，并不能很好的外推到真实的临床环境中，如：药物的RCT一般都会限制研究人群，年龄有限制，小孩不要，老人不要，有基础疾病的不要，但在真实的临床环境中，如果遇到了这些人群，究竟用不用这个药，用多少，有什么风险…,这些都不清楚。
3.倾向性评分匹配的原理介绍
混杂偏倚可能改变着研究结果的真实性，从而使观察性临床研究结果的实际运用价值受到相应的限制。观察性临床研究中，是否有效控制偏倚成为其成功与否的关键，在这种情况下，倾向性评分匹配就横空出世了。
20世纪80年代Rosenbaum和Rubin首次提出了了倾向性评分法这一概念。倾向性评分法是运用倾向性评分值来综合所有的观察变量信息从而达到均衡变量、减少偏倚的目的。

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）

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。

PSM-DID分析ppt课件

• 但不能就此认为西部大开发取得了显著绩效。
（1）基数小，增长快（一张白纸可以画出更美丽的画卷）（2）税收优惠政策对西部地区的增长具有促进作用，效果
将越来越微弱；（3）西部地区与发达地区之间的区域差距仍在继续扩大。
15
政策陷阱效应
• 优惠政策构成了西部地区经济增长的驱动力，但其增长对能源、资源开发的依赖度很高；由于体制弊端和配套政策缺失，会造成地方政府的短视行为，容易忽视人才和技术要素，弱化社会制度和软环境构建。
PSM—DID及其应用
1
1、介绍PSM-DID方法 2、分析论文
——西部大开发是增长驱动还是政策陷阱
3、stata操作过程
2
双重差分法
• 双重差分（difference in differences，DID）嘛，就是差分两次。
• 一种专门用于分析政策效果的计量方法。 • 将制度变迁和新政策视为一次外生于经济系统的“自然实
大开发之前的处理组、西部大开发之后的处理组、西部大开发之前的控制组和西部大开发之后的控制组。
• du＝1代表西部地区的地级市，du＝0代表其他地区的地级市，dt＝ 0代表西部大开发之前的年份，dt＝1代表西部大开发之后的年份。
• 下标ｉ和ｔ分别代表第ｉ个地级市和第ｔ年，Ｚ代表一系列控制变量，ｅ为随机扰动项，被解释变量Ｙ度量经济增长，具体指标包括人均实际GDP和实际GDP的对数值。
城市的GDP增长率，Yi Yi1 Yi0
• （2）求处理效应：
1
1
Y N1
(Yi Di 1) N2
(Yi Di 0)
修建铁路对城市经济的促进作用 6
修建铁路对沿线城市经济的影响
• 可以换一个写法 • T=1，建铁路之后 • T=0，建铁路之前 • Treated代表在某一期，某一类城市是不是建了铁路。第零

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

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。

使用R和Stata软件实现倾向性评分匹配

Ｒ软件安装完毕后，还需要进一步安装和加载所
ｐｓｍａｔｃｈ２程序包就是专门用于实现ＰＳＭ的易学易用需的Ｍａｔｃｈｉｔ程序包，具体安装与加载代码如下：
的程序包。本文拟通过实例展示如何在Ｒ与
ｉｎｓｔａｌ１．ｐａｃｋａｇｅｓ（”Ｍａｔｃｈｉｔ”）
Ｓｔａｔａ软件上逐步实现ＰＳＭ。
ｌｉｂｒａｒｙ（Ｍａｔｃｈｌｔ）
倾向性评分的概念与基本原理
２．数据背景与加载数据选择某医院２０１２年１月１日至２０１５年ｌ０
倾向性评分（ｐｒｏｐｅｎｓｉｔｙｓｃｏｒｅ，ＰＳ）的概念是月３１日期间确诊的６０３例妊娠合并乙肝孕妇，探讨
目前被认为是临床试验的金标准，但在实际工作中常且协变量的ＰＳ值相近。
受到伦理、经济等因素的影响，且因研究对象有严格的纳入排除标准，使其结论外推受到限制 … 。大样本观
在Ｒ软件上实现倾向性评分匹配
以孕妇是否为ＨＢｅＡｇ阳性为分组因素，将其余变量作为协变量纳入ＰＳＭ模型之中，并将结果存储在 “ ｍ．ｏｕｔ”这一新变量之中。匹配的算法选用了最常用的最近邻匹配算法（ｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｍａｔｃｈｉｎｇ），匹配的比例可通过设定ｒａｔｉｏ的数值来实现，一般设置为１ — ５，本例设置为１：１匹配。程序命令如下：

倾向匹配得分结果解读 -回复

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

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。

倾向性评分匹配新手速成含模板

Match Tolerance用来设置倾向性评分匹配标准（学名“卡钳值”），这里设定为 0.02，即吸烟组和不吸烟组按照倾向性评分±0.02进行1：1匹配（当然，卡钳值设置的越小，吸烟组和不吸烟组匹配后可比性越好，但是凡事有个度，太小的卡钳值也意味着匹配难度会加大，成功匹配的对子数会减少，需要综合考虑~~~）；
2020/1/2
SPSS操作：轻松实现1:1倾向性评分匹配(PSM)
B. 确定匹配成功标识：match_id为吸烟组和不吸烟组相互匹配成功的ID，这里将不吸烟组match_id变量转换为ID变量，这时候相同的match_id即为匹配成功的对子。具体操作：将 Analysis 数据集中，不吸烟组 match_id 替换成 ID 编号： Transform→Compute Variable→if smoke=0, match_id=ID→OK
https:///s?src=3&timestamp=1577940493&ver=1&signature=z*ELGMVabxHVrwZ7Hr2FuH2Mnn0hyLsj293*17vBbGj55r*87TSsg9iEAs… 8/12
2020/1/2
SPSS操作：轻松实现1:1倾向性评分匹配(PSM)
2020/1/2
SPSS操作：轻松实现1:1倾向性评分匹配(PSM)
Variable for Number of Eligible Cases设定一个变量，用来明确病例组中某一个观测对象，在对照组中有多少个观测对象满足与其匹配的条件，比如说病例组有一个观测对象PS=0.611，对照组可能有一个0.610，一个0.612。
3、与马氏配比结合的PSM：PSM与马氏配比结合后可以增加个别重点变量平衡能

倾向值匹配

2、PSM简介
• 倾向值指被研究的个体在控制可观测到的混淆变量的情况下受到某种自变量影响的条件概率。 • 匹配的基本逻辑是将受到自变量影响的个体与没有受到影响的个体进行配对。 • 倾向值匹配就是保证匹配起来的个体的倾向值相等或者近似。
2、PSM简介
• 为何不将混淆变量作为控制变量纳入回归模型？
T = E Y1 | 1 E Y0 | 1
1 E Y1 | 0 E Y0 | 0
E Y0 | 1 实验组的人放置在对照组时因变量的均值反事实 E Y1 | 0 对照组的人放置在实验组时因变量的均值反事实 E Y0 | 0 对照组的人放置在对照组时因变量的均值事实 1 指对照组的比例 T指因果关系，指实验组的比例，因果关系表示为实验组中的个体其“事实”与“反事实”之间的差异与对照组中个体“事实”与“反事实”之间的差异的加权平均值。
非混淆假设通过控制倾向值P来满足： E Y1| =0,P =E Y1| =1,P
E Y0 | =0,P =E Y0 | =1,P
3、PSM与因果推论
• 统计学角度
如果非混淆假设满足，反事实框架下的因果推论公式就简化为：
T =E Y E Y0 |=0 1| =1 —
E Y1 | 1 实验组的人放置在实验组时因变量的均值事实
3、PSM与因果推论
• 统计学角度
问题在于，我们永远也不可能观测到反事实是什么。所以要用可观测到的事实来简化因果推论公式，具体而言，要满足统计学上的“非混淆假设”：
E Y1| =0 =E Y1| =1 E Y0 | =0 =E Y0 | =1
然而，在探索因果关系时，我们所关心的问题是： a.任取一原本受自变量影响的样本，如果一开始不受自变量影响，那么他的因变量是什么水平？ b.任取一原本不受自变量影响的样本，如果一开始受到自变量影响，那么他的因变量是什么水平？

倾向得分匹配法原理及其实现

倾向得分匹配法（Propensity Score Matching，简称PSM）是一种在经济学和其他社会科学中广泛使用的统计方法，主要用于处理自选择偏误和观察数据中的潜在偏差。

其基本原理是通过计算一个倾向得分，将处理组（例如，接受某种干预或处理的对象）与控制组（未接受处理的对象）进行匹配，以消除非处理因素（即干扰因素）的影响，从而更准确地估计处理效应。

原理：倾向得分匹配法的核心在于建立一个倾向得分模型。

这个模型基于一系列可能影响处理分配的协变量（即特征变量），计算每个观察对象接受处理的概率，即倾向得分。

这个得分反映了观察对象在给定其协变量特征的情况下，接受处理的倾向程度。

通过倾向得分，我们可以将处理组和控制组中的观察对象进行匹配。

匹配的目标是找到与处理组对象在协变量特征上尽可能相似的控制组对象。

这样，匹配后的处理组和控制组在协变量上应该是平衡的，即它们在这些特征上的分布应该是相似的。

因此，处理效应的估计就可以更准确地归因于处理本身，而不是其他潜在的干扰因素。

实现：倾向得分匹配法的实现通常包括以下步骤：1.选择协变量：首先，需要确定哪些协变量可能影响处理分配和结果变量。

这些协变量应该被包括在倾向得分模型中。

2.估计倾向得分：使用逻辑回归或其他适当的模型来估计倾向得分。

这个模型以处理分配为因变量，以选定的协变量为自变量。

3.进行倾向得分匹配：根据估计得到的倾向得分，使用适当的匹配方法（如k近邻匹配、卡尺匹配等）将处理组和控制组进行匹配。

4.计算处理效应：在匹配后的样本上计算处理效应。

这通常涉及到比较处理组和控制组在结果变量上的差异。

在实际应用中，倾向得分匹配法可以通过各种统计软件来实现，如Stata、R和Python等。

这些软件提供了丰富的功能和工具，可以帮助研究者进行倾向得分估计、匹配和处理效应的计算。

需要注意的是，倾向得分匹配法虽然可以有效地处理自选择偏误和潜在偏差，但它也有一些局限性和假设条件。

1:1倾向性评分匹配(PSM)-SPSS教程

1:1倾向性评分匹配(PSM)-SPSS教程一、问题与数据谈起临床研究，如何设立一个靠谱的对照，有时候成为整个研究成败的关键。

对照设立的一个非常重要的原则就是可比性，简单说就是对照组除了研究因素外，其他的因素应该尽可能和试验组保持一致，这里就不得不提随机对照试验。

众所周知，随机对照试验中研究对象是否接受干预是随机的，这就保证了组间其他混杂因素均衡可比。

但是有些时候并不能实现随机化，比如说观察性研究。

这时候倾向性评分匹配(propensity score matching, PSM)可以有效降低混杂偏倚，并且在整个研究设计阶段，得到类似随机对照研究的效果。

与常规匹配相比，倾向性评分匹配能考虑更多匹配因素，提高研究效率。

这么“高大上”的倾向性评分匹配，是不是超级难学？错矣！今天就带大家轻松搞定1:1倾向性评分匹配。

作为“稀罕”大招，并不是在所有版本的SPSS都可以实现倾向性评分匹配，仅在SPSS22及以上自带简易版PSM。

本次使用SPSS22为大家演示1:1倾向性评分匹配。

某研究小白想搞明白吸烟和高血压之间的关系，准备利用某项调查的资料进一步随访研究吸烟和高血压的关联，该项研究包括233名吸烟者，949 名不吸烟者。

如果全部随访，研究小白感觉鸭梨山大，所以打算从中选取部分可比的个体进行随访。

这两组人群一些主要特征的分布存在显著差异（见表1），现准备采用PS最邻近匹配法选取可比的个体作为随访对象。

表1. 两组基线情况比较（匹配前）二、SPSS操作1. 数据录入(1) 变量视图(2) 数据视图2. 倾向性评分匹配选择Data→Propensity Score Matching，就进入倾向性评分匹配的主对话框。

将分组变量Smoke放入Group Indicator中（一般处理组赋值为“1”，对照组赋值为“0”）；将需要匹配的变量放入Predictors中；Name for Propensity Variable为倾向性评分设定一个变量名PS；Match Tolerance用来设置倾向性评分匹配标准（学名“卡钳值”），这里设定为0.02，即吸烟组和不吸烟组按照倾向性评分±0.02进行1：1匹配（当然，卡钳值设置的越小，吸烟组和不吸烟组匹配后可比性越好，但是凡事有个度，太小的卡钳值也意味着匹配难度会加大，成功匹配的对子数会减少，需要综合考虑~~~）；Case ID确定观测对象的ID；Match ID Variable Name设定一个变量，用来明确对照组中匹配成功的Match_ID；Output Dataset Name这里把匹配的观测对象单独输出一个数据集Match。

倾向得分匹配法的研究探索及应用

倾向得分匹配法的研究探索及应用倾向得分匹配法是一种广泛应用于社会科学和医学领域的研究方法，该方法通过匹配实验组和对照组的倾向得分，以减少选择偏误和混杂因素的影响，从而提高研究结果的准确性和可靠性。

本文将探讨倾向得分匹配法的研究应用，并分析其实验设计和数据分析过程，以期为相关领域的研究提供借鉴和参考。

本文将围绕倾向得分匹配法展开，涉及的关键字包括：倾向得分、匹配法、实验设计、数据收集、数据分析等。

以下是这些关键字的定义：倾向得分：在倾向得分匹配法中，倾向得分是指对个体接受处理（如干预、治疗等）的概率进行评估的分数。

倾向得分通过综合考虑个体的各种特征和变量来计算，这些特征和变量可以包括个体的年龄、性别、教育程度、职业、健康状况等。

匹配法：匹配法是一种将研究对象配对或分组的方法，以减少混杂因素的影响，从而提高研究结果的准确性和可靠性。

在倾向得分匹配法中，研究人员根据倾向得分将实验组和对照组进行匹配，以使两个组之间的特征和变量更加相似。

实验设计：实验设计是指一项研究的设计过程，包括实验的目的、假设、样本选择、变量确定、数据采集和分析方法等。

在倾向得分匹配法中，实验设计还包括如何计算倾向得分和进行匹配的方法。

数据收集：数据收集是指通过调查、观察、问卷等方式获取研究所需的数据。

在倾向得分匹配法中，数据收集需要考虑如何收集与倾向得分相关的数据，以及如何保证数据的准确性和完整性。

数据分析：数据分析是指对收集到的数据进行统计、计算、绘图等方式的处理和分析，以得出研究结果和结论。

在倾向得分匹配法中，数据分析需要运用倾向得分匹配法对数据进行处理和分析，以得出研究结果。

本文将分为以下几个部分展开探讨倾向得分匹配法的研究应用：倾向得分匹配法是一种广泛应用于社会科学和医学领域的研究方法，该方法通过匹配实验组和对照组的倾向得分，以减少选择偏误和混杂因素的影响，从而提高研究结果的准确性和可靠性。

目前，倾向得分匹配法已经在众多领域得到了广泛的应用，如医学、社会科学、经济学等。

倾向性评分匹配的微创胆囊癌意向性根治术的安全性及有效性

论著倾向性评分匹配的微创胆囊癌意向性根治术的安全性及有效性张东，李起，刘恒超，雷建军，陈晨，耿智敏西安交通大学第一附属医院肝胆外科（西安710061）【摘要】目的探讨微创胆囊癌意向性根治术的安全性及有效性。

方法回顾性分析2022年1月至2023年8月于西安交通大学第一附属医院肝胆外科因胆囊癌行意向性根治术的126例患者的临床病理资料，其中男性38例（30.2%），女性88例（69.8%）；年龄40~88（63.3±8.8）岁；开腹组92例（73.0%），微创组34例（27.0%），其中微创组含5例行机器人辅助手术者。

通过比较倾向性评分匹配（1:1匹配）前后两组患者临床病理资料的差异，分析开腹和微创组的手术耗时、术中出血量、术中输血量、淋巴结清扫数目、术后恢复、并发症发生、住院时间及住院费用。

结果倾向性评分匹配后开腹和微创组基线资料比较，差异均无统计学意义（P>0.05）。

微创组手术耗时长于开腹组（314.3±116.5min vs.234.3±65.2min，P=0.001），但两组患者在术中出血量、输注红细胞、输注血浆、是否阻断肝门、肝门阻断次数、肝门阻断时间、淋巴结清扫数目、阳性淋巴结数目、手术切缘比较，差异均无统计学意义（P>0.05）；两组术后并发症发生情况及并发症C-D分级≥Ⅲ级者比较，差异无统计学意义（P>0.05）；微创组患者术后首次进食时间及拔除引流管时间均短于开腹组（P<0.05）；微创组术后住院时间短于开腹组（7.0d vs.8.0d，P= 0.014），而住院总时间、总费用比较，差异无统计学意义（P>0.05）。

结论微创胆囊癌根治术具有良好的手术安全性和有效性，可有助于患者快速恢复，具有一定的临床应用价值。

【关键词】胆囊癌；微创手术；开腹手术；倾向性评分匹配【中图分类号】R735.8文献标志码A DOI：10.3969/j.issn.2096-3351.2024.02.009The safety and efficacy of minimally invasive curative-intent resection for gall-bladder carcinoma based on propensity score matchingZHANG Dong，LI Qi，LIU Hengchao，LEI Jianjun，CHEN Chen，GENG ZhiminDepartment of Hepatobiliary Surgery，The First Affiliated Hospital of Xi’an Jiaotong University，Xi’an710061，China 【Abstract】Objective To explore the safety and efficacy of minimally invasive curative-intent resection for gallbladder carci‑noma.Methods The clinicopathological data of126patients who underwent curative-intent resection for gallbladder carcinoma in the Department of Hepatobiliary Surgery of First Affiliated Hospital of Xi’an Jiaotong University from January2022to August2023was ret‑rospectively analyzed.There were38males patients（30.2%）and88females patients（69.8%）；age40to88（63.3±8.8）years old；and there were92cases in the open surgery group（73.0%）and34cases（27.0%）in the minimally invasive surgery group，of which in‑cluded5cases who underwent robotic-assisted surgery.By comparing the clinicopathological data differences between the open surgery group and the minimally invasive surgery group before and after propensity score matching（1:1matching），we analyzed the operative time，intraoperative bleeding，intraoperative blood transfusion，number of lymph node dissection，postoperative recovery，occurrence of complications，length of hospital stays，and hospital costs between the two groups.Results There was no statistically significant differ‑ence in baseline data between the open surgery group and the minimally invasive surgery group after propensity score matching（P> 0.05）.The results showed that the minimally invasive surgery group had a longer operation time than that in the open surgery group （314.3±116.5min vs.234.3±65.2min，P=0.001），but there were no statistical differences between the two groups in the intraopera‑tive bleeding，intraoperative transfusion of erythrocytes，transfusion of plasma，whether the hepatic hilum was blocked，number of he‑patic hilum blocks，duration of hepatic hilum block，number of lymph node dissection，number of positive lymph nodes，and surgical margins（P>0.05）；there was no statistically significant difference between the two groups in the occurrence of postoperative complica‑tions and those with C-D grading of complications≥grade III（P>0.05）；the time for the first postoperative meal and the time for re‑moving the drainage tube in the minimally invasive group were shorter than those in the open surgery group（P<0.05）；the postopera‑tive hospital stay in the minimally invasive surgery group was shorter than that of the open surgery group（7.0d vs.8.0d，P=0.014），and there was no statistically significant difference in the total length of hospital stays and the total hospital costs（P>0.05）.Conclu⁃sion Minimally invasive curative-intent resection of gallbladder carcinoma showed good surgical safety and efficacy，which could help 基金项目：国家自然科学基金（62076194）；陕西省重点研发计划（2021SF-016，2022SF-410，2022-SF-606）通信作者：耿智敏，Email:********************引用本文：张东，李起，刘恒超，等.倾向性评分匹配的微创胆囊癌意向性根治术的安全性及有效性[J].西南医科大学学报，2024，47（2）：141-146. DOI：10.3969/j.issn.2096-3351.2024.02.009胆囊癌（gallbladder carcinoma，GBC）是胆道系统中最常见的一类恶性肿瘤，具有恶性程度高、预后极差的特点，患者5年总体生存率不足20%[1-2]。

倾向匹配得分共同支撑假设

倾向匹配得分（Propensity Score Matching，简称PSM）和共同支撑假设（Common Support）是统计学中用于处理观察性研究或非随机实验的一种方法。

1. 倾向匹配得分：
倾向得分是根据一系列协变量预测处理条件发生的概率。

其主要目标是创建一个平衡的队列，其中处理组和对照组在所有相关协变量上具有相似的分布。

通过这种方法，我们可以减少处理组和对照组之间的系统性差异，从而使因果推断更加有效。

2. 共同支撑假设：
该假设指出，在匹配过程中，应该只使用那些在处理组和对照组中都有相似分布的协变量。

这样可以确保匹配的队列不仅在处理条件上相似，而且在其他重要的协变量上也相似。

如果共同支撑假设得到满足，那么匹配的精度和稳定性都会得到提高，从而使估计的偏倚更小。

综上所述，倾向匹配得分是一种用于预测处理条件发生概率的方法，而共同支撑假设则强调了匹配过程中应考虑的协变量的范围和限制。

这两者是相辅相成的，共同确保了匹配队列的有效性和稳定性。

临床流行病学考试重点

2017临床流行病学考试重点祁琪整理临床流行病学1.临床流行病学的核心内容是什么？DME，即设计(design)、测量（measurement）、评价(evaluation)。

即：1）正确选择临床科研课题，进行科学的研究设计；2）选择适当的测量指标；3）从设计和测量的角度对临床医学的研究结果做出实事求是的综合评价，并得出科学的结论。

2.倾向性评分（Propensity Score）的基本思想和目的倾向性评分是指在一定协变量条件下，计算出观察对象i接受处理（z=1）的条件概率倾向评分评分目的：用一个综合评分（及倾向性评分）来代替所有已知的混杂因素，从而均衡各对比较组间各个特征变量的可比性，是去除混杂偏倚的关键性方法。

基本思想：将多个协变量的影响用一个倾向性评分值来表示（相当于降低了协变量的维度），然后根据倾向性评分值进行不同对比组的分层、匹配或加权，即均衡对比组间协变量的分布，最后在协变量分布均衡的层内或者匹配中估计处理效应。

倾向评分匹配（Propensity Score Matching，PSM）目的（作用）：用来处理观察研究的数据，减少数据偏差和混杂变量的影响，消除组别之间的干扰因素。

倾向匹配容差是指在进行倾向性评分匹配时，如果匹配具有容差系数，对每个匹配变量所设计的容差，匹配容差可以用较小的数值填写，需要根据实际情况而定。

输入一个0-1的数，越接近0越完全匹配，越接近于1，匹配越不严格，这里要试着找最佳点。

当然“完全匹配”要丢失更多的病例，如果选0，有可能找不到匹配的记录。

3.临床疗效评价中，临床试验结果如何分析最后分析的采用方法主要有几种，进行简要的说明疗效评价：是采用流行病学方法，对药物或防治措施的效果进行科学的评价，即决定某种治疗方法是否有效、是否利大于弊。

欲比较A和B治疗的疗效差别，资料可有下列四种情况1）意向治疗分析（intention-to-treat analysis , ITT分析）比较①+②与③+④，是在最后资料分析中包括了所有纳入随机分配的患者，不管被研究者的实际依从情况，它反映了原来试验意向干预的效果。

propensity score matching 统计 -回复

propensity score matching 统计-回复什么是倾向得分匹配？倾向得分匹配（Propensity Score Matching，PSM）是一种统计方法，用于在观察性研究中控制混杂因素（confounding factors）的影响，从而得到更准确的因果推断。

它通过测量个体对于一个特定处理（treatment）的倾向得分，将接受处理和未接受处理的个体进行匹配，以尽可能保持匹配组之间的可比性。

首先，为什么需要倾向得分匹配？在社会科学研究中，因果推断是一个重要的目标。

然而，随机对照实验并不总是可行或道德，因此研究者经常依靠观察性研究。

观察性研究中存在众多混杂因素，比如个体的特性、环境因素等，这些混杂因素会干扰我们对处理与结果之间关系的判断。

倾向得分匹配可以在一定程度上解决混杂因素的问题，从而更接近真实的因果关系。

接下来，如何进行倾向得分匹配？首先，我们要估计处理的倾向得分。

常见的方法有逻辑回归、梯度提升树等。

逻辑回归可以预测个体接受处理的概率，而梯度提升树则可以非参数地估计倾向得分。

倾向得分越高，个体接受处理的概率越大。

然后，根据倾向得分进行匹配。

最简单的方法是一对一匹配，即将具有相似倾向得分的接受处理和未接受处理的个体配对。

还有其他匹配方法，包括多对一匹配、迭代匹配等。

匹配后，匹配组之间的混杂因素得到一定程度的控制，从而接近于随机对照实验的效果。

最后，进行结果评估。

通过比较匹配组之间的处理效应，我们可以得到更准确的因果推断。

通常使用平均处理效应（average treatment effects，ATE）或者倾向得分匹配估计（propensity score matching estimator）来评估效果。

需要注意的是，倾向得分匹配并不能完全消除混杂因素的影响，仍然有可能存在未能观察到的混杂因素，从而导致估计结果的偏差。

此外，倾向得分的估计准确性和匹配效果也需要进行敏感性分析。