倾向性评分匹配 (Propensity Score Matching, PSM)

背景

研究类型：①实验性研究；②观察性研究

实验性研究中随机对照实验（RCT）最常用，并且因为能够平衡组间所有混杂因素，使得两组唯一区别就是干预因素，所以被称为临床研究“金标准”（在样本量足够大的情况下，只要是纯随机，组间混杂因素大概率是平衡的）

但是临床研究无法做到纯随机分组，eg：

在该项研究当中，选择手术治疗或 SBRT 已经是既定的事实，而不是将病人随机分为两组后一组使用手术治疗，另一组使用 SBRT 疗法。（假设年轻人更倾向于 SBRT，而老年人更侵向于手术治疗。而我们已知年龄也是影响疗效的一项因素，这样结果大概率是 SBRT 的疗效优于手术治疗，这样的实验结果就存在偏倚。我们就需要用 PSM 平衡掉年龄「混杂因素」的影响）

原理

通过统计学方法，把所有的混杂因素通过打分并计算总分的方式，给出每一个受试对象的混杂总分，这个混杂总分就是倾向性评分(Propensity Score，PS)

PS 评分差距在 0.02 分（也可以适当放宽到 0.03 分)的两个受试对象可以配成一对，从而实现组间混杂因素的平衡（这两个受试对象必须来自不同组，一个来自试验组，一个来自对照组)。PS 评分差距，也叫做匹配容差(Match Tolerance)，还可以称为卡钳值，一般为 0.02 或 0.03，卡钳值越大，能匹配上的个体就越多，但是组间混杂因素的平衡性就会变差。

在 A/B 组当中分别找一个元素进行配对，相当于找对象，A1 与 B3 门当户对

不足之处

样本丢失！因为有些样本无法找到合适的对象（无法找到另外一组中和自己 PS 评分差异在 0.02 分以内的样本)，需要舍弃。

这就意味着，只有大样本的观察性研究才适合进行 PSM。

实际操作

因为 PSM 的配对方法可以分为 1:1 和 1:N ，所以操作方法也可以分为两类。1:1 配对通常使用 SPSS 就可完成，而 1:N 配对则主要依赖 R 语言和 Python 完成。

SPSS

1. 以“分组”为因变量，混杂因素为自变量，建立二元 Logistic 回归模型

2. 根据回归运算结果计算出每一个受试对象的倾向性评分(PS）

3. 根据 PS 匹配两组间的受试对象，实现混杂因素的组间平衡