倾向值评分匹配方法PSM
倾向得分匹配方法步骤
倾向得分匹配方法步骤倾向得分匹配方法（Propensity Score Matching, PSM）是一种用于评估因果效应的经典方法之一。
该方法通过倾向得分（Propensity Score）将处理组和对照组进行配对，以减少处理组和对照组之间的混淆偏倚。
下面是倾向得分匹配方法的步骤：1. 研究问题和数据准备：首先明确研究问题，并收集相关的观测数据。
数据应包括处理组和对照组的特征变量，以及因果变量。
2. 变量选择：根据研究问题，选择适当的特征变量作为倾向得分模型的输入变量。
这些变量应具有影响处理组选择的潜在因素，且与因果变量相关。
通常选择的变量包括年龄、性别、教育水平、收入水平等。
3. 倾向得分估计：倾向得分是处理组与对照组之间的条件概率，表示个体被分到处理组的概率。
可以使用各种统计方法来估计倾向得分，包括逻辑回归、梯度提升树等。
估计得到的倾向得分应在0到1之间。
4. 匹配样本选择：通过选择与处理组匹配的对照组样本，减少混淆偏倚。
常见的匹配方法包括最近邻匹配、卡尔曼匹配等。
匹配前，可以根据倾向得分的近似程度设置质量标准，例如最大汉明距离。
5. 匹配效果评估：在匹配完成后，对匹配样本进行处理效果评估。
通常使用平均处理效应（Average Treatment Effect, ATE）或平均处理效应对受处理样本的平均效应（Average Treatment Effect on the Treated, ATT）进行估计。
处理效果的估计可以使用插补法、回归法等。
6. 效果检验和敏感性分析：对匹配效果进行检验，常用的方法有t检验、Bootstrap法等。
此外，还需要进行敏感性分析，检验结果对于倾向得分估计的敏感性。
常见的敏感性分析方法包括皮贝根评分、加入未观测因素等。
7. 结果解读：根据匹配效果评估、效果检验和敏感性分析的结果，对研究问题进行解读。
解读应注意结果的可靠性、合理性和一致性，并结合文献综述和实证研究来进行解释。
倾向计分(积分,匹配)法PSM_SSWR_2004
“comparison” group are compared to only the best cases from the treatment group, the result may be regression toward the mean
• makes the comparison group look better • Makes the treatment group look worse.
focused on the problem of selection biases, and traditional approaches to program evaluation, including randomized experiments, classical matching, and statistical controls. Heckman later developed “Difference-in-differences” method
NSCAW data used to illustrate PSM were collected under funding by the Administration on Children, Youth, and Families of the U.S. Department of Health and Human Services. Findings do not represent the official position or policies of the U.S. DHHS. PSM analyses were partially funded by the Robert Wood Johnson Foundation and the Childrens Bureau’s Child Welfare Research Fellowship. Results are preliminary and not quotable. Contact information: sguo@
倾向得分匹配法步骤
倾向得分匹配法步骤
倾向得分匹配法（Propensity Score Matching, PSM）是一种常用的统计方法，用于处理因果推断中的选择偏差。
下面我将从多个角度介绍倾向得分匹配法的步骤。
1. 确定研究目的，在使用倾向得分匹配法之前，首先需要明确研究的目的和问题，确定需要进行匹配的变量和研究对象。
2. 计算倾向得分，倾向得分是指个体被暴露于某个处理（例如接受某种治疗）的概率。
通常使用logistic回归等方法来计算每个个体的倾向得分，得到一个介于0到1之间的概率值。
3. 匹配处理组和对照组，根据计算得到的倾向得分，将处理组和对照组中的个体进行配对，使得处理组和对照组在倾向得分上尽可能接近，从而达到减少选择偏差的效果。
4. 检验匹配质量，匹配完成后，需要进行匹配质量的检验，通常会使用标准化差异（Standardized Mean Difference, SMD）等指标来评估匹配的效果，确保处理组和对照组在匹配后的特征上没有显著差异。
5. 进行因果推断，匹配完成后，可以利用匹配后的样本进行因果效应估计，比较处理组和对照组在结果变量上的差异，从而得出处理对结果变量的影响。
6. 稳健性检验，最后，为了确保结果的稳健性，可以进行一些敏感性分析，例如倾向得分模型的选择、不同的匹配算法等，来检验结果的稳健性。
综上所述，倾向得分匹配法的步骤包括确定研究目的、计算倾向得分、匹配处理组和对照组、检验匹配质量、进行因果推断以及稳健性检验。
这些步骤有助于减少因果推断中的选择偏差，提高研究结论的可信度。
stata：倾向得分匹配（PSM）
stata：倾向得分匹配（PSM）导读：在经济学中，我们常常希望评估项目实施后的效应，一般的做法是加入虚拟变量，但是这种做法并不科学。
例如政府推行就业培训计划，该项目的参与者，我们将其称作处理组（treatment group），未参与的培训的样本称作控制组（control group）也叫对照组。
PSM考虑就业培训的处理效应评估。
我们一般的做法是比较两组的收入状况。
如果这样处理，可能得到的结论是参加培训的收入低于未参加培训者。
这是由于一开始选择控制组的样本时，选择范围比较广阔，存在选择偏差。
所以在此介绍倾向得分匹配方法（PSM）。
本文在此就不介绍相关理论了，因为小编的理论也不是特别的好，如果想学习的可以参阅连玉君老师的相关视频（重点推介），大概有5个课时；同时也可以参考陈强老师的《高级计量经济学及stata应用》中的第28章处理效应。
在此小编仅仅介绍stata的相关操作。
1、安装psmatch2ssc install psmatch2，replace2、导入数据，方法比较多，可以粘贴复制、也可以使用命令use E:\BaiduNetdiskDownload\A\labor.dta,clear3、命令语法格式介绍psmatch2 D x1 x2 x3 ,outcome(y) logit ties ate common odds /// pscore(varname) qui对以上的标准命令进行解析D为处理变量，是虚拟变量即是否参加培训x1 x2 x3是协变量，一般的称呼也叫解释变量outcome(varname)是输出变量，例如收入logit 表示计算得分的时候使用logit模型，如果不写Logit，默认为probit模型计算得分，在连玉君的视频中论述了二者并不存在明显的差异。
ties表示包括所有倾向得分相同的并列个体，默认按照数据排序选择其中一位个体。
ATE表示同是汇报ATE、ATU、ATT，大家看书重点了解common表示仅对共同取值范围内的个体进行匹配odds使用几率比（odds ratio）算法为p/(1-p),熟悉logit模型的应该了解qui屏幕中不显示logit模型估计过程，可以节省运算时间4 匹配方法连玉君的视频教程讲了三种：最近0匹配、半径匹配、核匹配；陈强老师讲了6种，如果想详细学习，可以参考他们的相关视频与书籍。
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。
SPSS—倾向性评分匹配法（PSM）
SPSS—倾向性评分匹配法（PSM）倾向评分匹配(propensity score matching, PSM)的概念由Rosenbaum和Rubin在1983年首次提出。
2010年之后，这一方法日益受到人们的关注。
国际上越来越多的研究者将倾向指数法应用到流行病学、健康服务研究、经济学以及社会科学等许多领域。
在流行病学研究中，该方法可以在分析和设计阶段有效平衡非随机对照研究中的混杂偏倚，使研究结果接近随机对照研究的效果。
在观察性研究中，如病例对照研究，经常会见到匹配的概念，即按照某些因素或特征，将病例组（或暴露组）和对照组的研究对象进行匹配，以保证两组研究对象具有可比性，从而排除匹配因素的干扰。
同样，既然倾向性评分是一个能够反映多个混杂因素影响的综合评分，我们也可以将两组人群按照倾向性评分从小到大来进行匹配，仅用匹配倾向性评分一个指标来达到同时控制多个混杂因素的目的。
倾向性评分匹配是倾向性分析中应用最为广泛的一种方法。
首先我们要计算出每一个研究对象的倾向性评分，然后从小到大进行排序，对于每一个暴露/处理组的研究对象，从对照组中选取与其倾向性评分最为接近的所有个体，并从中随机抽取一个或N个研究对象作为匹配对象，直至所有的研究对象均匹配完毕，未匹配上的研究对象则进行舍去。
当然，有多少研究对象可以成功匹配，常常与选择匹配的比例和匹配的标准有关。
匹配的比例最常见的为1:1匹配，需要根据两组人群的数量来决定合适的匹配比例，建议不要超过1:4匹配。
对于匹配标准，如果匹配的标准很高，则能够成功匹配的对象就可能会少，甚至出现匹配不上的现象，造成研究对象信息的浪费，如果匹配的标准很宽泛，则匹配的效果就会较差，有可能出现两组人群在匹配后依然存在混杂因素分布不均衡的现象。
例如某个个体的倾向性评分为0.8，如果设定匹配标准为±0.02，则需要为其寻找倾向性评分在0.78-0.82之间的对照进行匹配，匹配范围太窄就可能出现匹配不上的情况；如果设定匹配标准为±0.2，则需要为其寻找倾向性评分在0.8-1.0之间的对照进行匹配，匹配范围太宽则可能降低匹配的效果。
stata倾向得分匹配法
stata倾向得分匹配法英文回答：Propensity score matching (PSM) is a statistical technique used to estimate the causal effect of a treatment or intervention. PSM is based on the assumption that, conditional on a set of observed covariates, treatment assignment is random. This assumption is known as the conditional independence assumption (CIA).The CIA can be tested using a variety of methods, including the Rosenbaum-Rubin test and the covariate balance test. If the CIA is satisfied, then PSM can be used to estimate the average treatment effect (ATE).To estimate the ATE, PSM first estimates the propensity score for each individual. The propensity score is the probability of receiving the treatment, conditional on the observed covariates. Once the propensity scores have been estimated, PSM matches treated individuals to untreatedindividuals who have similar propensity scores.Matching can be done using a variety of methods, including nearest neighbor matching, caliper matching, and kernel matching. After matching, the ATE can be estimated by comparing the outcomes of the treated and untreated individuals.PSM is a powerful tool for estimating the causal effect of a treatment or intervention. However, it is important to note that PSM is only valid if the CIA is satisfied. If the CIA is not satisfied, then PSM may produce biased estimates of the ATE.中文回答：倾向得分匹配法（PSM）是一种统计技术，用于估计治疗或干预的因果效应。
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）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。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
• Manca 等应用倾向值分析对不同手术方案的成本和效果进行研究
• 通过加拿大安大略湖省的心肌梗死数据库（OMID），对经皮腔内冠状动脉成形 术（PTCA）和冠状动脉旁路移植手术（CABG）对因急性心肌梗死（AMI）入院 患者的成本和效果进行评价。
• 该研究中用到的混杂因素包括患者年龄、性别、心源性休克、急性和慢性肾衰竭、 有并发症的糖尿病、充血性心力衰竭、脑血管疾病、恶性肿瘤、肺水肿、心律失 常、Charlson 合并症指数和家庭中位收入。对两组基线协变量的比较发现，大多 数协变量存在显著性差异，即两组患者的基线信息不平衡。
• 比较的效果是接受治疗后1 年内的生存率，成本是所有疾病相关 的医疗成本，研究分别对成本和效果未经过调整的结果、多元回 归结果、基于倾向值匹配的结果和基于倾向值分层的结果进行了 比较。
讨论
倾向值分析只能尽量减少混杂因素产生的影响，并不能完全消除， 其消除程度取决于可以被观测和控制的变量数量以及匹配的质量。 此外，倾向值分析只能对可观测的混杂因素进行平衡和控制，并不 能够控制不可观测的混杂因素，当有重要的混杂因素缺失或不可观 测时，采用倾向值分析所得结果可能与真实值存在较大偏差。
使用倾向值加权
• 还可在不匹配的情况下使用倾向值，将倾向值作为抽样权重进行 多元分析。倾向值加权的目的在于对干预组和控制组的成员分配 权重，使其能够代表研究总体。可以对加权后的总体直接进行多 元分析，也可用于非参数回归的倾向值分析，进行基于内核的匹 配。
• 最大的优点：不丢失样本量。
应用
• 1：关注的结果变量只考察成本或效果 • 2：分开检验混杂因素对成本和效果的影响
倾向值分析是分析观察性数据常用的一类 方法，目前也越来越多地用于采用观察性 数据开展的药物经济学评价。
倾向值分析简介
• 倾向值（propensity score）是在控制其他混杂因素的条件下个体接 受 干预的概率，对其在干预组和控制组间进行控制或匹配以估计干 预效 果，可以用来控制大量的混杂因素变量。
估计倾向值
• Logistic 回归模型 • 令y=组别，x为各协变量
每个个体在给定可观测混杂因素的条件下接受干预的条件概率。
选择匹配方法
最近邻匹配
卡钳匹配 马氏距离匹配
贪婪匹配法
匹配后的均衡性检验
• 协变量的平衡可通过均值上的绝对标准化差值来衡量
• 通常dX＞dXm，说明在匹配后样本的平衡程度有所改善。
步骤
Select covariates
Estimate propensity-
score
Select the matching method
Assessing balance （test
model)
Estimating the
treatment effect
7
选择协变量
找出既影响干预分组又影响结果的混杂因素： 一般协变量是根据已有经验或理论依据来选取的。 通过双变量检验，与干预分组变量和结果变量都相关的协变量均应包含在估计 倾向值的模型中； 与结果变量相关的协变量也应包含在估计倾向值的模型中（不管其与分组变量 是否相关），这样有助于降低估计结果的方差； 而只与协变量不应包含在估计倾向值的模型中。干预分组相关，但与结果变量 无关的
倾向值匹配法（PSM）
RCT：很多限制，如费用，伦理学要 求，操作困难，不适合发病率很低的 疾病
非RCT：避免以上繁杂的问题，容易 组间基线不齐使之成为处理效应的 混杂因素从而产生偏移
• 为了消除混杂因素的影响，传统的解决方式是，用多变 量配对，多变量分析模型，M-H分层分析，协变量分析。
• 当需要匹配的变量很多时，多变量配对通常是不可行的； 当混杂因素很多或有多个亚组时，分层分析也是不可行 的；多因素回归则要求不同组间的协变量具有一致的分 布
• 目的：将多个变量（多维）转化为一个中间变量（一维） • 特点：不在关注每个需要控制的混杂因素的具体取值，转为关注将这
些变量纳入logistic回归方程后预测出来的倾向值。只要保证倾向值匹 配，这些所有需要控制的混杂因素都考虑了。
PSM适用情形
• 前提：logistic多因素分析已经无法校正 • 1：实验组与对照组人数相差甚远（＞4:1） • 2：两组变量差异太大，可比性差，如基线不齐，或混杂因素多 • 3：变量过多，样本量偏少