倾向性评分匹配怎么做？步骤、参数和平衡性检验

适用场景

回顾性队列、真实世界研究中，处理组和对照组的基线特征往往不一致（例如用药组病情更重），直接比较会有混杂偏倚。PSM 通过匹配让两组在已测量的协变量上可比。

步骤

1. 选择协变量：纳入同时影响处理分配和结局的基线变量，必须是处理前测量的，不能纳入处理后才出现的变量；
2. 估计倾向性评分：常用 Logistic 回归，以是否接受处理为因变量；
3. 匹配：常见做法是最近邻 1:1 匹配，卡钳值常设为倾向性评分 logit 标准差的 0.2 倍；也可以 1:2、1:3 或最优匹配；
4. 平衡性检验：计算各协变量匹配前后的标准化均数差（SMD），一般要求 SMD < 0.1；同时看倾向性评分分布图的重叠情况；
5. 估计效应：在匹配后的样本中比较结局，注意匹配样本不再独立，可考虑配对分析方法或稳健标准误；
6. 敏感性分析：换用不同卡钳值、匹配比例或逆概率加权（IPTW）验证结果。

R 里的实现

• MatchIt：matchit() 完成匹配，例如 method = "nearest"、caliper = 0.2；
• cobalt：bal.tab() 输出 SMD，love.plot() 画平衡性图；
• Stata：teffects psmatch 或 psmatch2。

常见错误

• 用 P 值判断平衡（样本量变化会影响 P 值，应看 SMD）；
• 纳入处理后的变量；
• 匹配后丢失大量样本却不讨论对代表性的影响；
• 认为 PSM 可以控制未测量的混杂（它不能）。

什么时候需要找导师

协变量怎么选拿不准、匹配后仍不平衡、不知道该用 PSM 还是 IPTW 时，可以请做过真实世界研究的导师帮你设计分析方案。