Propensity score matching

在统计分析中，propensity score matching (PSM)是一种对治疗有效性提供无偏估计的方法。因为治疗效果可能与研究选定的参与者有关或者选定的治疗方式的特点有关，这样就会产生研究结果偏误。

比如，研究的吸烟的后果，或者读书的影响。那么，被“治疗”（研究）的人仅仅来自吸烟者，或者大学毕业生，也就是有研究者分析问题经历的人。这种情况就改变了随机数据的特性，失去了大数法则中统计可以取得平均值的可能性，产生研究偏误。这个词儿最初来自于医学文献，这些文献的作者希望能够解决这个问题，取得真实的治疗效果衡量结果。

倾向分数分析法就是解决这个问题的。已有的研究主要介绍了三种倾向分数的应用方法: 匹配法( matching ) , 分层法( st ratif icat ion or subclassificat ion)以及回归调整法( reg ression adjustment )。其中,匹配法和分层法是在观察研究中长期被用于消除选择性偏差( selection bias)的有效方法。
匹配法是从控制组中挑选出个体以匹配处理组被试的方法。从处理组逐次挑选被试, 在控制组中寻找与此被试的倾向分数最为接近的全部被试,再随机从抽取出的全部被试中抽取一个或多个作为处理组被试的对照被试。这种方法常用于处理组被试数量较少而控制组被试数量较大的情况。分层法是将被试按照倾向分数的一定标准区分为若干层, 在不同层次的倾向分数上,均衡其他特征变量从而实现处理组和控制组之间的比较。研究发现,采用五等分的分层法可以有效的消除倾向分数模型中所有特征变量 95%的偏差。回归调整法是将倾向分数作为一个协变量,引入回归方程,再来探讨分组变量与因变量之间的关系。