倾向评分匹配
Parent: ai_keywords
倾向评分匹配（Propensity Score Matching, PSM）
核心定义
倾向评分匹配是一种用于观察性研究的因果推断统计方法。其核心思想是通过估计个体接受处理（如治疗、暴露）的条件概率（即倾向评分），然后在处理组与对照组中匹配倾向评分相近的个体，从而在非随机化条件下模拟随机对照试验，减少因混杂因素引起的选择偏倚。倾向评分通常由逻辑回归、广义线性模型或机器学习方法基于可观测协变量估计得出。
关键技术点
- 倾向评分估计
常用逻辑回归、CART（分类与回归树）或神经网络构建模型，纳入所有可能影响处理分配和结局的协变量，但避免纳入中介变量或工具变量。 - 匹配策略
- 最近邻匹配：按倾向评分距离最小原则进行 1:1 或 1:k 匹配。
- 卡钳匹配：设定最大允许距离（如 0.02 个标准差），防止低质量匹配。
- 核匹配与局部线性匹配：使用加权平均构建伪对照组，适用于较大样本。
- 平衡性检验
匹配后需通过标准化均差（SMD < 0.1）、方差比等指标检验两组协变量分布是否均衡，若失衡需调整模型或匹配参数。 - 敏感性分析
评估未观测混杂的影响，常用 Rosenbaum 边界灵敏度分析或隐变量模型量化结论对潜在混杂的稳健性。
医学/神经科学应用场景
首都医科大学神经病学研究实例
评价一种新型抗癫痫药物（如拉考沙胺）对难治性癫痫患者认知功能的长期影响。由于无法实施随机化（伦理与临床实践限制），研究者收集患者基线数据（年龄、病程、基线智商、既往抗癫痫药数量、发作频率等）。通过逻辑回归估计各自接受新药治疗的倾向评分，采用最近邻卡钳匹配（卡钳值 = 0.02），成功匹配 120 对患者。匹配后协变量 SMD 均 < 0.1，组间可比性良好。随访 1 年发现，新药组在韦氏成人智力量表（WAIS-IV）工作记忆指数上平均下降 2.3 分，而对照药组下降 6.1 分（p=0.003），提示新药对认知损伤更小。该研究避免了单纯回归调整可能引入的线性假设偏差，为临床用药决策提供了更可靠的因果证据。
