倾向性评分匹配实战：规避选择偏倚的技巧

引言Introduction

观察性研究里，暴露组和对照组常常“天生不一样”。年龄、病情、治疗方式一旦不平衡，结论就可能被选择偏倚和混杂偏倚带偏。倾向性评分匹配，核心任务就是把组间差异尽量拉平，让比较更接近真实因果。

1. 为什么观察性研究容易出现选择偏倚

1.1 组间不平衡是常态，不是例外

在真实世界研究中，研究对象不是随机分配的。是否接受某种暴露，往往与年龄、基础疾病、经济状况、依从性等因素有关。
这意味着暴露组和对照组在进入研究时就可能不具可比性。
如果直接比较结局，得到的差异未必来自暴露本身。

以吸烟研究为例，吸烟者可能同时伴随更低的社会经济水平、更高的合并疾病负担，甚至不同的医疗可及性。结局差异背后，常常混着多个因素的影响。
所以，观察性研究最常见的问题不是“有没有差异”，而是“差异到底由什么造成”。

1.2 选择偏倚和混杂偏倚会放大误判

选择偏倚强调的是，进入某一组的人本来就不同。混杂偏倚则是，某些变量同时影响暴露和结局，导致表面关联失真。
在临床研究里，这两类偏倚经常同时存在。

如果不控制这些偏倚，回归分析也未必够用。
原因很简单，模型可以调整变量，但前提是你知道该调什么、调得是否充分、样本是否支持这么做。
当组间差异太大时，单纯多变量回归往往无法真正解决“可比性”问题。

2. 倾向性评分匹配的基本逻辑

2.1 用“接受暴露的概率”代替逐项硬匹配

倾向性评分匹配的思想很直接。先估计每个个体接受暴露的概率，也就是倾向性评分，再按这个概率去匹配暴露组和对照组。
它不是要求每个变量都完全一致，而是要求个体在接受暴露的概率上尽量接近。

这比逐项匹配更现实。因为如果同时要求年龄、性别、BMI、基础病、实验室指标都完全相同，往往会丢掉大量样本。
PSM的优势就在于，它用一个综合概率把多个混杂因素折叠起来，从而提高匹配成功率。

2.2 反事实框架是它的理论基础

倾向性评分匹配背后的逻辑，本质上接近反事实思维。
理想情况下，我们希望比较“同一个人暴露前后”的结局，但现实中做不到。于是，PSM试图找到一个“在已知协变量上尽量相似、但暴露状态不同”的替代个体。

匹配成功的两个个体，可以近似看作互为反事实。
这也是为什么PSM比简单分组比较更适合真实世界研究。
它不是消灭差异，而是尽量把“可解释的差异”压缩到最低。

3. 实战中如何设计一个可靠的PSM

3.1 先判断哪些变量该放进模型

不是所有变量都适合塞进倾向性评分模型。通常应优先纳入以下几类变量。

• 与暴露有关的因素。
• 与结局有关的预后因素。
• 基线时已经存在的不平衡变量。
• 明确的临床混杂因素。

原则是尽量纳入混杂因素，而不是结局后的变量。
如果把中介变量或暴露后的变量放进去，可能会引入新的偏倚。
因此，变量选择要基于临床知识、机制理解和研究目的，而不是只看统计显著性。

3.2 常用逻辑回归估计倾向性评分

在实际工作中，最常见的做法是用逻辑回归建立“是否接受暴露”的预测模型。
模型输出的每个概率值，就是该个体的倾向性评分。

例如，在研究“是否戒烟”时，可以把是否戒烟作为因变量，把年龄、FTND评分、干预方案、婚姻状态等作为协变量。
这样每个人都会得到一个戒烟概率。
这个概率不是结局概率，而是接受暴露的概率。

如果变量类型处理不当，模型结果会明显失真。比如分类变量被误当作连续变量，或者变量编码方向混乱，都会影响匹配质量。
所以在建模前，必须先检查变量类型、缺失情况和编码规则。

4. 匹配阶段最容易出错的地方

4.1 卡钳值决定“严”还是“松”

卡钳值是实战中最关键的参数之一。
它决定两个个体的倾向性评分差距要小到什么程度，才能被认为可匹配。

卡钳值越小，匹配越严格，样本损失越大。
卡钳值越大，能匹配更多样本，但可比性可能下降。
这是一种典型的效率和精度平衡。

一般实践中，常会结合研究样本量、暴露比例和PS分布来设定卡钳，而不是机械套用固定值。
如果暴露组样本本来就少，过严的卡钳可能导致大量无法匹配，最终使统计效能不足。

4.2 1:1、1:n和是否放回都会影响结果

最常见的是1:1最近邻匹配，也就是一个暴露个体配一个对照个体。
但在某些研究中，也会采用1:n匹配，以提高统计效率。

常见选择包括：

1. 1:1匹配，平衡性最好，解释最简单。
2. 1:n匹配，可提高样本利用率。
3. 放回匹配，允许同一个对照个体被重复使用。
4. 不放回匹配，更符合独立样本思路，但可能降低成功率。

如果研究目标是尽量保守地控制混杂，1:1匹配通常更稳妥。
如果样本稀少、对照充足，1:n匹配可能更有优势。
但无论哪种方式，匹配后的平衡性都必须重新评估。

5. 怎么判断匹配真的“做对了”

5.1 不要只看P值，要看标准化差异

很多初学者会只看匹配前后基线资料的P值。
这并不够。因为P值受样本量影响很大，样本一大，微小差异也可能显著；样本一小，明显差异也可能不显著。

更推荐使用标准化差异，SMD。
一般认为，SMD小于10%时，组间平衡性较好。
这是PSM评估中更稳定、更适合比较前后变化的指标。

5.2 看分布图，比只看表格更直观

除了数值指标，还应查看匹配前后的分布图。
常见图形包括：

• 倾向性评分直方图。
• 密度图。
• 抖动图。
• 标准化差异图。

这些图能帮助判断两组在匹配后是否有更好的重叠。
如果匹配后两组PS分布明显重叠增加，通常说明匹配有效。
如果仍然存在大片“断层”，说明共同支持域不足，研究结论要谨慎解释。

6. 匹配后分析，才是最后一步

6.1 匹配后数据要按新的队列重新分析

匹配完成后，不是直接看匹配结果就结束了。
真正的统计分析应该基于匹配后的数据集重新进行。

这一步的目的，是在更均衡的样本基础上估计暴露与结局的关系。
匹配前的显著性，不一定能代表真实效应。
匹配后结果更接近控制混杂后的估计。

不过要注意，匹配后样本量减少，统计效能也会下降。
因此，结论要结合效应量、置信区间和临床意义综合判断，不能只盯着P值。

6.2 结果解释必须保留边界感

PSM并不能保证完全消除偏倚。
它只能控制“已测量且已纳入模型的混杂因素”。
对于未测量混杂、测量误差和模型设定错误，PSM无能为力。

所以，PSM更适合做“减偏倚”，不是“变随机”。
在论文写作中，建议明确说明纳入了哪些协变量、使用了何种匹配方式、卡钳如何设定、匹配后平衡性如何评价。
这些信息决定了研究的可信度。

7. 写论文和做课题时，最实用的几点建议

7.1 先画基线差异，再决定是否用PSM

如果暴露组和对照组本身就高度不平衡，直接做传统回归往往不够稳。
此时PSM通常更合适。

但如果样本极小，或者关键变量缺失严重，PSM未必是最优方案。
方法永远服务于数据结构，而不是反过来。
课题设计阶段就应评估：数据是否支持匹配，变量是否足够，样本是否会在匹配后严重流失。

7.2 让统计方法和临床问题对齐

真实世界研究中，研究者最容易犯的错误是“先选方法，再找问题”。
正确做法应当是：先明确临床问题，再选择是否需要PSM，以及如何设置匹配策略。

如果你的核心目标是比较两种治疗在真实世界中的效果，且基线不平衡明显，那么PSM是很有价值的工具。
如果你的问题更适合时间依赖分析、纵向轨迹分析或因果推断框架中的其他方法，就不要为了“看起来高级”而强行匹配。

7.3 选择可靠工具，提高流程可重复性

无论是SPSS还是R，PSM都不是“点一下就完事”。
变量编码、模型构建、卡钳设定、平衡性评价、结果导出，每一步都可能影响结论。

对于想规范开展真实世界研究的团队，建议采用标准化流程和可复现工具。
如果你希望把PSM做得更稳、更快、更可追溯，可以借助解螺旋的研究服务和工具支持，把变量整理、匹配分析和结果输出流程化，减少人为误差，提高研究效率。

总结Conclusion

倾向性评分匹配的价值，不在于“制造显著性”，而在于尽可能让暴露组和对照组在基线层面变得可比 。它通过倾向性评分、卡钳、匹配算法和匹配后平衡性评估，帮助观察性研究更接近因果比较。
对于医学生、医生和科研人员来说，真正要掌握的不是某个软件按钮，而是背后的设计逻辑、变量选择原则和结果解释边界。
如果你正在做真实世界研究，且担心选择偏倚和混杂偏倚影响结论，建议优先建立规范的PSM流程，并结合解螺旋的专业支持，让研究更稳、更清晰、更可发表。