Pemadanan Skor Kecenderungan dalam Penyelidikan Perubatan: Tutorial Langkah demi Langkah Lengkap (2025)

Diterbitkan 16 Februari 2026 | Kemas kini terakhir 11 Oktober 2026

Pemadanan skor kecenderungan dalam penyelidikan perubatan telah menjadi salah satu alat paling ampuh untuk membuat inferens kausal daripada data pemerhatian. Apabila percubaan terkawal rawak tidak praktikal, tidak beretika atau terlalu mahal, penyelidik beralih kepada kaedah skor kecenderungan untuk mengurangkan bias pemilihan dan menganggarkan keadaan eksperimen terkawal. Tutorial komprehensif ini membimbing anda melalui setiap langkah melaksanakan pemadanan skor kecenderungan (PSM) dalam penyelidikan anda — daripada reka bentuk kajian hingga pelaporan sedia penerbitan.

Sama ada anda menganalisis rekod kesihatan elektronik, pangkalan data pentadbiran yang besar atau data pendaftaran, memahami pemadanan skor kecenderungan dalam penyelidikan perubatan adalah penting untuk menghasilkan dapatan yang boleh dipercayai dan disemak oleh rakan sebaya yang tahan terhadap penelitian yang ketat.

Apakah Pemadanan Skor Kecenderungan?

Skor kecenderungan, yang pertama kali diperkenalkan oleh Rosenbaum dan Rubin pada tahun 1983, ditakrifkan sebagai kebarangkalian bersyarat untuk menerima rawatan (atau pendedahan) yang diberikan satu set kovariat garis dasar yang diperhatikan. Secara matematik, skor kecenderungan e(x) = P(T = 1 | X = x), dengan T ialah penunjuk rawatan dan X mewakili vektor kovariat yang diperhatikan.

Dengan memadankan subjek yang dirawat dan tidak dirawat yang berkongsi skor kecenderungan yang serupa, penyelidik secara berkesan mewujudkan kumpulan perbandingan pseudo-rawak. Ini mengimbangi taburan pembaur yang diperhatikan antara kumpulan, membolehkan anggaran kesan rawatan yang lebih tepat daripada data bukan rawak.

Mengapakah Perlu Menggunakan Padanan Skor Kecenderungan dalam Penyelidikan Perubatan?

Kajian pemerhatian mendominasi landskap penyelidikan perubatan. Pangkalan data pentadbiran yang besar, rekod kesihatan elektronik (EHR) dan daftar penyakit menyediakan data dunia sebenar yang kaya yang melengkapi dapatan daripada percubaan terkawal rawak (RCT). Walau bagaimanapun, sumber data ini membawa bias pemilihan yang wujud kerana tugasan rawatan bukanlah rawak.

Pemadanan skor kecenderungan menangani cabaran asas ini melalui beberapa kelebihan utama:

Mengurangkan bias pengganggu: PSM mengimbangi kovariat yang diperhatikan antara kumpulan rawatan, meniru keseimbangan yang dicapai melalui pengacakan. Mengendalikan data dimensi tinggi: Daripada melaraskan untuk berpuluh-puluh kovariat secara individu, PSM memendekkan semua pengganggu yang diukur menjadi skor skalar tunggal. Penilaian kualiti telus: Tidak seperti pelarasan regresi, PSM membolehkan penyelidik mengesahkan secara langsung bahawa keseimbangan kovariat telah dicapai sebelum menganalisis hasil. Penerimaan kawal selia dan semakan rakan sebaya: PSM diiktiraf secara meluas oleh agensi kawal selia (FDA, EMA) dan editor jurnal sebagai pendekatan yang ketat terhadap inferens kausal daripada data pemerhatian.

Langkah 1: Tentukan Soalan Penyelidikan dan Reka Bentuk Kajian Anda

Sebelum mengira skor kecenderungan, anda mesti mentakrifkan tiga elemen kritikal dengan jelas: kumpulan rawatan dan kawalan anda, hasil primer dan sekunder, dan set kovariat pra-rawatan untuk model skor kecenderungan.

Mulakan dengan membina graf asiklik terarah (DAG) untuk memetakan hubungan kausal antara pembolehubah anda. Alat visual ini membantu mengenal pasti pembolehubah yang merupakan pengganggu sebenar (yang mempengaruhi kedua-dua tugasan rawatan dan hasil), yang merupakan pengantara (pada laluan kausal), dan yang merupakan pelanggar (tidak sepatutnya dikondisikan).

Pemilihan kovariat anda harus mengutamakan pembolehubah yang merupakan peramal kuat bagi hasil, walaupun ia hanya berkaitan secara lemah dengan tugasan rawatan. Kajian oleh Brookhart et al. (2006) menunjukkan bahawa memasukkan pembolehubah sedemikian meningkatkan ketepatan anggaran kesan rawatan tanpa meningkatkan bias.

Langkah 2: Anggarkan Skor Kecenderungan

Pendekatan paling biasa untuk menganggarkan skor kecenderungan ialah regresi logistik , yang mana penunjuk rawatan binari berfungsi sebagai pembolehubah bersandar dan kovariat garis dasar ialah pembolehubah bebas. Kebarangkalian yang diramalkan daripada model ini menjadi skor kecenderungan setiap subjek.

Dalam R, pakej MatchIt yang digunakan secara meluas menyelaraskan proses ini:

# Install and load required packages
library(MatchIt)
library(cobalt)

# Estimate propensity scores and perform matching
ps_model <- matchit(
  treatment ~ age + sex + bmi + smoking_status + 
    comorbidity_score + baseline_creatinine + 
    diabetes + hypertension + prior_surgery,
  data = study_data,
  method = "nearest",
  distance = "glm",    # logistic regression (default)
  caliper = 0.2,       # caliper in SD units of logit PS
  ratio = 1            # 1:1 matching
)

# View matching summary
summary(ps_model)

Selain regresi logistik, beberapa pendekatan pembelajaran mesin boleh menganggarkan skor kecenderungan dengan lebih fleksibel:

Langkah 3: Padankan Subjek yang Dirawat dan Kawalan

Setelah skor kecenderungan dianggarkan, langkah seterusnya ialah memilih algoritma pemadanan yang sesuai. Pemilihan algoritma boleh mempengaruhi keputusan anda dengan ketara, jadi memahami pilihan adalah penting.

Pemadanan Jiran Terdekat adalah pendekatan yang paling biasa. Setiap subjek yang dirawat dipadankan dengan subjek kawalan dengan skor kecenderungan terdekat. Menggunakan angkup — jarak maksimum yang dibenarkan antara pasangan yang dipadankan — menghalang padanan yang lemah. Austin (2011) mengesyorkan lebar angkup sebanyak 0.2 sisihan piawai logit skor kecenderungan, yang telah terbukti dapat menghapuskan kira-kira 98% bias dalam pembaur yang diukur.

Pemadanan Optimum meminimumkan jumlah jarak merentasi semua pasangan yang dipadankan secara serentak, dan bukannya memadankan satu pasangan pada satu masa dengan rakus. Ini menghasilkan padanan optimum secara global tetapi memerlukan pengiraan yang intensif untuk set data yang besar.

Pemadanan Penuh mencipta set yang dipadankan yang mengandungi sekurang-kurangnya satu subjek yang dirawat dan satu subjek kawalan, dengan nisbah pemadanan yang berubah-ubah. Ini mengekalkan lebih banyak sampel asal dan boleh meningkatkan kecekapan statistik.

Padanan Tepat pada Pembolehubah Utama yang digabungkan dengan padanan skor kecenderungan memastikan keseimbangan sempurna pada kovariat kritikal (cth., jantina, tapak kajian) sambil menggunakan skor kecenderungan untuk mengimbangi pembolehubah yang tinggal.

# Different matching methods in MatchIt

# 1:1 Nearest neighbor with caliper
m_nn <- matchit(treatment ~ covariates, data = df,
                method = "nearest", caliper = 0.2)

# Optimal matching
m_opt <- matchit(treatment ~ covariates, data = df,
                 method = "optimal")

# Full matching
m_full <- matchit(treatment ~ covariates, data = df,
                  method = "full")

# Exact matching on sex + PS matching on rest
m_exact <- matchit(treatment ~ covariates, data = df,
                   method = "nearest", exact = ~ sex)

Langkah 4: Menilai Baki Kovariat

Ini boleh dikatakan langkah paling penting dalam pemadanan skor kecenderungan — dan yang paling kerap dilakukan dengan tidak mencukupi. Selepas pemadanan, anda mesti mengesahkan dengan teliti bahawa kovariat seimbang antara kumpulan rawatan.

Metrik standard emas ialah Perbezaan Purata Terpiawai (SMD) . SMD di bawah 0.1 (mewakili kurang daripada 10% daripada perbezaan sisihan piawai) secara meluas dianggap sebagai bukti keseimbangan yang boleh diterima. Tidak seperti nilai-p, SMD tidak terjejas oleh saiz sampel, menjadikannya lebih sesuai untuk menilai keseimbangan.

# Comprehensive balance assessment with cobalt
library(cobalt)

# Balance table
bal.tab(ps_model, 
        thresholds = c(m = 0.1),  # SMD threshold
        un = TRUE)                 # Show unmatched comparison

# Love plot (visual balance assessment)
love.plot(ps_model, 
          threshold = 0.1,
          abs = TRUE,
          var.order = "unadjusted",
          title = "Covariate Balance Before and After Matching")

# Density plots for propensity score distribution
bal.plot(ps_model, var.name = "distance", 
         which = "both", type = "density")

Langkah 5: Anggarkan Kesan Rawatan dan Laporkan Keputusan

Dengan sampel yang sepadan dan seimbang, kini anda boleh menganggarkan kesan rawatan. Anggaran utama dalam PSM biasanya ialah Kesan Rawatan Purata ke atas Orang yang Dirawat (ATT) — kesan purata rawatan dalam kalangan mereka yang benar-benar menerimanya.

Ujian statistik yang sesuai bergantung pada jenis hasil anda:

Analisis Kepekaan untuk Pengganggu yang Tidak Terukur: PSM hanya menangani pengganggu yang diperhatikan. Anda mesti menilai sejauh mana kepekaan keputusan anda terhadap pengganggu yang berpotensi tidak terukur. Dua kaedah yang digunakan secara meluas termasuk batas Rosenbaum (mengukur seberapa kuat pengganggu yang tidak terukur diperlukan untuk membatalkan keputusan) dan nilai-E (kekuatan perkaitan minimum yang diperlukan oleh pengganggu yang tidak terukur dengan kedua-dua rawatan dan hasil untuk menjelaskan kesan yang diperhatikan).

Kesilapan Biasa yang Perlu Dielakkan dalam Pemadanan Skor Kecenderungan

Berdasarkan kajian sistematik terhadap aplikasi PSM dalam jurnal perubatan, berikut adalah kesilapan yang paling kerap dilakukan oleh penyelidik:

1. Termasuk pembolehubah selepas rawatan: Pembolehubah yang diukur selepas pemberian rawatan boleh dipengaruhi oleh rawatan itu sendiri, yang memperkenalkan bias melalui pelarasan berlebihan atau bias collider. Hanya sertakan kovariat pra-rawatan (garis dasar).

2. Gagal menilai keseimbangan kovariat: Hanya melaporkan kesesuaian model skor kecenderungan (contohnya, statistik-C) tanpa menyemak sama ada pemadanan keseimbangan yang sebenarnya dicapai tidak mencukupi. Sentiasa laporkan SMD untuk semua kovariat.

3. Mengabaikan reka bentuk yang dipadankan dalam analisis: Selepas pemadanan 1:1, data akan dipasangkan. Menggunakan ujian statistik yang tidak berpasangan mengabaikan struktur ini dan boleh menghasilkan ralat piawai dan nilai-p yang salah.

4. Tidak melaporkan subjek yang tidak sepadan: Banyak kajian gagal menerangkan berapa banyak subjek yang dirawat tidak sepadan dan sama ada ia berbeza secara sistematik daripada subjek yang sepadan. Ini mempengaruhi kebolehgeneralisasian anggaran ATT anda.

5. Melangkau analisis sensitiviti: Jurnal dan pengulas semakin mengharapkan analisis sensitiviti untuk penggabungan yang tidak diukur. Tanpa ini, dakwaan kausal anda adalah lebih lemah.

Padanan Skor Kecenderungan vs. Kaedah Inferens Sebab Lain

PSM merupakan salah satu daripada beberapa pendekatan untuk inferens kausal daripada data pemerhatian. Memahami bila hendak menggunakan setiap kaedah membantu anda memilih reka bentuk yang paling sesuai untuk soalan penyelidikan anda.

Pelaporan PSM: Senarai Semak STROBE

Apabila melaporkan analisis skor kecenderungan, ikuti garis panduan STROBE (Memperkukuhkan Pelaporan Kajian Pemerhatian dalam Epidemiologi) dengan sambungan khusus PSM. Bahagian kaedah anda harus menerangkan pembolehubah yang termasuk dalam model skor kecenderungan dan rasional pemilihannya, kaedah yang digunakan untuk menganggarkan skor kecenderungan, algoritma dan parameter pemadanan (lebar angkup, nisbah pemadanan), diagnostik dan ambang keseimbangan yang digunakan, dan pendekatan analitikal yang mengambil kira reka bentuk yang dipadankan.

Bahagian keputusan anda harus melaporkan bilangan subjek sebelum dan selepas pemadanan, jadual ciri asas dengan SMD sebelum dan selepas pemadanan, plot Love atau visualisasi keseimbangan yang setara, anggaran kesan rawatan dengan selang keyakinan dan keputusan analisis sensitiviti untuk pengganggu yang tidak diukur.

Alatan dan Perisian untuk Pemadanan Skor Kecenderungan

Pelbagai platform perisian menyokong pelaksanaan PSM. Dalam R , pakej MatchIt (Ho et al.) ialah yang paling komprehensif, menyokong pelbagai kaedah pemadanan dengan integrasi ke dalam pakej kobalt untuk penilaian keseimbangan. Stata menawarkan arahan teffects psmatch dengan diagnostik keseimbangan terbina dalam. Pengguna Python boleh memanfaatkan pustaka causalinference dan DoWhy, manakala SAS menyediakan PROC PSMATCH dalam versi 14.1 dan yang lebih baharu.

Bagi penyelidik yang merancang kajian PSM, menentukan saiz sampel yang mencukupi adalah penting. Kalkulator Saiz Sampel Percuma Editverse membantu anda menganggarkan saiz sampel yang diperlukan untuk reka bentuk kajian khusus anda, dengan mengambil kira saiz kesan yang dijangkakan, nisbah padanan dan taburan kovariat yang dijangkakan.

Sokongan Statistik Profesional daripada Editverse

Melaksanakan pemadanan skor kecenderungan dengan betul memerlukan kepakaran yang merangkumi teori inferens kausal, pengaturcaraan statistik, pemilihan kovariat dan piawaian pelaporan metodologi. Malah penyelidik yang berpengalaman boleh mendapat manfaat daripada panduan pakar, terutamanya apabila menghadapi set data yang kompleks, hasil yang jarang berlaku atau keputusan klinikal yang berisiko tinggi.

Editverse menawarkan perkhidmatan analisis statistik komprehensif yang direka khusus untuk penyelidik perubatan yang memerlukan sokongan pakar dengan reka bentuk kajian pemerhatian. Pasukan biostatistik kami menyediakan bantuan menyeluruh — daripada reka bentuk kajian dan pembinaan DAG melalui anggaran skor kecenderungan, pengoptimuman padanan, analisis sensitiviti dan penyediaan jadual, angka dan laporan statistik yang sedia untuk penerbitan.

Kami juga menawarkan perkhidmatan khusus termasuk meta-analisis , sokongan semakan sistematik dan perundingan biostatistik yang komprehensif untuk penyelidik di setiap peringkat kerjaya.

Rujukan

1. Rosenbaum PR, Rubin DB. Peranan utama skor kecenderungan dalam kajian pemerhatian untuk kesan kausal. Biometrika. 1983;70(1):41-55. doi:10.1093/biomet/70.1.41
2. Austin PC. Pengenalan kepada Kaedah Skor Kecenderungan untuk Mengurangkan Kesan Pengganggu dalam Kajian Pemerhatian. Penyelidikan Perilaku Multivariate. 2011;46(3):399-424. doi:10.1080/00273171.2011.568786
3. Stuart EA. Kaedah pemadanan untuk inferens kausal: Satu tinjauan dan pandangan ke hadapan. Sains Statistik. 2010;25(1):1-21. doi:10.1214/09-STS313
4. Brookhart MA, Schneeweiss S, Rothman KJ, dkk. Pemilihan pembolehubah untuk model skor kecenderungan. American Journal of Epidemiologi. 2006;163(12):1149-1156. doi:10.1093/aje/kwj149
5. Ho DE, Imai K, King G, Stuart EA. MatchIt: Prapemprosesan Tak Parametrik untuk Inferens Sebab-akibat Parametrik. Jurnal Perisian Statistik. 2011;42(8):1-28. doi:10.18637/jss.v042.i08
6. VanderWeele TJ, Ding P. Analisis Kepekaan dalam Penyelidikan Pemerhatian: Memperkenalkan Nilai-E. Annals Perubatan Dalaman. 2017;167(4):268-274. doi:10.7326 / M16-2607
7. Ali MS, Groenwold RH, Belitser SV, dkk. Pelaporan pemilihan kovariat dan penilaian keseimbangan dalam analisis skor kecenderungan adalah suboptimum: satu kajian sistematik. Jurnal Epidemiologi Klinikal. 2015;68(2):122-131. doi:10.1016/j.jclinepi.2014.08.011
8. Lunt M. Memilih angkup yang sesuai adalah penting untuk mencapai keseimbangan yang baik dengan pemadanan skor kecenderungan. American Journal of Epidemiologi. 2014;179(2):226-235. doi:10.1093/aje/kwt212