การจับคู่คะแนนความโน้มเอียงในการวิจัยทางการแพทย์: คู่มือฉบับสมบูรณ์ทีละขั้นตอน (2025)

เผยแพร่เมื่อ 16 กุมภาพันธ์ 2026 | อัปเดตล่าสุด11 ตุลาคม 2026

การจับคู่คะแนนความโน้มเอียง (Propensity Score Matching: PSM) ในงานวิจัยทางการแพทย์ได้กลายเป็นหนึ่งในเครื่องมือที่มีประสิทธิภาพที่สุดสำหรับการสรุปความสัมพันธ์เชิงสาเหตุจากข้อมูลเชิงสังเกต เมื่อการทดลองแบบสุ่มควบคุมไม่สามารถทำได้จริง ผิดจริยธรรม หรือมีค่าใช้จ่ายสูงเกินไป นักวิจัยจึงหันมาใช้วิธีการจับคู่คะแนนความโน้มเอียงเพื่อลดอคติในการเลือกและจำลองเงื่อนไขของการทดลองแบบควบคุม คู่มือฉบับสมบูรณ์นี้จะแนะนำคุณทีละขั้นตอนในการนำการจับคู่คะแนนความโน้มเอียง (PSM) ไปใช้ในงานวิจัยของคุณ ตั้งแต่การออกแบบการศึกษาไปจนถึงการรายงานที่พร้อมสำหรับการตีพิมพ์

ไม่ว่าคุณจะวิเคราะห์บันทึกสุขภาพอิเล็กทรอนิกส์ ฐานข้อมูลการบริหารขนาดใหญ่ หรือข้อมูลทะเบียน การทำความเข้าใจการจับคู่คะแนนความโน้มเอียงในการวิจัยทางการแพทย์เป็นสิ่งสำคัญอย่างยิ่งในการสร้างผลการวิจัยที่น่าเชื่อถือ ผ่านการตรวจสอบโดยผู้เชี่ยวชาญ และสามารถทนต่อการตรวจสอบอย่างเข้มงวดได้

การจับคู่คะแนนความโน้มเอียง (Propensity Score Matching) คืออะไร?

คะแนนความโน้มเอียง (propensity score) ซึ่งนำเสนอครั้งแรกโดย Rosenbaum และ Rubin ในปี 1983 ถูกกำหนดให้เป็นความน่าจะเป็นแบบมีเงื่อนไขของการได้รับการรักษา (หรือการสัมผัส) โดยพิจารณาจากชุดตัวแปรพื้นฐานที่สังเกตได้ ในทางคณิตศาสตร์ คะแนนความโน้มเอียงคือ e(x) = P(T = 1 | X = x) โดยที่ T คือตัวบ่งชี้การรักษา และ X แทนเวกเตอร์ของตัวแปรพื้นฐานที่สังเกตได้

ด้วยการจับคู่กลุ่มตัวอย่างที่ได้รับการรักษาและกลุ่มตัวอย่างที่ไม่ได้รับการรักษาที่มีคะแนนความโน้มเอียงใกล้เคียงกัน นักวิจัยจึงสร้างกลุ่มเปรียบเทียบแบบสุ่มเสมือนได้อย่างมีประสิทธิภาพ ซึ่งจะช่วยปรับสมดุลการกระจายตัวของตัวแปรแทรกซ้อนที่สังเกตได้ระหว่างกลุ่ม ทำให้สามารถประมาณผลของการรักษาได้อย่างแม่นยำยิ่งขึ้นจากข้อมูลที่ไม่ใช่แบบสุ่ม

เหตุใดจึงควรใช้การจับคู่คะแนนความโน้มเอียงในการวิจัยทางการแพทย์?

การศึกษาเชิงสังเกตการณ์เป็นรูปแบบการวิจัยทางการแพทย์ที่พบได้ทั่วไป ฐานข้อมูลขนาดใหญ่ด้านการบริหารจัดการ บันทึกสุขภาพอิเล็กทรอนิกส์ (EHRs) และทะเบียนโรคต่างๆ ให้ข้อมูลที่แท้จริงและครบถ้วน ซึ่งช่วยเสริมข้อมูลจากการทดลองแบบสุ่มควบคุม (RCTs) อย่างไรก็ตาม แหล่งข้อมูลเหล่านี้มีความลำเอียงในการเลือกกลุ่มตัวอย่างโดยธรรมชาติ เนื่องจากการกำหนดการรักษาไม่ได้เป็นการสุ่ม

การจับคู่คะแนนความโน้มเอียงช่วยแก้ไขความท้าทายพื้นฐานนี้ด้วยข้อดีที่สำคัญหลายประการ:

ลดอคติจากตัวแปรแทรกซ้อน: PSM ปรับสมดุลตัวแปรที่สังเกตได้ระหว่างกลุ่มการรักษา เลียนแบบความสมดุลที่ได้จากการสุ่มการจัดการข้อมูลที่มีมิติสูง:แทนที่จะปรับตัวแปรหลายสิบตัวทีละตัว PSM จะรวมตัวแปรแทรกซ้อนที่วัดได้ทั้งหมดเข้าเป็นคะแนนเดียวการประเมินคุณภาพที่โปร่งใส:แตกต่างจากการปรับค่าถดถอย PSM ช่วยให้นักวิจัยสามารถตรวจสอบได้โดยตรงว่าความสมดุลของตัวแปรเกิดขึ้นแล้วก่อนที่จะวิเคราะห์ผลลัพธ์ การยอมรับจากหน่วยงาน กำกับดูแลและผู้ทรงคุณวุฒิ: PSM ได้รับการยอมรับอย่างกว้างขวางจากหน่วยงานกำกับดูแล (FDA, EMA) และบรรณาธิการวารสารว่าเป็นวิธีการที่เข้มงวดสำหรับการอนุมานเชิงสาเหตุจากข้อมูลเชิงสังเกต

ขั้นตอนที่ 1: กำหนดคำถามวิจัยและรูปแบบการศึกษาของคุณ

ก่อนที่จะคำนวณคะแนนความโน้มเอียง คุณต้องกำหนดองค์ประกอบสำคัญสามประการให้ชัดเจน ได้แก่ กลุ่มทดลองและกลุ่มควบคุม ผลลัพธ์หลักและผลลัพธ์รอง และชุดตัวแปรควบคุมก่อนการรักษาสำหรับแบบจำลองคะแนนความโน้มเอียง

เริ่มต้นด้วยการสร้างกราฟแบบไม่มีวงจรทิศทาง (DAG)เพื่อแสดงความสัมพันธ์เชิงสาเหตุระหว่างตัวแปรของคุณ เครื่องมือภาพนี้ช่วยระบุว่าตัวแปรใดเป็นตัวแปรแทรกซ้อนที่แท้จริง (ส่งผลต่อทั้งการกำหนดการรักษาและผลลัพธ์) ตัวแปรใดเป็นตัวแปรสื่อกลาง (อยู่ในเส้นทางเชิงสาเหตุ) และตัวแปรใดเป็นตัวแปรที่ไม่ควรนำมาพิจารณา (ไม่ควรนำมาพิจารณา)

การเลือกตัวแปรควบคุมของคุณควรให้ความสำคัญกับตัวแปรที่เป็นตัวทำนายผลลัพธ์ที่แข็งแกร่ง แม้ว่าจะมีความสัมพันธ์กับการกำหนดการรักษาเพียงเล็กน้อยก็ตาม งานวิจัยของ Brookhart et al. (2006) แสดงให้เห็นว่าการรวมตัวแปรดังกล่าวช่วยเพิ่มความแม่นยำของการประมาณค่าผลกระทบของการรักษาโดยไม่เพิ่มอคติ

ขั้นตอนที่ 2: ประเมินคะแนนความน่าจะเป็น

วิธีการที่ใช้กันทั่วไปในการประมาณค่าคะแนนความโน้มเอียงคือการวิเคราะห์การถดถอยโลจิสติกโดยที่ตัวบ่งชี้การรักษาแบบไบนารีทำหน้าที่เป็นตัวแปรตาม และตัวแปรควบคุมพื้นฐานเป็นตัวแปรอิสระ ความน่าจะเป็นที่คาดการณ์ได้จากแบบจำลองนี้จะกลายเป็นคะแนนความโน้มเอียงของแต่ละบุคคล

ในภาษา R แพ็กเกจ MatchIt ที่ใช้กันอย่างแพร่หลาย ช่วยลดความซับซ้อนของกระบวนการนี้:

# 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)

นอกเหนือจากการถดถอยเชิงลอจิสติกแล้ว วิธีการเรียนรู้ของเครื่องจักรหลายวิธีสามารถประมาณค่าคะแนนความน่าจะเป็นได้อย่างยืดหยุ่นมากขึ้น:

ขั้นตอนที่ 3: จับคู่กลุ่มทดลองและกลุ่มควบคุม

เมื่อได้ค่าคะแนนความน่าจะเป็นแล้ว ขั้นตอนต่อไปคือการเลือกอัลกอริทึมการจับคู่ที่เหมาะสม การเลือกอัลกอริทึมอาจส่งผลต่อผลลัพธ์อย่างมาก ดังนั้นการทำความเข้าใจตัวเลือกต่างๆ จึงมีความสำคัญอย่างยิ่ง

การจับคู่แบบ เพื่อนบ้านที่ใกล้ที่สุด (Nearest-Neighbor Matching)เป็นวิธีการที่ใช้กันมากที่สุด โดยจะจับคู่ผู้ป่วยแต่ละรายกับกลุ่มควบคุมที่มีคะแนนความน่าจะเป็นใกล้เคียงที่สุด การใช้ค่าคาลิเปอร์ (caliper ) ซึ่งเป็นระยะห่างสูงสุดที่อนุญาตระหว่างคู่ที่จับคู่กัน จะช่วยป้องกันการจับคู่ที่ไม่เหมาะสม ออสติน (2011) แนะนำให้ใช้ค่าคาลิเปอร์กว้าง 0.2 ส่วนเบี่ยงเบนมาตรฐานของค่า logit ของคะแนนความน่าจะเป็น ซึ่งแสดงให้เห็นว่าสามารถขจัดอคติในตัวแปรแทรกซ้อนที่วัดได้ประมาณ 98%

การจับคู่ที่เหมาะสมที่สุด (Optimal Matching)จะลดระยะห่างรวมระหว่างคู่ที่จับคู่ทั้งหมดพร้อมกัน แทนที่จะจับคู่ทีละคู่แบบโลภ (greedy pair) วิธีนี้จะสร้างการจับคู่ที่เหมาะสมที่สุดโดยรวม แต่ต้องใช้ทรัพยากรการคำนวณสูงสำหรับชุดข้อมูลขนาดใหญ่

การจับคู่แบบสมบูรณ์ (Full Matching)สร้างชุดการจับคู่ที่มีอย่างน้อยหนึ่งกลุ่มทดลองและหนึ่งกลุ่มควบคุม โดยมีอัตราส่วนการจับคู่ที่แปรผันได้ วิธีนี้ช่วยรักษาตัวอย่างดั้งเดิมไว้ได้มากขึ้นและสามารถเพิ่มประสิทธิภาพทางสถิติได้

การจับคู่ที่ตรงกันทุกประการบนตัวแปรหลักร่วมกับการจับคู่คะแนนความโน้มเอียง ช่วยให้มั่นใจได้ถึงความสมดุลที่สมบูรณ์แบบในตัวแปรควบคุมที่สำคัญ (เช่น เพศ สถานที่ศึกษา) ในขณะที่ใช้คะแนนความโน้มเอียงเพื่อปรับสมดุลตัวแปรที่เหลืออยู่

# 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)

ขั้นตอนที่ 4: ประเมินความสมดุลของตัวแปรควบคุม

นี่อาจเป็นขั้นตอนที่สำคัญที่สุดในการจับคู่คะแนนความโน้มเอียง และเป็นขั้นตอนที่มักทำได้ไม่ดีเท่าที่ควร หลังจากจับคู่แล้ว คุณต้องตรวจสอบอย่างเข้มงวดว่าตัวแปรควบคุมมีความสมดุลระหว่างกลุ่มการรักษาหรือไม่

ตัวชี้วัดมาตรฐานที่ใช้กันอย่างแพร่หลายคือค่าความแตกต่างเฉลี่ยมาตรฐาน (Standardized Mean Difference หรือ SMD)ค่า SMD ที่ต่ำกว่า 0.1 (ซึ่งแสดงถึงความแตกต่างน้อยกว่า 10% ของค่าเบี่ยงเบนมาตรฐาน) ถือเป็นหลักฐานที่แสดงถึงความสมดุลที่ยอมรับได้ ต่างจากค่า p-value ค่า SMD ไม่ได้รับผลกระทบจากขนาดของกลุ่มตัวอย่าง ทำให้เหมาะสมกว่าสำหรับการประเมินความสมดุล

# 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")

ขั้นตอนที่ 5: ประเมินผลของการรักษาและรายงานผลลัพธ์

ด้วยกลุ่มตัวอย่างที่สมดุลและจับคู่กันอย่างดี คุณสามารถประมาณผลกระทบของการรักษาได้แล้ว โดยทั่วไปแล้ว ตัวประมาณค่าหลักใน PSM คือผลกระทบเฉลี่ยของการรักษาต่อผู้ที่ได้รับการรักษา (ATT)ซึ่งก็คือผลกระทบเฉลี่ยของการรักษาในกลุ่มผู้ที่ได้รับการรักษาจริง

การทดสอบทางสถิติที่เหมาะสมจะขึ้นอยู่กับประเภทของผลลัพธ์ที่คุณต้องการ:

การวิเคราะห์ความไวต่อตัวแปรแทรกซ้อนที่วัดไม่ได้: PSM พิจารณาเฉพาะตัวแปรแทรกซ้อนที่สังเกตได้เท่านั้น คุณต้องประเมินว่าผลลัพธ์ของคุณมีความไวต่อตัวแปรแทรกซ้อนที่วัดไม่ได้มากน้อยเพียงใด วิธีการที่ใช้กันอย่างแพร่หลายสองวิธี ได้แก่ขอบเขตของ Rosenbaum (การหาปริมาณว่าตัวแปรแทรกซ้อนที่วัดไม่ได้จะต้องมีความแข็งแกร่งมากแค่ไหนจึงจะทำให้ผลลัพธ์เป็นศูนย์) และค่า E (ความแข็งแกร่งขั้นต่ำของความสัมพันธ์ที่ตัวแปรแทรกซ้อนที่วัดไม่ได้จะต้องมีกับทั้งการรักษาและผลลัพธ์เพื่ออธิบายผลกระทบที่สังเกตได้)

ข้อผิดพลาดทั่วไปที่ควรหลีกเลี่ยงในการจับคู่คะแนนความน่าจะเป็น

จากการทบทวนอย่างเป็นระบบเกี่ยวกับการประยุกต์ใช้ PSM ในวารสารทางการแพทย์ พบว่าข้อผิดพลาดที่นักวิจัยมักทำบ่อยที่สุดมีดังนี้:

1. การรวมตัวแปรหลังการรักษา:ตัวแปรที่วัดหลังจากการกำหนดการรักษาอาจได้รับผลกระทบจากการรักษาเอง ทำให้เกิดอคติจากการปรับมากเกินไปหรืออคติจากตัวแปรเชื่อมโยง ดังนั้นควรรวมเฉพาะตัวแปรควบคุมก่อนการรักษา (ค่าพื้นฐาน) เท่านั้น

2. การไม่ประเมินความสมดุลของตัวแปรควบคุม:การรายงานเฉพาะค่าความเหมาะสมของแบบจำลองคะแนนความโน้มเอียง (เช่น ค่า C-statistic) โดยไม่ตรวจสอบว่าการจับคู่บรรลุความสมดุลจริงหรือไม่นั้นไม่เพียงพอ ควรรายงานค่า SMD สำหรับตัวแปรควบคุมทั้งหมดเสมอ

3. การละเลยการออกแบบการจับคู่ในการวิเคราะห์:หลังจากการจับคู่แบบ 1:1 ข้อมูลจะเป็นคู่กัน การใช้การทดสอบทางสถิติแบบไม่จับคู่จะละเลยโครงสร้างนี้และอาจทำให้ค่าความคลาดเคลื่อนมาตรฐานและค่า p ไม่ถูกต้อง

4. ไม่รายงานกลุ่มตัวอย่างที่ไม่ได้รับการจับคู่:งานวิจัยหลายชิ้นไม่ได้อธิบายว่ามีกลุ่มตัวอย่างที่ไม่ได้รับการจับคู่จำนวนเท่าใด และพวกเขามีความแตกต่างอย่างเป็นระบบจากกลุ่มตัวอย่างที่ได้รับการจับคู่หรือไม่ ซึ่งส่งผลต่อความสามารถในการสรุปผลของการประมาณค่า ATT ของคุณ

5. การละเลยการวิเคราะห์ความไว:วารสารและผู้ตรวจสอบคาดหวังมากขึ้นเรื่อยๆ ว่าจะมีบทวิเคราะห์ความไวสำหรับตัวแปรแทรกซ้อนที่ไม่ได้วัดผล หากไม่มีบทวิเคราะห์เหล่านี้ ข้ออ้างเกี่ยวกับความสัมพันธ์เชิงสาเหตุของคุณก็จะอ่อนแอลง

การจับคู่คะแนนความโน้มเอียงเทียบกับวิธีการอนุมานเชิงสาเหตุอื่นๆ

PSM เป็นหนึ่งในหลายวิธีสำหรับการอนุมานเชิงสาเหตุจากข้อมูลเชิงสังเกต การเข้าใจว่าควรใช้วิธีใดในสถานการณ์ใด จะช่วยให้คุณเลือกรูปแบบการวิจัยที่เหมาะสมที่สุดสำหรับคำถามวิจัยของคุณ

การรายงาน PSM: รายการตรวจสอบ STROBE

เมื่อรายงานผลการวิเคราะห์คะแนนความโน้มเอียง (propensity score analysis) ให้ปฏิบัติตาม แนวทาง STROBE (Strengthening the Reporting of Observational Studies in Epidemiology)พร้อมส่วนขยายเฉพาะสำหรับ PSM ส่วนวิธีการควรอธิบายถึงตัวแปรที่รวมอยู่ในแบบจำลองคะแนนความโน้มเอียงและเหตุผลในการเลือกตัวแปรเหล่านั้น วิธีที่ใช้ในการประมาณคะแนนความโน้มเอียง อัลกอริทึมการจับคู่และพารามิเตอร์ (ความกว้างของคาลิเปอร์ อัตราส่วนการจับคู่) การวินิจฉัยความสมดุลและเกณฑ์ที่ใช้ และวิธีการวิเคราะห์ที่คำนึงถึงการออกแบบการจับคู่

ส่วนผลลัพธ์ของคุณควรรายงานจำนวนผู้เข้าร่วมการวิจัยก่อนและหลังการจับคู่ ตารางลักษณะพื้นฐานพร้อมค่า SMD ก่อนและหลังการจับคู่ แผนภูมิ Love plot หรือภาพแสดงความสมดุลที่เทียบเท่ากัน ผลกระทบของการรักษาโดยประมาณพร้อมช่วงความเชื่อมั่น และผลการวิเคราะห์ความไวต่อตัวแปรแทรกซ้อนที่ไม่ได้วัด

เครื่องมือและซอฟต์แวร์สำหรับการจับคู่คะแนนความน่าจะเป็น

แพลตฟอร์มซอฟต์แวร์หลายแพลตฟอร์มรองรับการใช้งาน PSM ในภาษา Rแพ็กเกจ MatchIt (Ho et al.) เป็นแพ็กเกจที่ครอบคลุมที่สุด รองรับวิธีการจับคู่หลายวิธี และบูรณาการเข้ากับแพ็กเกจ cobalt สำหรับการประเมินความสมดุลStataมีคำสั่ง teffects psmatch พร้อมการวินิจฉัยความสมดุลในตัว ผู้ใช้ Pythonสามารถใช้ประโยชน์จากไลบรารี causalinference และ DoWhy ในขณะที่SASมี PROC PSMATCH ในเวอร์ชัน 14.1 และเวอร์ชันที่ใหม่กว่า

สำหรับนักวิจัยที่วางแผนทำการศึกษาแบบ PSM การกำหนดขนาดตัวอย่างที่เหมาะสมเป็นสิ่งสำคัญอย่างยิ่งเครื่องคำนวณขนาดตัวอย่างฟรีของ Editverseช่วยให้คุณประมาณขนาดตัวอย่างที่ต้องการสำหรับรูปแบบการศึกษาเฉพาะของคุณ โดยคำนึงถึงขนาดผลกระทบที่คาดหวัง อัตราส่วนการจับคู่ และการกระจายตัวของตัวแปรควบคุมที่คาดการณ์ไว้

บริการสนับสนุนด้านสถิติระดับมืออาชีพจาก Editverse

การนำวิธีการจับคู่คะแนนความโน้มเอียง (propensity score matching) ไปใช้อย่างถูกต้องนั้น จำเป็นต้องอาศัยความเชี่ยวชาญที่ครอบคลุมทั้งทฤษฎีการอนุมานเชิงสาเหตุ การเขียนโปรแกรมทางสถิติ การเลือกตัวแปรควบคุม และมาตรฐานการรายงานวิธีการวิจัย แม้แต่นักวิจัยที่มีประสบการณ์ก็ยังได้รับประโยชน์จากคำแนะนำจากผู้เชี่ยวชาญ โดยเฉพาะอย่างยิ่งเมื่อต้องเผชิญกับชุดข้อมูลที่ซับซ้อน ผลลัพธ์ที่หายาก หรือการตัดสินใจทางคลินิกที่มีความเสี่ยงสูง

Editverseให้บริการวิเคราะห์ทางสถิติ แบบครบวงจร ซึ่งออกแบบมาโดยเฉพาะสำหรับนักวิจัยทางการแพทย์ที่ต้องการความช่วยเหลือจากผู้เชี่ยวชาญด้านการออกแบบการศึกษาเชิงสังเกต ทีมงานนักสถิติชีวภาพของเราให้ความช่วยเหลือแบบครบวงจร ตั้งแต่การออกแบบการศึกษาและการสร้าง DAG ไปจนถึงการประมาณค่าคะแนนความโน้มเอียง การเพิ่มประสิทธิภาพการจับคู่ การวิเคราะห์ความไว และการจัดเตรียมตาราง รูปภาพ และรายงานทางสถิติที่พร้อมสำหรับการตีพิมพ์

นอกจากนี้ เรายังมีบริการเฉพาะทางอื่นๆ เช่นการวิเคราะห์เมตาการสนับสนุนการทบทวนอย่างเป็นระบบและการให้คำปรึกษาด้านสถิติชีวภาพแบบครบวงจรสำหรับนักวิจัยในทุกช่วงของอาชีพ

อ้างอิง

1. Rosenbaum PR, Rubin DB. บทบาทสำคัญของคะแนนความโน้มเอียงในการศึกษาเชิงสังเกตเพื่อหาผลเชิงสาเหตุ Biometrika. 1983;70(1):41-55. doi:10.1093/biomet/70.1.41
2. Austin PC. บทนำเกี่ยวกับวิธีการคะแนนความโน้มเอียงเพื่อลดผลกระทบของตัวแปรแทรกซ้อนในการศึกษาเชิงสังเกต การวิจัยเชิงพหุตัวแปร. 2011;46(3):399-424. doi:10.1080/00273171.2011.568786
3. Stuart EA. วิธีการจับคู่สำหรับการอนุมานเชิงสาเหตุ: การทบทวนและการมองไปข้างหน้า วิทยาศาสตร์สถิติ. 2010;25(1):1-21. doi:10.1214/09-STS313
4. Brookhart MA, Schneeweiss S, Rothman KJ และคณะ การเลือกตัวแปรสำหรับแบบจำลองคะแนนความโน้มเอียง อเมริกันวารสารระบาดวิทยา. 2006;163(12):1149-1156. doi:10.1093/aje/kwj149
5. Ho DE, Imai K, King G, Stuart EA. MatchIt: การประมวลผลล่วงหน้าแบบไม่ใช้พารามิเตอร์สำหรับการอนุมานเชิงสาเหตุแบบใช้พารามิเตอร์ วารสารซอฟต์แวร์ทางสถิติ. 2011;42(8):1-28. doi:10.18637/jss.v042.i08
6. VanderWeele TJ, Ding P. การวิเคราะห์ความไวในการวิจัยเชิงสังเกต: การแนะนำค่า E พงศาวดารของอายุรศาสตร์. 2017;167(4):268-274. doi:10.7326/ม16-2607
7. Ali MS, Groenwold RH, Belitser SV และคณะ การรายงานการเลือกตัวแปรควบคุมและการประเมินความสมดุลในการวิเคราะห์คะแนนความโน้มเอียงยังไม่เหมาะสม: การทบทวนอย่างเป็นระบบ วารสารระบาดวิทยาคลินิก. 2015;68(2):122-131. doi:10.1016/j.jclinepi.2014.08.011
8. ลันท์ เอ็ม. การเลือกคาลิเปอร์ที่เหมาะสมถือเป็นสิ่งสำคัญในการสร้างสมดุลที่ดีในการจับคู่คะแนนความโน้มเอียง อเมริกันวารสารระบาดวิทยา. 2014;179(2):226-235. doi:10.1093/aje/kwt212