您知道倾向评分法最早由罗森鲍姆和鲁宾于1983年提出吗？它是一种通过更好地匹配研究组来提高观察性研究质量的方法。这对于理解事物之间的因果关系至关重要，其作用类似于随机对照试验（RCT）。

在流行病学研究中，倾向评分匹配（PSM）的应用越来越普遍。它确保接受治疗组和未接受治疗组具有相似性。这有助于消除偏倚，并获得更准确的治疗效果结果。

研究人员采用匹配和加权等方法使各组之间具有相似性。这使得他们的研究更接近随机对照试验（RCT），从而得出更好、更可信的结果。

掌握研究中的倾向得分匹配

倾向评分分析（PSA ）在流行病学中非常重要。它能够平衡不同群体之间的差异，使它们更加相似。这使得研究结果更具说服力和可信度，而这对于制定良好的卫生政策至关重要。

流行病学中的倾向评分匹配

PSA是流行病学家的一项重要工具。它能帮助他们更好地、更准确地了解卫生干预措施的效果。

关键精华

  • 倾向得分匹配有助于平衡群体之间的基线特征，减少偏见。
  • 变压吸附 有效地模仿 随机对照试验 in 观察研究.
  • 不同的倾向评分方法包括匹配、分层和逆概率加权。
  • PSA 对于实现可交换性和准确性至关重要 因果推理 in 流行病学研究.
  • SAS、R 和 Stata 等软件工具通常用于进行 PSA。

倾向得分匹配简介

倾向评分匹配（PSM）最早由保罗·罗森鲍姆和唐纳德·鲁宾于1983年提出。这种方法改变了我们研究流行病学的方式。它通过很好地匹配治疗组和对照组，有助于减少研究中的偏倚。

这样可以更轻松地了解治疗对人们的影响。通过使组别相似，PSM 就像一个随机试验，但不会随机分配人员。当我们无法随机分配治疗时，这非常有用。

什么是倾向得分匹配？

倾向得分匹配有助于平衡接受治疗和未接受治疗的人群的特征。它根据某些因素来评估接受治疗的几率。通过匹配得分相似的人群，它可以减少偏见，并帮助我们更好地了解治疗效果。

有多种方式来匹配人员，例如最近邻或半径匹配。每种方法都有自己的方法来找到最佳匹配。

历史背景

1983 年，罗森鲍姆和鲁宾提出了倾向评分法。他们希望在不进行随机处理的情况下解决研究中的问题。倾向评分法有助于使群体相似，从而减少偏差。这对于拥有大量数据的研究来说是一大进步。

流行病学中的重要性

PSM 在研究健康和疾病方面非常重要。它帮助我们了解事物如何相互影响，即使没有实验。通过使群体相似，PSM 可以减少偏见。这使得研究结果更值得信赖。

企业优势描述
减少 混淆偏差使接受和未接受治疗的群体具有可比性
功能有助于 治疗效果评估能够可靠地估计因果关系
多种匹配方法包括最近邻、卡尺和半径匹配
高维数据的适用性对具有许多协变量的研究有效

观察研究中因果推断的基础

因果推断是探究观察性研究中因果关系的关键。与随机对照试验（RCT）不同，在缺乏随机化的情况下，因果推断十分困难。流行病学家和研究人员必须掌握因果推断的基本原理以及观察性研究与RCT之间的区别。

观察性研究与随机对照试验

观察性研究不进行随机分组，因此容易受到混杂因素的影响。而随机对照试验（RCT）则将受试者随机分配到治疗组和对照组。这种随机化有助于分离出治疗效果。在观察性研究中，倾向评分匹配等方法被用来模拟这种随机化。

因果推理的挑战

观察性研究的因果推断面临的一大挑战是弄清楚哪些结果来自治疗，哪些结果来自其他因素。如果没有 RCT 的受控设置，这可能很难。

为了解决这个问题，需要强大的统计方法。倾向得分匹配是一个关键工具。它平衡了治疗组，减少了混淆并有助于做出更强有力的因果推断。自 1970 年代以来，这些方法已广泛应用于经济学和政治学等领域。它们对于非实验性研究了解干预措施如何发挥作用至关重要。

方面观察研究随机对照试验 (RCT)
科目分配非随机随机
易受混杂因素影响高低
需要统计方法必不可少（例如倾向得分匹配）最小
应用领域经济学， 流行病学、医学、政治学临床研究、治疗验证
历史人气从 1970 岁开始长期致力于临床研究

随着研究人员对观察性研究的深入探索，倾向评分匹配等工具对于精确可靠的统计分析仍将至关重要。

理解混杂偏差

在*流行病学*中，由于*混杂偏差*，找出真正的原因非常困难。当外部因素隐藏或改变我们正在研究的事物与其影响之间的联系时，就会产生这种偏差。

定义和例子

*混杂偏差* 指的是外部因素，这些因素使得我们关注的主要内容似乎没有发挥应有的作用。例如，如果我们在测试一种新药，患者的年龄或之前的健康状况可能会改变结果。1986 年，Greenland 和 Robins 等研究人员深入研究了这些偏差。

对研究结果的影响

当存在*混杂偏差*时，它确实会搞乱研究结果。这会导致对什么原因产生错误的想法。例如，如果 Dellon 等人在 2009 年对嗜酸性食管炎的研究没有正确处理混杂因素，那么这项研究可能就失败了。偏见带来的错误信息可能会给医生和决策者带来错误的建议。

解决混杂偏差的方法

为了对抗*混杂偏差*，研究人员使用了不同的方法。分层和多变量回归等老式方法有所帮助。但是，倾向得分匹配（由罗森鲍姆和鲁宾在 1983 年讨论）是一种更聪明的方法。它根据群体中混杂因素的数量来匹配群体。这在*流行病学*中非常有用，可以正确了解治疗方法。

处理偏差也意味着*协变量调整*。这是在分析中控制混杂因素的时候。使用这些方法可以使研究更加可信。它有助于确保健康建议基于可靠的科学。

倾向评分匹配在流行病学中的应用

倾向评分匹配是流行病学中的一项关键技术，它有助于在观察性研究分析中估计因果效应。近年来，其应用日益广泛，PubMed 上的相关检索结果从 1983-2003 年的约 250 条跃升至 2022 年 8 月的超过 38,000 条。如今，它还利用机器学习和人工智能来处理复杂数据。

因果推断的发展改变了倾向得分匹配（PSM）在研究中的应用方式。理解这些新方法对研究人员至关重要。

如何运作的？

倾向评分匹配法平衡观察性研究分析中的治疗组和对照组。它通过创建一个基于特定因素的评分来表示接受治疗的概率。这使得数据更接近随机对照试验，从而减少偏倚。

涉及的步骤

  1. 选择相关协变量： 选择有助于预测治疗机会的因素。
  2. 估计倾向得分： 使用逻辑回归等方法来找到每个人的倾向得分。
  3. 比赛科目： 将治疗组和对照组中得分相似的人进行匹配。
  4. 检查协变量平衡： 确保匹配的组均匀匹配，以确保公平比较。
  5. 评估治疗效果： 查看治疗对匹配数据的影响，以更清楚地了解因果关系。

工具和软件

流行病学家使用许多工具和软件进行 PSM。SAS、R 和 Stata 是热门选择。它们为 PSM 提供了强大的统计工具。这些工具已经发展起来，现在使用高级算法来处理复杂数据。

软件主要功能
SAS全面的临床工具、强大的统计能力
R开源、丰富的统计软件包库
到过强大的数据管理和图形功能

在流行病学中应用倾向评分匹配法（PSM）有助于研究人员在观察性研究分析中更接近随机对照试验的结果。该方法不断改进，从而带来更可靠的流行病学研究。

进行倾向评分分析的五个步骤

进行倾向评分分析需要一个循序渐进的计划。该计划旨在确保研究结果的可靠性和有效性。我们将仔细研究每个步骤。

  1. 选择协变量： 首先，选择那些会影响接触风险但并非我们所关注结果的因素。考虑年龄、种族、健康状况和保险类型等因素。正确处理这些因素是实现公平的关键。
  2. 估计倾向得分： 然后，使用逻辑回归计算每个人的倾向得分。有时，也会使用决策树或神经网络等其他方法。
  3. 匹配主题： 接下来，根据分数将接触过病毒的人与未接触过病毒的人配对。Stata 13 等工具可帮助完成此操作。配对使群体更加相似，从而减少偏见并使研究更加有力。
  4. 检查协变量平衡： 配对后，检查组间是否平衡。使用平衡诊断、直方图和标准化差异来查看研究是否感觉像随机试验。
  5. 计算效果估计： 最后，弄清楚治疗对匹配组的影响。这显示了治疗对人们的实际影响，使研究结果更加可信。

这种倾向评分分析方法模拟了随机试验，适用于无法或不宜进行随机分组的研究。它提供了一种强有力的手段来理解因果关系，尤其是在棘手的情况下。

使用倾向评分进行匹配的方法

使用倾向评分进行匹配的方法有很多种，每种方法都有各自的目标。最常见的是在卡尺内进行最近邻匹配。这种方法可以在一定范围内找到接受治疗和未接受治疗的受试者之间的最接近匹配。这通过减少偏差使研究更加可靠。

倾向得分匹配方法

匹配可以替换受试者或不替换受试者的方式进行。每种方法都有各自的优点和缺点。替换匹配可以降低偏差，但可能会减少受试者的数量，从而影响研究的效力。不替换匹配可以保持样本量，但如果很难找到合适的匹配，则可能会增加偏差。

还有诸如最佳匹配和完全匹配等高级方法。最佳匹配试图找到最佳匹配以减少偏差。完全匹配使用所有可用数据将每个接受治疗的受试者与一个或多个未接受治疗的受试者进行匹配。这些方法可以大大提高匹配数据的质量和研究结论。

例如，一项使用 2015 年 BRFSS 调查数据的研究可以在 5000 条记录中研究吸烟和 COPD。通过 293 例 COPD 病例，研究人员可以根据种族和年龄等因素将吸烟者和非吸烟者进行匹配。这有助于在没有随机试验的情况下了解吸烟如何影响 COPD。

Abadie 和 Imbens (2006) 以及 Austin 的研究展示了这些方法在实际研究中的作用。它们强调了选择正确的方法以获得准确结果的重要性。

选择正确的卡尺宽度是匹配的关键。Austin (2011) 发现，正确的卡尺宽度可以使结果更精确。Austin 和 Stuart (2015) 表明，完全匹配对于某些类型的数据效果很好。Austin 和 Small (2014) 讨论了引导程序如何使匹配更可靠。

倾向得分匹配在医学研究中至关重要，尤其是敏感性分析。它是研究医疗干预措施的随机试验的良好替代方案。

匹配方式描述优点缺点
最近的邻居将每个接受治疗的受试者与卡尺内最近的未接受治疗的受试者进行匹配易于实施、应用广泛如果匹配不成功，可能会导致偏见加剧
最优匹配最小化匹配对象之间的总距离提高匹配质量，减少偏见计算密集型
完全匹配将每个接受治疗的受试者与一个或多个未接受治疗的受试者进行匹配，反之亦然最大限度地利用数据，减少偏见匹配结构复杂，可能需要更多数据

想了解这些方法的更多细节，请点击此处查看研究报告。掌握这些方法有助于研究人员减少偏差，并从观测数据中获得准确的结果。运用正确的统计技术是确保科学研究可靠性的关键。

评估协变量的平衡和重叠

使用倾向得分匹配后，检查协变量是否平衡是关键。这意味着我们需要使用多种工具和方法来查看匹配是否有效。

平衡诊断

平衡性诊断对于良好的协变量平衡性评估至关重要。它们有助于我们判断模型是否正确，以及是否使各组之间具有相似性。例如，Ali、M.Sanni 等人（2014）的研究表明，这些平衡性在药物效应研究中具有重要意义。

直方图和标准化差异

直方图和标准化差异是检查平衡的关键。直方图让我们看到各组之间的得分重叠程度。标准化差异告诉我们差异有多大。差异低于 10% 意味着匹配良好。

Franklin, Jessica M. 等人 (2014) 讨论了如何衡量研究中的协变量平衡。他们解释了这些方法。

减少偏差的技术

匹配后减少偏见至关重要。这些技术可以帮助我们做出更多调整。例如，Rubin, Donald B. (2001) 展示了倾向得分如何改善研究设计。

Stuart, Elizabeth A. 等人 (2013) 也谈到了使用预后评分进行平衡的好处。这些方法是确保研究公平的关键。

通过仔细使用和检查这些诊断方法，我们可以获得可靠的效应估计值。选择能够很好地平衡协变量并减少偏差的方法至关重要。这可以确保我们的研究结果可靠。

倾向评分匹配的优势和局限性

倾向评分匹配 (PSM) 非常适合处理众多协变量，它能使治疗组更贴近真实世界的患者。与传统的随机对照试验(RCT) 不同，PSM 可以纳入交互作用和连续变量，这使其在流行病学研究中具有广泛的应用前景。

主要优势

PSM 非常灵活。传统模型无法处理许多协变量，尤其是结果事件很少的情况下。但 PSM 没有这个限制。它允许您包含所有混杂因素，从而使其更加高效。

PSM 还有助于解决适应症混淆问题。通过匹配倾向得分，研究人员可以重点关注人们接受治疗的原因。这使得比较接受治疗和未接受治疗的受试者变得更加容易。

另一个优点是 PSM 不假设协变量和结果之间存在线性关系。这使得它更像是随机实验，减少了偏见并增加了透明度。

主要限制

尽管 PSM 有其优点，但它也有缺点。它只控制已知的协变量，而未知的协变量则未得到解决。此外，它需要组间有大量重叠才能有效匹配。这对于具有不同组特征的研究中可能很难实现。

样本量小或数据缺失也可能是一个问题。如果重叠度不够，PSM 可能无法很好地发挥作用，这会增加偏差。处理聚类或分层数据是另一个挑战。

为了有效利用倾向得分匹配（PSM），研究人员必须谨慎选择协变量。他们应该选择那些能够预测治疗效果而非结果的协变量。诸如卡尺内的最近邻匹配等技术有助于确保良好的匹配。这种精细的匹配是可靠估计治疗效果的关键。

有关 PSM 的优势和局限性的更多详细信息，请查看这篇关于围手术期护理观察性流行病学研究的全面讨论。

倾向评分匹配与治疗效果评估

倾向评分匹配（PSM）是研究中探究治疗效果的关键方法。它能有效控制混杂偏倚。其主要目标是估计平均治疗效应（ATE）和接受治疗人群的平均治疗效应（ATT）。

平均治疗效果 (ATE)

平均治疗效应 (ATE) 考察的是某种治疗对所有可能接受该治疗的人群的总体影响。它显示了无论患者是否接受治疗，该治疗对一组患者的影响。为了分析 ATE，研究人员使用统计模型，例如倾向评分匹配 (PSM) 和条件调整，如逆概率加权 (IPW) 和条件调整。

治疗组平均治疗效果 (ATT)

治疗者平均治疗效果 (ATT) 关注的是那些真正接受治疗的人。它可以帮助研究人员了解治疗对接受治疗的人的效果。ATT 显示了如果接受治疗的人没有接受治疗，结果会有什么不同。这对于治疗组和未接受治疗组有很大差异的治疗至关重要。

分析统计模型

在计算倾向评分并进行匹配后，研究人员使用各种统计模型来估计治疗效果。Kaplan-Meier 估计器和 Cox 比例风险模型等模型非常适合分析事件发生的时间。这些模型有助于了解治疗效果的持续时间和发生率。

使用倾向得分作为连续变量或四分位数可以增强分析结果。诸如完全匹配 (FM) 和逆概率​​加权 (IPTW) 等技术也有助于提高治疗效果估计的准确性。研究表明，这些方法可以减少偏差，并在观察性研究中取得更好的结果。

治疗效果评估

埃斯蒂曼德定义统计模型
ATE对整个人口的估计影响IPW，有条件调整
ATT对接受治疗人群的估计影响Kaplan-Meier、Cox 模型

结语

倾向得分匹配 (PSM) 改变了流行病学的格局。它可以帮助研究人员从观察性研究中找出因果关系。通过使用倾向得分，他们可以平衡各种因素，并消除隐藏治疗真实效果的偏见。

这种方法与随机对照试验一样有效，但操作更简便。如需了解倾向性评分匹配（PSM）的工作原理及其效果的更多详情，请参阅Sciendirect上的这篇详细指南。

PSM 功能强大，但也有其局限性。估算分数可能很棘手，尤其是在某些类型的研究中。模拟表明，虽然 PSC 方法可以提高准确率，但如果条件不满足，它们可能会失败。

因此，研究人员必须仔细检查他们的数据并使用高级统计数据。这确保他们从研究中得到最好的结果。

了解 PSM 表明不断改进研究方法非常重要。通过解决偏见和改进数据分析，PSM 使研究更加可靠。随着 PSM 的发展，它可能会为每个人带来更好的健康研究和更值得信赖的发现。

常见问题解答

什么是倾向得分匹配？

倾向得分匹配 (PSM) 是一种平衡研究中群体的方法，研究中的受试者并非随机选择。它使群体与受控试验中看到的群体相似。这有助于消除偏见并更好地理解因果关系。

谁提出了倾向得分匹配的概念？

1983 年，罗森鲍姆和鲁宾提出了倾向得分匹配法。他们希望通过根据获得治疗的可能性对人群进行分组来处理研究中的偏见。

为什么倾向评分匹配在流行病学中很重要？

它在流行病学中至关重要，因为它有助于通过平衡群体来寻找因果关系。这可以减少偏见，并更清楚地了解治疗在实际情况下如何发挥作用。

观察性研究与随机对照试验有何不同？

观察性研究不会随机选择接受治疗的人。这可能会导致偏见。另一方面，随机对照试验会将人们随机分配到各组。这有助于避免偏见。

观察性研究中的因果推断面临哪些挑战？

在观察性研究中寻找因果关系非常困难，因为受试者并不是随机接受治疗的。这可能会导致偏见。倾向得分匹配有助于通过平衡群体来解决这一问题。

什么是混杂偏差？您能举例说明吗？

混杂偏倚是指其他因素同时影响治疗和结果，使人误以为是治疗导致了结果。例如，如果一项药物研究没有考虑年龄或健康状况等因素，那么该研究的结果可能存在偏差。

混杂偏差如何影响研究结果？

它通过展示事物之间的虚假联系，使研究结果变得错误。它错误地认为治疗导致了某件事，而实际上是另一个因素。

使用什么方法来解决混杂偏差？

为了解决混淆偏差，人们使用了分层和多变量回归等方法。倾向得分匹配是一种更好的方法，它根据获得治疗的机会将群体划分为相似群体。

倾向评分匹配在流行病学中如何发挥作用？

在流行病学中，倾向得分匹配的工作原理是根据某些因素确定获得治疗的机会。然后，它将具有相似机会的人进行匹配，以减少偏见并帮助理解因果关系。

进行倾向得分匹配涉及哪些步骤？

首先，选择用于评分的因素。然后，使用逻辑回归计算分数。接下来，根据这些分数匹配人员。之后，检查组是否平衡。最后，找出治疗对匹配组的影响。

倾向评分匹配通常使用哪些工具和软件？

常用的工具有SAS、R、Stata等，它们有专门的软件包来帮助匹配和分析数据。

进行倾向评分分析的五个步骤是什么？

首先，选择正确的因素。然后，用逻辑回归估计分数。接下来，匹配分数相似的人。之后，检查组是否平衡。最后，找出治疗对匹配组的影响。

使用倾向得分进行匹配使用什么方法？

使用最近邻匹配、最佳匹配和完全匹配等方法。每种方法都有各自的减少偏差和提高准确性的方法。

如何评估匹配后的协变量的平衡和重叠？

使用直方图和标准化差异等工具来查看组是否平衡。然后，检查匹配后还剩下多少偏差。

倾向得分匹配的主要优势是什么？

它非常擅长同时处理多个因素，使群体平衡，并展示真实世界中的患者。它也能很好地处理复杂数据。

倾向得分匹配的主要局限性是什么？

它只控制已知因素，需要良好的组重叠，如果不完全匹配，可能会产生偏差。样本量小或数据缺失时很难做到。在处理复杂的研究问题时，它也举步维艰。

倾向评分匹配如何有助于治疗效果评估？

它有助于通过找到平均效果和治疗效果来估计治疗效果。然后，使用 Kaplan-Meier 等统计模型进行更详细的分析。

源链接