倾向评分方法 Propensity Score Methods (PS)

propensity score propensity score matching PSM IPTW inverse probability weighting standardized mean difference SMD PROC PSMATCH 倾向评分 倾向评分匹配 逆概率加权

统计原理

对基线协变量向量 $X$，倾向评分定义为接受目标治疗的条件概率：

Rosenbaum 与 Rubin 的核心结果是：在正确的可识别条件下，给定倾向评分后，治疗分配与用于评分的基线协变量可以达到平衡。于是可在相近 $e(X)$ 的受试者之间匹配，或用评分构造分层/权重，使治疗组与对照组在已测量且进入设计的治疗前协变量上更可比。

但倾向评分本身不是结局模型，也不会制造随机化。把匹配后的组间差解释为因果效应，还需要至少：一致性/SUTVA、条件交换性（无未测量混杂）、positivity/overlap，以及正确的时间零点、治疗和结局定义。平衡诊断应看协变量的 standardized mean difference（SMD）与分布，而不是看倾向评分模型的 c-statistic 或协变量 p 值。

随附程序按 REGION=TREATED 做 1:1、无放回、logit 倾向评分最近邻匹配，因此目标更接近 ATT：已接受 Drug A 人群中的平均治疗效应。匹配后以每个 _MatchID 内的结局差估计配对平均差。

原始方法与实现依据：Rosenbaum & Rubin (1983), The central role of the propensity score in observational studies for causal effects；SAS PROC PSMATCH 15.1 官方文档。

什么时候用

非随机对照研究或真实世界数据中，治疗选择受基线预后因素影响，需要在结局分析前设计可比队列并明确 ATT/ATE 等 estimand 时，使用倾向评分匹配、加权或分层。它最适合处理“谁更可能接受治疗”带来的已测量基线混杂。

SAP 里长这样：

Propensity scores for receipt of Drug A will be estimated using a prespecified logistic regression model containing treatment-preceding covariates. One-to-one greedy nearest-neighbor matching without replacement will be performed on the logit of the propensity score using a prespecified caliper. Covariate balance will be assessed using standardized mean differences. The estimand is the average treatment effect in the treated population.

看到 propensity score / PSM / IPTW / common support / caliper / standardized mean difference / ATT，即可定位到本页。随机对照试验的主要分析通常不需要用倾向评分“恢复”随机化；若有未测量混杂，PS 也不能自动消除。

适用条件速查卡

核心 SAS 代码

proc import datafile="example.csv"
            out=rwe_raw
            dbms=csv replace;
  guessingrows=max;
run;

ods graphics on;
proc psmatch data=rwe_raw region=treated;
  class trt male comorb;
  psmodel trt(treated='DrugA')=age male base_score comorb;
  match distance=lps method=greedy(k=1) caliper=1.00
        weight=none;
  assess lps var=(age male base_score comorb)
         / stddev=pooled(allobs=no) plots=none;
  output out(obs=match)=ps_matched lps=_Lps matchid=_MatchID;
run;
ods graphics off;

proc sort data=ps_matched;
  by _MatchID trt;
run;

proc transpose data=ps_matched
               out=matched_pairs(drop=_Name_)
               prefix=outcome_;
  by _MatchID;
  id trt;
  var outcome;
run;

data matched_pairs;
  set matched_pairs;
  if nmiss(outcome_DrugA, outcome_Control)=0;
  pair_difference=outcome_DrugA - outcome_Control;
run;

proc means data=matched_pairs n mean std stderr clm maxdec=2;
  var pair_difference;
run;

• PSMODEL 的左侧值 'DrugA' 定义目标治疗，右侧只能放治疗前协变量。
• DISTANCE=LPS 在 logit propensity score 尺度上匹配；CALIPER=1.00 按该尺度的 pooled SD 约束本教学数据的可接受距离。该宽阈值只为保证小型模拟数据形成完整配对；正式研究通常应评估更严格的预设阈值及其样本损失/平衡权衡。
• METHOD=GREEDY(K=1) 是 1:1 最近邻匹配。贪婪匹配依赖处理顺序；正式方案需固定 seed/排序、是否放回及匹配比例。
• WEIGHT=NONE 使本 1:1 匹配集每人权重为 1；OUTPUT ... MATCHID= 留下成对关系。
• ASSESS 同时比较匹配前后协变量平衡。结局分析只能在设计验收后进行，不能为获得有利结局反复改 PS 模型。
• 配对差的均值适合本例连续结局和一对一完整匹配；二分类或时间-事件结局需使用与 estimand、匹配相关性和删失结构一致的模型与方差估计。

变量解释表

输出对照

随附程序已在 SAS 9.4 TS1M8 / SAS/STAT 15.3 上完成语法和运行验证。本页只给字段定位，不把原创模拟队列的效应数值包装成真实世界证据。

先验收 ②–④，再读取 ⑥–⑦。若匹配后仍有实质性不平衡、样本大量丢失或 overlap 不足，应报告设计失败/目标人群改变，而不是直接给“校正后因果效应”。

示例数据与程序

• example.csv — 20 名 Drug A 与 30 名 Control 的原创模拟观察性队列，含治疗前协变量和连续结局
• example.sas — 倾向评分估计、1:1 greedy matching、平衡诊断、匹配清单和配对结局分析完整程序

常见坑