科研Labs › 倾向性评分
倾向性评分（PSM / IPTW）
观察性研究中控制混杂的主流方法：用逻辑回归估计倾向评分，再通过 1:1 卡钳匹配（PSM）或逆概率加权（IPTW）使处理组与对照组的协变量分布趋于均衡。给出匹配/加权前后的协变量平衡（标准化均差 SMD）与爱情图，可选结局效应。浏览器本地计算，数据不上传。
① 数据
粘贴含表头数据：首行列名，其后每行一条记录（Tab/逗号分隔）。处理列与结局列编码为 0/1，协变量为数值（分类变量先做哑变量）。
使用说明与方法学
PSM 和 IPTW 怎么选？
PSM（匹配）直观、便于呈现配对后样本，但会丢弃匹配不上的对象、改变目标人群且样本变小；IPTW（加权）保留全部样本、估计 ATE，但对极端权重敏感（PS 接近 0 或 1 时权重过大）。两者常并用、互相印证。
SMD 为什么比 P 值更适合看平衡？
组间协变量差异的 P 值受样本量影响（大样本下微小差异也显著）；SMD 不依赖样本量，直接刻画标准化的差异大小，<0.1 通常认为平衡良好，是评价匹配/加权效果的推荐指标。
协变量怎么选进倾向评分模型？
纳入与结局相关的混杂因素（包括与结局相关的暴露前变量），不要纳入处理之后才发生的中间变量或仅与处理相关而与结局无关的变量。变量选择应基于专业知识与因果图。
倾向评分能消除所有混杂吗？
不能。它只能平衡你测量并纳入模型的协变量，对未测量混杂无能为力——这是与随机化的根本区别。结论需结合敏感性分析（如 E-value）说明对未测量混杂的稳健性。