倾向匹配分析深度(Propsensitymatchinganalysis).pdfVIP

,. 倾向匹配分析深度（ Propsensity matching analysis ） 有很多现象和关联似乎显而易见， 然而证明这些 “简单” 的现象和关联的过程，可能极其消耗人力和物力。在 20 世 纪 30 年代之前，匹配法（也称控制法）在因果研究中占据 了压倒性的地位，科学家认为只有将实验组和对照组的所有 情况都尽可能接近，才能两组间的差异是否归于处理因素。 但是，在要让实验组和对照组之前的特征（混杂）尽可能匹 配，不仅难以操作，而且会消耗大量资源，尤其在很多情况 下，很多因素是试验者难以去控制的。随机化概念的起源 在伊利诺伊大学的莫柔地块（ University of Illinois , Morrow Plots ），Fisher 通过 “分割地块实验” （( Split-Plot Experiment ），成功证明了一个在今天看来可能极其简单， 但却耗费了几代科学家上百年努力的结论：土壤的质量是农 业生产率最关键的决定因素（ Soil quality is a vital component of agricultural productivity ）。并开拓了如今 广为人知的方差分析 (ANOVA ），将随机实验法纳入了因果 分析的殿堂，成为因果分析的金标准。为什么要做倾向值分 析 在卫生领域，随机临床试验（ RCT ）是应用随机 实验法最典型的例子。 为了证明某种处理 （或因素）的作用， 将研究对象随机分组并进行前瞻性的研究，可以最大程度上 确保已知和未知的混杂因素对各组的影响均衡，阐明处理因 ,. 素的真实效应。但 RCT 对研究对象严格的纳入和排除标准， 无疑会影响研究结果的外推，同时费用和组织困难问题很多 时候都是让人难以承受的。此外，很多研究问题无法做到随 机，甚至有些情况下的随机是违反伦理道德的。 而 非随机对照研究（如观察性研究和非随机干预研究）能够较 好地耐受 RCT 中存在的问题， 在实际应用中更为广泛。 如何 利用非随机化研究的资料探究因果，一直是流行病学和统计 学研究中非常关注的问题。传统的控制混杂的方法如分层、 匹配等控制的混杂因素有限，多因素分析的方法在概念上 “控制了其他因素，探究某一因素的影响” ，依然无法控制 混杂因素所导致的偏性。在这种情况下，倾向值分析 （Propensity score analysis ）的理论和实践不断丰富，并 在流行病学、经济学、社会科学等领域得到广泛应用。 举一个简单的例子。我们常认为重点学校的对于学生学习能 力的提升是优于一般学校的。如果把学校类型视为处理因 素，而结局指标为入学后成绩的改变量。那么不同学校间学 生成绩改变量的差异，究竟是因为学校不同（处理因素，简 单理解为师资、设施等条件的综合） ，还是因为考入重点学 校的学生，本身就比一般学校的学生更聪明，更勤奋，家长 的受教育水平更高，对教育的投资更大（混杂因素）？如果 控制这些混杂因素以后，学校对成绩的影响，是否就会发生 很大变化？学生进入何种学校学习（接受不同处理）的概率