首发，pm3包，一个用于多组（3组）倾向评分匹配的R包

目前，本人写的第二个R包pm3包已经正式在CRAN上线，用于3组倾向评分匹配，只能3组不能多也不能少。
可以使用以下代码安装

install.packages("pm3")

什么是倾向性评分匹配？倾向评分匹配（Propensity Score Matching，简称PSM）是一种统计学方法，用于处理观察研究（Observational Study）的数据，在SCI文章中应用非常广泛。在观察研究中，由于种种原因，数据偏差（bias）和混杂变量（confounding variable）较多，倾向评分匹配的方法正是为了减少这些偏差和混杂变量的影响，以便对实验组和对照组进行更合理的比较。
为什么需要做倾向评分匹配？
我们知道RCT的证据力度高，是因为对患者进行了严格的筛选。我们的回顾性研究都是过去的数据，很难像RCT一样进行严格的筛选出两组患者基线相近的基础资料，但我们可以通过倾向评分匹配把回归性的数据进行筛选，把基线资料相近的患者进行匹配，得到近似RCT的效果。
应用场景
 1.基线资料不平
 2.开展病例对照研究病阳性例数较少，如罕见病研究
 3.将众多混杂因素变为一个变量：倾向值
以下为一个实例，没进行匹配前两组患者基线资料相差很大，进行倾向评分匹配后，基线资料近似一致了

目前进行3组倾向评分的R包据我所知，几乎没有，我这个应该也算是开创了把，算法来源于下面两篇参考文献，我既往也写了关于文章《R语言3组患者倾向性评分匹配（PSM）》，想了解做法的可以看看，但是蛮多人看了文章也做不出来，于是我有了写包的想法，这也是在文章末尾答应大家的，也算说到做到了把

感谢付费的朋友们，这也算支持我继续前进的动力吧。感谢原创作者无私提供方法，我只是把方法用代码呈现出来，理论的探讨不要来问我。这里我还要提一句，我对作者的方法进行了一定改进、优化，原作者的方法，协变量的分类变量只能是2分类的，我这里多分类的都可以了。
下面来进行pm3包的用法演示，我们先导入R包和数据，pm3包有我内置的早产数据，我们直接导入就可以了

library(pm3)
bc<-prematurity

这是一个关于早产低体重儿的数据（公众号回复：早产数据，也可以获得该数据），低于2500g被认为是低体重儿。数据解释如下：low 是否是小于2500g早产低体重儿，age 母亲的年龄，lwt 末次月经体重，race 种族，smoke 孕期抽烟，ptl 早产史（计数），ht 有高血压病史，ui 子宫过敏，ftv 早孕时看医生的次数，bwt 新生儿体重数值。

假设我们研究的是有不同种族（race）对生出低体重儿（low）的影响。需要对3个种族进行基线资料倾向评分匹配

现在我们不需要像既往一样进行一大堆复杂操作，直接一句话代码，就搞定了

g<-pm3(data=bc,x="race",y="low",covs=c("age","lwt","ptl"),factor=c("ui","low"))

这句代码我来解释一下，因为我们是靠逻辑回归模型生成评分的，所以要定义一个回归模型的变量:data就是你的数据，x就是你要比较的变量，我们这里是race，y是你要比较的结局变量，covs是协变量的意思，填入你模型模型中的协变量，也就是你要匹配的基线指标，包括连续的和分类的，这里是"age",“lwt”,“ptl”，最后factor是定义你数据中的分类变量，这里有个小问题，factor你要是没有可以不填，填的话最少要填两个，不然会报错，这个问题在后期版本修正。我这里本来只有ui这个分类变量，怕报错我加了low，或者加race也可以，都不影响的.
执行代码后就生成了g

g是一个列表数据文件，我们可以看到生成了3个我们匹配好的数据文件，每个文件26个数据，和文章《R语言3组患者倾向性评分匹配（PSM）》做出来的一模一样。mbc是这是3个匹配好的文件合并后的数据

我们把mbc提取出来

mbc<-g[["mbc"]]

下面我们进行匹配前和匹配后的比较。导入tableone包

library(tableone)

定义全部变量和分类变量

allVars <-c("age", "lwt", "ptl","ht")
fvars<-c("ht")

进行比较

tab2 <- CreateTableOne(vars = allVars, strata = "race" ,
data = bc, factorVars=fvars,addOverall = TRUE )
print(tab2,smd = TRUE)
tab1 <- CreateTableOne(vars = allVars, strata = "race" ,
data = mbc, factorVars=fvars,addOverall = TRUE )
print(tab1,smd = TRUE)

我们可以看到，P值变大了，smd变小了，匹配效果很好，最后想说一句，倾向性匹配也不是万能的，不可能把所有的变量配平。
参考文献：

1. 邓强庭, 王宏, 张雷达,等. 无序多分组数据的倾向性评分匹配算法设计及R程序实现[J]. 现代预防医学, 2021, 48(15):5.
2. [1]邬顺全, 吴骋, 贺佳. 倾向性评分匹配法在多分类数据中的比较和应用[J]. 中国卫生信息管理杂志, 2013(5):448-451.