python倾向匹配得分_在SPSS软件中实现1:1倾向性评分匹配(PSM)分析

最新推荐文章于 2022-09-05 10:43:29 发布

weixin_39953102

最新推荐文章于 2022-09-05 10:43:29 发布

阅读量2.8k

点赞数 1

文章标签： python倾向匹配得分

本文介绍了在临床研究中如何使用SPSS进行1:1倾向性评分匹配(PSM)分析，以解决观察性研究中的分组不均衡问题。通过PSM方法，可以提高研究的可比性和可信度，尤其在样本量比例超过1:4时。文章详细阐述了在SPSS 22或23版本中进行PSM的步骤，包括数据录入、设置倾向性评分、匹配标准和结果解读，并提醒了在使用过程中可能遇到的问题及解决办法。

摘要由CSDN通过智能技术生成

谈起临床研究，如何设立一个靠谱的对照，有时候成为整个研究成败的关键。对照设立的一个非常重要的原则就是可比性，简单说就是对照组除了研究因素外，其他的因素应该尽可能和试验组保持一致，随机是最理想的策略！通过随机化，让两组间具有更好的可比性。然而，并不是所有这场合都能实现随机，尤其是回顾性研究，事实已经发生了，就很难再进行随机处理了。因此，很多观察性研究，分组间不均衡是最常见的现象。

面对分组不均衡，基线不整齐，两组可比性差。经典的方法采用多因素回归分析处理。但是，回归仍然有一定的缺陷。因此，目前一般采用一些新的策略进行，最常见的是倾向评分策略。倾向评分策略又包括几种类型，如逆概率加权方法（IPTW），倾向性评分匹配（PSM）等。

如果分组间的样本量比超过1：4范围，此时，回归分析的结果会受到很大影响。这时候，一般建议采用倾向性评分匹配(propensity score matching, PSM)方法进行处理，其一，可以使两组样本数在可比范围（一般是1：1，1：2等），同时能有效降低混杂偏倚。与常规匹配相比，倾向性评分匹配能考虑更多匹配因素，提高研究效率和可信度。

这么“高大上”的倾向性评分匹配，是不是超难学？其实不然，SPSS这种傻瓜软件就OK。当然，如果您安装的是SPSS 22版本之前的老版本的话，你就得反复折腾，安装“高级”的R插件来处理了（R软件、SPSS R插件、PS matching插件等）。如果您安装的是22或23版本(当然，未来会更高了），就不用担心了，傻瓜式解决这个问题。

不过，目前SPSS自带的插件，只能做1：1匹配，算法方面主要是Fuzzy模型，你不能自由选择其它的模型哦，如5-->1贪婪最优匹配。

不过，小编在此提醒各位，SPSS容易抽风，往往第一次打开运行时，提示内置的Fuzzy文件没有安装（其实早就安装过了）。此时，往往一脸蒙了。不用急，教大家一个小招，可以先运行一下其它功能，需要先调用Python command的功能，预热一下，然后再使用PSM 功能就OK了。例如，可以使用data菜单的PSM下面的case control matching，胡乱填一下，然后运行一下。再回来做PSM就成功了。当然，做PSM分组变量（group indicator缺失值全部都去掉）里面不可以有缺失值，所有新变量和数据集都要用英文起名，不然会跑不出结果! 因为如果都不知道分在哪一组的话，软件就