倾向得分匹配后，应该用什么统计学方法分析？

我想，凡是点开这一文章的朋友，都应该知道倾向得分匹配方法了。倾向得分匹配在真实世界临床研究用途越来越广泛，它是一种事后推动组间比较均衡化的方法，控制混杂偏倚。

现在问题是，匹配完了后，应该用什么方法呢？

观察性研究，当我们数据已经均衡可比了，我们应该怎么去分析呢？

可以用普通的统计学方法吗？比如t检验、卡方检验、回归分析分析。

答案是可以的，但又最好不是用传统的两组差异性统计分析分析方法，或者传统的回归。

倾向得分匹配后，出现了两种现象：第一，样本量减少了；第二，匹配带来了数据的聚集性，造成数据不独立。

解决数据不独立性有一下几种方法，这几种也能对抗因样本量减少的问题。

（1）配对设计统计分析：例如配对t，配对卡方，条件logistic回归

（2）分层分析：分层卡方、分层Cox回归等

（3）稳健估计法：广义估计方程、稳健Cox回归

（4）随机效应模型：线性混合效应模型、广义线性混合效应模型、Cox 脆弱模型（Frailty model）

这里对两种常见的场景做一简单的介绍。

（1）二分类结局

二分类结局，倾向得分匹配后，可开展配对卡方检验、也可开展logistic回归分析。

我们都知道logistic回归，但很多不知道，logistic分为条件logistic和非条件logistic分析。

当数据是匹配状态时，建议采用条件logistic回归开展，而倾向得分匹配后，应采用匹配logistic回归，或者说条件logistic分析。

在R语言，条件logistic回归，常用的函数在survival包的clogit函数，以下是示意图。

library(survival)
log2<-clogit(low~drinking+race+strata(subclass1), data=xx)
summary(log2)

郑老师的风暴统计，已经于近日更新条件logistic回归的内容，有需要的各位可以试试

https://shiny.medsta.cn/psm/

（2）生存时间资料

匹配后的生存分析，在Cox回归应用上，我看大多数人还用普通的Cox回归。其实，最推荐的应该是稳健法Cox回归方法，它同样在survival包的conph函数中，增加了cluster参数设置，这个参数设置了，你就知道它的好处了。

coxph(Surv(time, status)~ph.ecog,cluster = subclass,data=cancer1)

除此之外，一些学者推荐了其它的方法，有一种是分层Cox回归，另外就是脆弱模型。

分层Cox回归，Cox方程中增加strata参数设置

coxph(Surv(time, status)~ph.ecog+strata(subclass),data=cancer1)

脆弱模型，Cox方程中增加frailty参数设置

coxph(Surv(time, status)~ph.ecog+frailty(subclass),data=

cox三种回归模型，结果有一定的差异。一些文献，包括我，推荐稳健法Cox回归模型

郑老师的风暴统计，已经于近日更新Cox多种回归的内容，有需要的各位可以试试。

https://shiny.medsta.cn/psmcox/

最后，再次建议：如果你需要数据分析，多多用我本人开发的“风暴统计”在线统计平台，百度“风暴统计”就行。

它不是很完美，但总是对诸位有一些帮助。

本公众提供各种科研服务了！

一、课程培训 2022年以来，我们召集了一批富有经验的高校专业队伍，着手举行短期统计课程培训班，包括R语言、meta分析、临床预测模型、真实世界临床研究、问卷与量表分析、医学统计与SPSS、临床试验数据分析、重复测量资料分析、nhanes、孟德尔随机化等10门课。如果您有需求，不妨点击查看： 发表文章后退款！2023年郑老师团队多门科研统计直播课程，欢迎报名 二、统计服务 为团队发展，我们将与各位朋友合作共赢，本团队将开展统计分析服务，帮忙进行临床科研。欢迎了解详情： 医学统计服务| 医公共数据库论文一对一指导