倾向性得分匹配后，如何快速开展条件logistic回归？

倾向得分匹配法是通过对样本建模（logit模型）得到倾向性得分，通过倾向性得分为试验组在对照组中找到最接近的样本，从而进行研究的。

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。

那么匹配完了后，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？

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。

这里仅针对“二分类结局”，提出几种解决数据不独立、样本量减少的办法。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。

接下来分别向大家展示匹配后回归分析的R语言代码与风暴统计平台的便捷式操作！

一、实操案例介绍

数据集来源于R自带MASS数据集birthwt，这是一份于1986年在在马萨诸塞州收集的与婴儿出生体重低相关的危险因素的数据。本次实操涉及的变量说明如下。

二、R语言代码

在R语言中，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)


Log1<-clogit(low~smoke+strata(subclass),data=birthwt)


summary(log1)

代码解读：clogit(结局~暴露+strata(subclass),data=数据集)，subclass可以理解为倾向性得分匹配后，各变量的新id名，匹配上的个案subclass值相同。

三、风暴统计实操

在风暴统计平台，目前完成倾向性得分匹配后，可以一站式解决条件logistic回归！以R代码为基础，但是操作更加便捷简单！有需要各位可以试一试！

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

1.倾向性得分匹配

在上一篇文章中，就为大家详细介绍了风暴统计平台进行PSM分析的实操全流程，包括匹配前后的差异性三线表、概率密度分析图、SMD分析图等，匹配后数据与分析结果均支持下载！可以点击下方链接了解详情！

倾向得分匹配后，应该用什么统计学方法分析？

2.PSM后回归分析

①回归模型的选择

这里直接勾选模型即可，比R代码更便捷简单！

②回归变量的选择

这里需要选入我们研究的暴露因素，及匹配后仍不均衡的变量。假设我们本研究想要探索吸烟对婴儿出生体重的影响，在匹配后，其他变量都均衡的情况下，只需要纳入吸烟这一个变量即可。

右侧立即给出匹配后单因素、多因素及单+多三种结果的三线表结果！

③下载保存结果

分析结束后，可以直接将分析结果下载下来，直接是三线表形式，一步到位！

以上就是本次更新的全部内容了，下一篇，我们接着讲匹配后的cox回归应该如何开展！