倾向得分匹配法PSM代码(包括近邻匹配、核匹配、半径匹配、马氏匹配、样条匹配)

拿到了等于学会psm所有过程！包括PSM（近邻匹配、核匹配、半径匹配、马氏匹配、
样条匹配等等最全）以及共同支撑假设检验、平衡性假设检验作图等

倾向评分匹配，
简称PSM，是使用非实验数据或观测数据进行干预效应分析的一类统计方法。倾向得分匹
配的理论框架是“反事实推断模型”。“反事实推断模型”假定任何因果分析的研究对象都
有两种条件下的结果：观测到的和未被观测到的结果。如果我们说“A是导致B的原因”，
用的就是一种“事实陈述法”。#F8L1|&y4~

0?%@7o
#P+t/@._
倾向评分匹配（PropensityScoreMat
ching，简称PSM）是一种统计学方法，用于处理观察研究（Observatio
nalStudy）的数据。在观察研究中，由于种种原因，数据偏差（bias）和混
杂变量（confoundingvariable）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。这种方法最
早由PaulRosenbaum和DonaldRubin在1983年提出，一般
常用于医学、公共卫生、经济学等领域。以公共卫生学为例，假设研究问题是吸烟对于大
众健康的影响，研究人员常常得到的数据是观察研究数据，而不是随机对照实验数据（Ra
ndomizedControlledTrialdata），因为吸烟者的行为
和结果，以及不吸烟者的行为和结果，是很容易观察到的。但如果要进行随机对照实验，招
收大量被试，然后随机分配到吸烟组和不吸烟组，这种实验设计不太容易实现，也并不符合
科研伦理。这种情况下观察研究是最合适的研究方法。但是面对最容易获得的观察研究数据
，如果不加调整，很容易获得错误的结论，比如拿吸烟组健康状况最好的一些人和不吸烟组
健康状况最不好的一些人作对比，得出吸烟对于健康并无负面影响的结论。从统计学角度分
析原因，这是因为观察研究并未采用随机分组的方法，无法基于大数定理的作用，在实验组
和对照组之间削弱混杂变量的影响，很容易产生系统性的偏差。倾向评分匹配就是用来解决
这个问题，消除组别之间的干扰因素。
   

下载链接：https://download.csdn.net/download/weixin_45892228/89115816

点击下载：倾向得分匹配法PSM代码(包括近邻匹配、核匹配、半径匹配、马氏匹配、样条匹配)