倾向得分加权(PSW)在因果推断中的优势与实践

1. 为什么倾向得分加权比匹配更值得推荐

在观察性研究中，我们常常需要处理非随机化实验带来的选择偏差问题。传统上，倾向得分匹配（PSM）是最常用的方法，但越来越多的研究者开始转向倾向得分加权（PSW）。这两种方法都基于倾向得分——即给定协变量条件下个体接受处理的概率，但实现方式和效果存在显著差异。

我从事因果推断研究多年，处理过数十个真实世界数据集。最初我也习惯性使用PSM，直到在一次药物疗效评估项目中，匹配后的样本量从原始20000例骤减到3000例，导致统计功效严重不足。这次教训让我开始系统研究PSW的优势，并在此分享我的实践经验。

2. 核心方法对比与选择逻辑

2.1 倾向得分匹配的固有缺陷

PSM通过为处理组寻找协变量平衡的对照组个体，构建一个"伪实验"环境。常见操作包括：

• 最近邻匹配（有/无放回）
• 卡钳匹配（caliper matching）
• 分层匹配

但存在三个根本问题：

1. 样本浪费严重：通常只能保留50%-70%的处理组样本，对照组未匹配样本直接丢弃
2. 方差估计复杂：匹配后的样本不再独立，需要bootstrap等方法计算标准误
3. 平衡性检验主观：对协变量平衡的判断缺乏统一标准

提示：当处理组占比<10%或>90%时，PSM可能完全无法找到足够匹配对象

2.2 倾向得分加权的技术优势

PSW通过为每个样本赋予权重，使加权后的样本分布满足协变量平衡。主流权重包括：

• 逆概率权重（IPTW）：处理组权重=1/PS，对照组权重=1/(1-PS)
• 重叠权重（Overlap Weights）：权重=PS(1-PS)
• 标准化死亡率权重（SMR）

相比PSM的核心优势：

• 保留全部样本：不丢弃任何数据点
• 显式控制极端权重：可通过截断或模型调整处理
• 方差计算直接：加权后的样本可视为独立观测

r复制# 典型的PSW实现代码（R语言）
ps_model <- glm(treatment ~ age + gender + disease_score, 
                data = df, family = binomial)
df$ps <- predict(ps_model, type = "respons