倾向得分加权(PSW)在观察性研究中的优势与应用

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，但近年来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，但实现方式和效果却大不相同。

我从事数据分析工作多年，处理过数十个观察性研究项目。最初我也习惯使用PSM，直到遇到一个医疗数据项目让我彻底改变了看法。当时我们需要评估某种新药对住院时长的影响，使用PSM后样本量从10万骤减到不足2万，不仅损失了大量信息，结果还出现了明显偏差。改用PSW后，不仅保留了全部样本，估计效果也更加稳定可靠。

2. 核心概念解析与比较

2.1 倾向得分匹配的运作机制

PSM的基本思路是为处理组的每个个体找到一个或多个对照组的"双胞胎"，然后比较这两组的结果差异。常见的匹配算法包括：

• 最近邻匹配：为每个处理组个体选择倾向得分最接近的对照组个体
• 卡尺匹配：在设定的距离范围内寻找匹配对象
• 分层匹配：按倾向得分分层后在层内匹配

匹配后通常需要检查协变量平衡性，常用标准包括标准化差异小于0.1等。但匹配过程会丢弃大量不匹配的样本，这是其主要缺点。

2.2 倾向得分加权的实现原理

PSW通过为每个个体赋予权重来构建一个伪总体，使得加权后的处理组和对照组在协变量分布上相似。最常见的权重包括：

• 逆概率权重(IPTW)：处理组个体权重为1/PS，对照组为1/(1-PS)
• 重叠权重：权重与PS(1-PS)成比例，更关注两组分布重叠区域
• 标准化死亡率权重：使处理组权重和为1，对照组权重和也为1

权重法的优势在于可以利用全部样本信息，特别当处理组和对照组PS分布差异大时。

2.3 两种方法的直观对比

通过一个简单的模拟例子可以清晰看到差异。假设我们有一个处理组(n=500)和一个更大的对照组(n=2000)，PS分布如下：