倾向得分匹配（PSM）在因果推断中的偏差控制.docxVIP

倾向得分匹配（PSM）在因果推断中的偏差控制

引言

因果推断是统计学与社会科学研究的核心命题之一。无论是评估一项公共政策的实际效果、验证医疗干预手段的真实收益，还是分析教育投入对个体发展的长期影响，研究者的终极目标往往是回答“如果实施某一处理（Treatment），结果会如何变化”的因果性问题。然而，在观测性研究中（区别于随机对照试验），由于无法通过随机分配处理组与对照组来平衡干扰因素，数据中普遍存在的选择偏差（SelectionBias）与混杂偏差（ConfoundingBias）会严重扭曲因果关系的识别。此时，倾向得分匹配（PropensityScoreMatching,PSM）作为一种基于观测数据的因果推断方法，通过对可观测协变量的平衡，为控制偏差、逼近真实因果效应提供了有效工具。本文将围绕PSM在因果推断中的偏差控制逻辑展开，系统探讨其原理、应用策略及局限性，以期为研究者提供方法学参考。

一、因果推断的核心挑战：偏差的来源与影响

（一）因果推断的本质：潜在结果框架下的反事实缺失

因果推断的理论基础是“潜在结果框架”（PotentialOutcomesFramework）。该框架假设每个个体存在两种潜在结果：若接受处理（记为D=1），则观测到结果Y?；若未接受处理（D=0），则观测到结果Y?。个体层面的因果效应为Y?-Y?，但实际研究中，每个个体只能观测到其中一种结果（接受处理者无法观测Y?，未接受处理者无法观测Y?），这一“反事实缺失”问题构成了因果推断的根本障碍。

（二）观测性研究中的偏差类型与危害

在随机对照试验（RCT）中，处理组与对照组的分配是随机的，因此协变量（如年龄、性别、健康状况等）在两组间的分布是平衡的，结果差异可直接归因于处理效应。但在观测性研究中，个体是否接受处理往往由自身特征或环境因素决定，这导致处理组与对照组在协变量分布上存在系统性差异，进而产生两类关键偏差：

选择偏差（SelectionBias）：指处理组与对照组的个体因“自选择”行为（如患者主动选择某种治疗方式）导致的协变量分布不均衡。例如，经济条件较好的人群更可能购买高端医疗保险（处理组），而经济条件本身可能影响健康结果（如更优的日常保健），若直接比较两组健康水平，结果差异可能部分源于经济条件而非保险本身。

混杂偏差（ConfoundingBias）：由同时影响处理分配与结果变量的“混杂因素”（Confounder）引起。例如，研究教育水平对收入的影响时，家庭背景（如父母受教育程度）既可能影响个体的教育选择（处理），又可能通过家庭资源支持直接影响收入（结果）。若不控制家庭背景，教育对收入的因果效应会被高估或低估。

（三）传统方法的局限性：从回归到匹配的过渡

早期研究中，研究者常通过多元回归模型控制协变量，即假设“在控制X后，处理分配与潜在结果独立”（条件独立假设）。但回归模型依赖严格的函数形式假设（如线性关系），且当协变量维度较高时（如包含数十个变量），模型易出现多重共线性或过拟合问题，导致估计结果不稳定。此时，匹配方法（Matching）逐渐被重视——通过为每个处理组个体寻找特征相似的对照组个体，构造“虚拟的随机试验”，使两组在协变量上趋于平衡。倾向得分匹配作为匹配方法的优化版本，通过将高维协变量降维为一维的“倾向得分”，显著提升了匹配效率，成为当前应用最广泛的因果推断工具之一。

二、PSM的偏差控制原理：从倾向得分到匹配平衡

（一）倾向得分的定义与降维逻辑

倾向得分（PropensityScore）由Rosenbaum与Rubin于1983年提出，定义为“个体在给定可观测协变量X的条件下接受处理的概率”，即P(X)=Pr(D=1|X)。其核心价值在于“降维”——将原本高维的协变量（如年龄、性别、收入、教育等）转化为一个一维的概率值，使得匹配过程不再需要逐一平衡每个协变量，而是通过平衡倾向得分间接实现协变量平衡。例如，若两个个体（一个处理组、一个对照组）的倾向得分接近，说明他们在协变量X上的分布相似，接受处理的概率相近，因此更可能成为“可比”的对象。

（二）PSM的偏差控制机制：条件独立性与平衡假设

PSM的偏差控制依赖两个关键假设：

条件独立假设（ConditionalIndependenceAssumption,CIA）：在给定倾向得分P(X)后，处理分配D与潜在结果（Y?,Y?）独立。即，所有影响处理分配和结果的混杂因素已被包含在协变量X中，未观测到的因素不再影响处理与结果的关系。这一假设保证了匹配后的处理组与对照组在潜在结果上的差异仅由处理本身引起。

共同支撑假设（CommonSupportAssumption）：处理组与对照组的倾向得分分布存在重叠区域。换句话说，对于任意协变量X，存在一定比例的处