倾向得分匹配法的卡尺匹配策略优化.docxVIP

倾向得分匹配法的卡尺匹配策略优化

一、倾向得分匹配法与卡尺匹配策略的理论基础

在观测性研究中，因果推断的核心挑战在于如何控制选择偏倚——即处理组与对照组因协变量分布不均导致的结果偏差。倾向得分匹配法（PropensityScoreMatching,PSM）作为解决这一问题的重要工具，自提出以来被广泛应用于医学、经济学、社会学等领域。而在PSM的具体实现中，卡尺匹配策略因其在平衡协变量与保留样本量之间的灵活权衡，成为实践中最常用的匹配方法之一。深入理解其理论基础，是优化策略的前提。

（一）倾向得分匹配法的核心逻辑

倾向得分的概念由Rosenbaum和Rubin于1983年首次提出，指在给定协变量的情况下，个体接受某种处理的条件概率（RosenbaumRubin,1983）。其核心价值在于将多维协变量（可能包含几十个甚至上百个变量）降维为一维的倾向得分，从而将复杂的“多维匹配”转化为“一维匹配”。例如，在评估某药物疗效时，患者的年龄、性别、病史、生活习惯等多个协变量可通过逻辑回归模型转化为一个0到1之间的倾向得分值，得分越接近的个体，其协变量分布越相似。

这种降维操作的意义在于，若倾向得分能够完全平衡协变量分布（即满足“强可忽略处理分配”假设），则通过匹配倾向得分相近的个体，可使处理组与对照组在协变量上达到近似随机化的平衡状态，从而通过简单的均值比较估计因果效应。Austi