倾向得分匹配法（PSM）的样本偏差校正策略.docxVIP

倾向得分匹配法（PSM）的样本偏差校正策略

一、引言

在观察性研究中，由于无法通过随机化分组消除混杂因素的干扰，研究者常常面临因果效应估计偏差的难题。倾向得分匹配法（PropensityScoreMatching,PSM）作为经典的因果推断工具，通过估计样本接受处理的概率（即倾向得分），将处理组与具有相似倾向得分的对照组匹配，模拟随机对照试验场景以减少混杂偏倚（RosenbaumRubin,1983）。随着PSM在经济学、公共卫生、社会学等领域的广泛应用，研究者逐渐发现，实际操作中样本偏差仍难以完全规避——无论是协变量选择不当、匹配算法局限，还是未观测混杂因素的存在，都可能导致匹配后的样本仍存系统性差异，进而影响因果效应估计的准确性。因此，针对PSM应用中的样本偏差制定科学有效的校正策略，成为提升观察性研究质量的核心环节。本文将从PSM样本偏差的核心来源出发，依次介绍基础层面、进阶层面的校正策略，并阐述校正效果的验证方法，最终为研究者提供一套系统的样本偏差校正框架。

二、PSM样本偏差的核心来源

要制定精准的校正策略，需先明确PSM样本偏差的产生机制。从PSM的原理逻辑出发，样本偏差主要来源于三个核心环节：条件独立性假设的违背、匹配过程中的残留差异，以及样本量失衡带来的效率损失。

（一）选择偏倚：条件独立性假设的违背

PSM的核心前提是条件独立性假设，即给定可观测协变量