倾向评分匹配PSM

详细描述了PSM的统计原理使用数据，通过PMS把回归性的数据进行筛选，把基线资料相近的患者进行匹配，得到近似RCT的效果。

倾向评分匹配PSM

• 用处
  • 在观察研究中，由于种种原因，数据偏差（bias）和混杂变量（confounding variable）较多，倾向评分匹配的方法正是为了减少这些偏差和混杂变量的影响，以便对实验组和对照组进行更合理的比较
    • 简单说就是对照组除了研究因素外，其他的因素应该尽可能和试验组保持一致，随机是最理想的策略！通过随机化，让两组间具有更好的可比性。然而，并不是所有这场合都能实现随机，尤其是回顾性研究 如果分组间的样本量比超过1：4范围，此时，回归分析的结果会受到很大影响。这时候，一般建议采用倾向性评分匹配(propensity score matching, PSM)方法进行处理，其一，可以使两组样本数在可比范围（一般是1：1，1：2等），同时能有效降低混杂偏倚。与常规匹配相比，倾向性评分匹配能考虑更多匹配因素，提高研究效率和可信度
• 作用
  • RCT的证据力度高，对患者进行了严格的筛选
    • 为了筛选出基线相近的数据
      • 通过PMS把回归性的数据进行筛选，把基线资料相近的患者进行匹配，得到近似RCT的效果
• 应用场景
  • 基线资料不平
  • 开展病例对照研究病阳性例数较少，如罕见病研究
  • 将众多混杂因素变为一个变量：倾向值
• 使用R进行倾向得分匹配（PSM）