倾向性得分校正：倾向性得分分析不只有倾向性得分匹配

转自个人微信公众号【Memo_Cleon】的统计学习笔记：倾向性得分校正：倾向性得分分析不只有倾向性得分匹配。

倾向性得分（Propensity Score，PS）也常翻译成倾向值，实际上就是一个条件概率。具体说，就是在给定一组协变量的条件下，研究对象被分配到处理组的条件概率，这个概率一般通过logit或者probit模型来获取。倾向值分析常用于校正混杂因素的影响，但是倾向值本身并不能控制混杂，而是需要通过进一步的匹配、分层、回归校正、加权等方式来达到分析的目的。

我们已经有多篇倾向性得分匹配（Propensity Score Matching，PSM）的相关笔记：

还有一篇变量匹配分析：病例对照匹配（CCM）。

今天的笔记是演示倾向性得分校正分析。倾向性值校正的分析逻辑很简单，就是将倾向性值作为一个新的、而且是唯一的一个协变量，和主要研究因素一起进行多因素回归分析，即以结局变量为因变量，以主要研究因素（分组变量）、倾向值为自变量来构建多因素回归模型，以此分析主要研究因素的组间效应。

示例同《倾向性得分匹配（PSM）》。获取倾向值的步骤也跟倾向值匹配一致：

Data>>Propensity Score Matching…

PSM对话框的解释可参见《倾向性得分匹配（PSM）》。笔者用的这个SPSS26版本在运行PSM（Propensity Score Matching）前需要先运行一下CCM（Case Control Matching），否则会报错。

这样我们就可以获得每个个案的倾向值，下图中的PS。

接下来进行一个简单的多重线性回归就可以啦。

Analyze>>Regression>>Linear……

因变量选入新生儿体重(bweight)，自变量选入母亲吸烟与否(mbsmoke)与倾向值(PS)，OK。

多重线性回归的详尽操作和解读可参见《多重线性回归分析》一文，这里只展示最主要的结果：结果显示在经过倾向值的校正后，相比不吸烟，孕母吸烟能平均减少新生儿体重242.219g[197.936,286.501]，P<0.001。

转自个人微信公众号【Memo_Cleon】的统计学习笔记：倾向性得分校正：倾向性得分分析不只有倾向性得分匹配。

END

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。