倾向得分匹配(PSM)与逆概率加权(IPW)实操指南:SMD 平衡性、Love 图与 E 值敏感性分析

摆脱用匹配后 t 检验 p 值证明平衡性的统计误区;掌握 PSM 与 IPW 的目标估计量权衡、Love 图标准化均值差诊断及抗混杂敏感性检验。

HumanPen 团队

· 11 分钟

核心结论:在 PSM 与 IPW 之间选型并避开 p 值检验误区

若研究目标是评估干预组的平均干预效应(ATT)且未暴露对照充足,优先采用倾向得分匹配(PSM);若需要获得全人群的总体平均干预效应(ATE)或不能损失未匹配样本,则应选择逆概率加权(IPW/IPTW)。严禁使用匹配后 t 检验的 p 值判定协变量平衡性;必须依据标准化均值差(`|SMD| < 0.1`)与 Love 图验证平衡性,严格检验共同支撑域重叠,并计算 E 值以评估未观测混杂偏倚的稳健性。

在回顾性真实世界研究、电子病历注册登记库与非随机化临床队列中,各组之间往往缺乏随机对照试验所具备的基线可比性。随机试验遵循CONSORT 临床试验报告规范进行严谨质控,而观察性研究作者则必须主动纠正由适应症导致的混杂偏倚,同时防止引入测量后扭曲或报告偏倚。当研究团队将回顾性分析结论压缩提炼以应对期刊采编系统字数限制时(如医学结构化摘要字数精简指南所述),统计审稿专家最看重的是作者是否明确界定了目标估计量、提供了完整的平衡性诊断指标并完成了定量敏感性检验。

观察性研究的协变量平衡性必须通过标准化均值差(|SMD| < 0.1)与经验分布重叠来证明,绝不能依赖受样本量剧烈干扰的假设检验 p 值。
  • 明确目标估计量:必须在立项之初厘清临床问题关注的是实际接受治疗人群的效应(通过匹配估计 ATT),还是全人群推行的潜在政策效应(通过加权估计 ATE)。
  • 严格限定基线协变量:倾向得分模型只能纳入干预发生前的混杂因素与预后预测因子,严禁调节干预后的临床中间变量、中介变量或对撞变量。
  • 采用脱离样本量干扰的平衡性指标:摒弃匹配后两组间的 t 检验 p 值,全面采用标准化均值差(`|SMD| < 0.1`)、方差比与经验累积分布函数检验。
  • 定量测算未观测混杂防御力:规范报告 VanderWeele E 值,标明未观测混杂变量若要推翻当前结论所需达到的最小相对关联强度。

PSM、IPTW 与重叠加权比较:目标估计量、样本保留与极端权重截断

倾向得分匹配(PSM)与加权方法最根本的分歧在于目标估计量(Estimand)的设定以及对非重叠样本的处理机制。在经典的 1:1 最近邻卡钳匹配中,每个治疗组个体在设定的倾向得分距离内(通常取对数倾向得分标准差的 0.2 倍卡钳值)寻找最接近的对照组个体。未匹配上的对照组样本——以及因卡钳限制未能找到配对的治疗组样本——将被直接剔除出最终分析队列,此时评估的因果参数限定为针对治疗组个体的平均干预效应(ATT)。相反,逆概率加权(IPTW)对治疗组赋予 `1 / e` 的权重、对对照组赋予 `1 / (1 - e)` 的权重,旨在保留全部观测样本以估计全人群的总体平均干预效应(ATE)。

方法与加权方案目标估计量样本保留与队列利用率共同支撑域脆弱性极端权重处理方案推荐实操应用场景
1:1 最近邻卡钳匹配治疗组平均干预效应(ATT)剔除未匹配对照与卡钳外的治疗组个体卡钳会自动舍弃缺乏紧密配对的治疗组极端个案不适用(匹配后权重均为 1)手术或专科特殊治疗等对照库极其充裕的研究场景
可变比例匹配或全匹配ATT 或全人群平均干预效应(ATE)通过构建动态亚组结构保留绝大部分样本当两组倾向得分重叠极窄时子层内部方差偏大不适用(基于层级结构赋予分层权重)治疗组与对照组比例高度不均衡且不宜废弃样本的情形
原始未平稳化 IPTW全人群平均干预效应(ATE)保留全部入组样本且不删除数据行当倾向得分接近 0 或 1 时权重发生灾难性爆炸百分位数截断(如 1% 与 99% 分位数截尾)面向无特定门槛的大众公共卫生政策或普适性药物评估
平稳化加权(sIPTW)全人群平均干预效应(ATE)保留全队列样本并通过边际患病率缩减方差倾向得分极值点处仍可能产生虚高的极端权重设定固定阈值进行权重平截或缩尾调整基线协变量中度失衡且样本量适中的大型观察性注册登记库
重叠加权(ATO)临床重叠人群效应(ATO)全员保留并按临床两可状态赋权(`1 - e` 与 `e`)天生免疫尾部极值漂移,精准聚焦于共同支撑域数学上天然严格有界于 (0, 1) 区间且无尾部爆炸风险比较两种常用活性药物或存在实质临床权衡的疗效比较研究

在应用 IPTW 时,一旦个体的倾向得分接近 0 或 1,原始未平稳化权重便会引发抽样方差的剧烈膨胀并导致结果估计失稳。例如一名倾向得分仅为 0.005 的治疗组患者,其原始权重高达 `1 / 0.005 = 200`,意味着仅凭该患者一人即可左右整个加权回归模型。研究者通常采用平稳化权重(Stabilized Weights)——即用干预的边际发生率乘以原始权重——或通过在 1% 与 99% 百分位进行极值截断(Trimming)来压制方差。此外,重叠加权(ATO)从数学解析层面化解了这一尾部困境:它对治疗组赋予 `1 - e`、对对照组赋予 `e` 的权重,将评估重点自然对准处于临床权衡两可区间的亚群,无需人工设定截断阈值即可实现协变量均值的严谨平衡。

为什么匹配后 p 值具有误导性:Austin (2011) 准则与 Love 图

观察性研究中最具迷惑性的常见误区,是在匹配后的队列中运行双样本 t 检验、秩和检验或卡方检验,并以 `p > 0.05` 作为宣称两组基线已经平衡的依据。Austin(2011,PMID 21818162)在权威方法学论文中系统论证了假设检验 p 值的本质缺陷:p 值将协变量平衡性与统计功效混为一谈。由于 1:1 匹配剔除了大量未匹配的对照组样本,匹配后的样本量较原始队列大幅缩减;样本量的急剧下降导致标准误显著增大,进而拉低了检验统计量,即使两组间依然存在具有临床意义的实质失衡,也能轻易得出 `p > 0.05` 的假象。此外,假设检验推断的是总体均值是否相同,而平衡性诊断需要检验的是当前纳入分析的具体样本是否具备可比性。

评估协变量平衡性的正统指标是标准化均值差(SMD),它通过计算治疗组与对照组协变量均值之差除以合并标准差来衡量相对失衡幅度,完全独立于样本量大小。在 R 语言的 `MatchIt` 与 `cobalt` 生态中,由 Austin(2011)确立的行业通用准则将绝对标准化均值差小于 0.1(`|SMD| < 0.1`)作为平衡达标的红线,而 `|SMD| < 0.05` 则代表高度平衡。针对呈现非正态或偏态分布的连续型临床指标,研究者还须同步检查方差比(Variance Ratio,合理范围应介于 0.8 至 1.25,极端不可超出 0.5 至 2.0)以及经验累积分布函数(eCDF)统计量,确保变量的高阶矩与尾部分布同样得到有效对齐。

倾向得分模型只能纳入干预前的基线协变量;对中介变量、干预后体征或共同结果对撞变量进行调节,会诱发 M 偏倚与对撞分层偏倚。
  • 提取调整前后的全维度平衡性数据:调用 `cobalt::bal.tab()` 计算所有候选协变量在调整前后的原始 SMD、匹配后 SMD 及方差比,构建标准化诊断数据表。
  • 绘制学术发表级 Love 图:使用 `cobalt::love.plot()` 设置 `abs = TRUE`,并在 `0.1` 与 `0.05` 处绘制垂直基准线,直观呈现每项人口学与临床指标失衡度的收敛过程。
  • 排查偏态连续型生理指标:检查经验累积分布函数差异(`eCDF mean` 与 `eCDF max` 指标),确保不仅均值对齐,变量的形态分布同样达标。
  • 回溯变量时序杜绝干预后特征:逐一审查倾向得分模型中纳入变量的临床测定时间点,严格剔除在治疗开始后才测定的下游生物标志物与结局中介指标。

诊断共同支撑域重叠与 VanderWeele E 值敏感性分析

观察性因果推断的核心基石之一是正值假定(Positivity Assumption),即在给定的协变量组合下,总体中的每一个体接受任一治疗方案的概率均严格大于零且小于一(`0 < P(A=1|X) < 1`)。在拟合最终结局回归模型前,研究团队必须绘制治疗组与对照组的倾向得分镜像概率密度图或堆叠直方图,系统诊断共同支撑域(Common Support)。若治疗组大量堆积在 0.9 以上的高倾向得分区间,而对照组绝大多数分布在 0.1 以下,说明两组患者在临床实际中处于近乎互斥的用药情境。对非重叠尾部进行强制截断虽然能避免外推风险,但严重的样本缺失提示该队列存在结构性违背,难以支撑可靠的因果结论。

即使通过精细匹配达到了极佳的平衡性(`|SMD| < 0.05`)且共同支撑域分布理想,倾向得分方法在理论上也只能平衡已观测到的基线协变量。未观测到的潜在混杂——例如隐匿的虚弱状态、未登记的健康素养或医生的未记录直觉偏好——依然可能颠覆因果推论。针对这一观察性研究的固有缺陷,VanderWeele 与 Ding(2017,PMID 28693043)提出了 E 值(E-value)敏感性分析理论。E 值定义为:在调整了现有协变量的基础上,一个未观测混杂因素与治疗方案及结局指标之间同时达到的最小相对危险度关联强度,唯有达到或超过此强度才能完全抵消当前观察到的治疗效应。对于风险比(`RR > 1`),计算公式为 `E-value = RR + sqrt(RR * (RR - 1))`,报告时必须同时呈现点估计值与最靠近无效假设端的置信区间界限对应的 E 值。

  • 计算点估计值的 E 值:例如模型得出的调整后风险比为 `RR = 1.45`,计算所得的点估计 E 值为 `2.26`,意味着未观测混杂因素须同时与用药决策及疾病结局保持至少 2.26 倍的风险比关联,方能彻底推翻当前疗效。
  • 报告置信区间临界下限的 E 值:若该效应的 95% 置信区间为 `1.18 至 1.78`,针对下限值 `1.18` 测算的 E 值为 `1.64`,表明只需 1.64 倍关联强度的未观测混杂即可使置信区间下限触及无效假设(`RR = 1.0`)。
  • 对标已知临床危险因素:将计算得出的 E 值与医学常识及已发表文献对比(如吸烟或重度合并症的已知相对危险度),科学论证现实中是否存在强度足以抵消结论的潜在未测混杂。
  • 引入阴性对照终点验证:设置阴性对照暴露或阴性对照结局(Falsification Endpoints),通过检验不存在生理关联的指标是否出现假阳性,反向验证倾向得分模型设定的稳健性。

在 HumanPen 发起项目中交付可复现的观察性研究全流程

在真实的临床与回顾性队列研究中落地因果推断流程,需要高度系统化的统筹协调:从梳理多源真实世界注册表、清洗缺失值、拟合倾向得分模型,到全面诊断平衡性与构建加权生存或逻辑回归输出。上传数据和文献、写清需求,确认方案后才开工,经审核后交付报告、图表和代码,可在线预览或打包下载。通过 HumanPen 发起项目,课题组可以直接上传队列数据(支持 Excel、CSV、Word、PDF 及压缩包,单项目最大支持 2 GB),并附上观察性研究方案设计与目标期刊的规范要求。

所有统计分析均在独立隔离沙箱中使用 Python 或 R 执行,能够将过往依赖 SPSS 或 Stata 的传统操作转换为语法规范、完全可复现的 R 语言(`MatchIt`、`cobalt`、`WeightIt`、`survival`)或 Python(`causalinference`、`statsmodels`)全流程脚本。项目交付物涵盖基线 Table 1 平衡性汇总表、高分辨率矢量 Love 图、共同支撑域概率密度图、未调整对比匹配与加权的多因素结局模型,以及 VanderWeele E 值敏感性分析测算表。如同 HumanPen 发起项目公开展示的国际中风试验(IST)队列二次分析范例(详见线上 IST 临床试验二次分析公开示例),交付成果包含一键复现脚本 `run_all`、数据明细表与结构化方法学报告,便于直接嵌入论著稿件。

HumanPen 交付成果作为透明可复现的方法学与统计参考底稿;主要研究者与统计师须独立核验变量编码、临床排除标准与代码输出,并严格遵循伦理审查委员会(IRB)与期刊学术规范。

常见问题

倾向得分模型是否应该将所有能收集到的人口学与临床变量全部纳入?

不应该。统计方法学文献明确反对将数据集中所有变量盲目填入倾向得分逻辑回归模型。理想的模型应严格聚焦于真正的混杂因素(同时与干预决策和临床结局相关的特征)以及已被临床证实的预后危险因素。必须排除单纯与用药相关的工具变量(仅影响治疗选择但与结局无关,纳入会导致方差剧烈增大),更严禁纳入干预开始后测得的体征、化验结果或中介变量。对干预后变量进行控制会诱发严重的对撞分层偏倚,从根本上歪曲真实的因果关联。

如果在 1:1 最近邻匹配后,关键临床协变量的绝对 SMD 依然大于 0.1 该如何补救?

绝不能借助不显著的假设检验 p 值掩盖残留失衡。首先可尝试收紧匹配卡钳值(例如将卡钳从对数倾向得分标准差的 0.2 倍收紧至 0.1 倍);其次可改进倾向得分模型的函数形式,引入高阶多项式或关键临床交互项;第三可评估全匹配(Full Matching)或重叠加权(ATO)等更灵活的方案。若最终个别次要变量仍存在轻度失衡,可采用双重稳健(Doubly Robust)策略,在最终的结局加权或匹配回归模型中将该失衡协变量作为协变量显式纳入再次调整。

在估计倾向得分之前,应当如何处理基线协变量中的缺失值?

应避免简单粗暴的完整案例分析(Complete-Case Analysis),直接剔除含缺失值的个体会损失统计功效并引入严重的样本选择偏倚。观察性流行病学的金标准方法是多重插补(Multiple Imputation,如使用 `mice` 链式方程)。标准实操建议生成多套插补数据集,在每套插补数据中分别估算倾向得分并完成匹配或加权,最后依据 Rubin 规则对效应量与标准误进行合并汇总。通常不推荐简单设置「缺失指示变量」分类,除非未检测本身在临床实践中就构成具有明确诊断含义的行为。

倾向得分方法能否像随机对照试验一样确凿地证实因果关系?

不能。倾向得分匹配与加权仅能平衡模型中已显式纳入测量的基线特征。随机对照试验通过随机分配能够同时在观测变量与未观测变量上实现完全的可比性,而观察性研究始终面临未测混杂与适应症混杂的潜在威胁。因此,一篇严谨的观察性论著必须透明呈报平衡性诊断结果,客观看待未观测临床混杂的潜在影响,并通过 VanderWeele E 值等量化敏感性指标,明确向读者与审稿人交代研究结论抵御潜在未知偏倚的承受边界。

参考来源

继续阅读