第一章SPSS傾向性評(píng)分匹配（PSM）培訓(xùn)概述第二章傾向性評(píng)分匹配（PSM）理論基礎(chǔ)第三章SPSS傾向性評(píng)分模型構(gòu)建第四章SPSS傾向性評(píng)分匹配算法實(shí)現(xiàn)第五章傾向性評(píng)分匹配結(jié)果驗(yàn)證與解釋第六章傾向性評(píng)分匹配的局限性與擴(kuò)展應(yīng)用101第一章SPSS傾向性評(píng)分匹配（PSM）培訓(xùn)概述第1頁(yè)：培訓(xùn)背景與目標(biāo)在醫(yī)療資源分配日益成為全球性挑戰(zhàn)的今天，如何科學(xué)評(píng)估政策干預(yù)的效果成為公共衛(wèi)生研究的關(guān)鍵問(wèn)題。以某三甲醫(yī)院為例，其數(shù)據(jù)顯示優(yōu)質(zhì)醫(yī)療資源僅覆蓋35%的患者群體，而基層醫(yī)療機(jī)構(gòu)的使用率不足60%。這種資源分配不均的現(xiàn)象不僅影響了患者的就醫(yī)體驗(yàn)，也制約了醫(yī)療體系的整體效率。傳統(tǒng)的比較研究方法往往容易受到樣本選擇偏倚的影響，導(dǎo)致研究結(jié)論出現(xiàn)偏差。例如，某項(xiàng)關(guān)于某醫(yī)療政策的干預(yù)效果研究顯示，政策實(shí)施后患者的年醫(yī)療費(fèi)用增長(zhǎng)了18%，但只有12%的患者真正受益于政策傾斜。這種偏差的產(chǎn)生主要是因?yàn)榛颊呤欠窠邮芨深A(yù)往往與多種因素相關(guān)，而這些因素可能未被充分考慮。傾向性評(píng)分匹配（PSM）作為一種解決樣本選擇偏倚的經(jīng)典方法，已被廣泛應(yīng)用于醫(yī)學(xué)、經(jīng)濟(jì)學(xué)和社會(huì)科學(xué)等領(lǐng)域。根據(jù)《美國(guó)醫(yī)學(xué)會(huì)雜志》等權(quán)威期刊的統(tǒng)計(jì)，PSM方法的相關(guān)研究已超過(guò)2000篇，其在解決樣本選擇偏倚方面的有效性得到了廣泛認(rèn)可。本次培訓(xùn)將聚焦SPSS操作，通過(guò)真實(shí)案例演示PSM方法的應(yīng)用流程，幫助學(xué)員掌握從數(shù)據(jù)準(zhǔn)備到結(jié)果解讀的全流程。培訓(xùn)的目標(biāo)是讓學(xué)員能夠獨(dú)立完成PSM分析，并能夠準(zhǔn)確解讀分析結(jié)果。具體來(lái)說(shuō)，培訓(xùn)將幫助學(xué)員達(dá)到以下目標(biāo)：1.理解傾向性評(píng)分匹配的基本概念和原理；2.掌握SPSS中PSM模塊的操作方法；3.能夠根據(jù)實(shí)際數(shù)據(jù)選擇合適的PSM方法；4.能夠?qū)SM分析結(jié)果進(jìn)行解釋和解讀；5.能夠?qū)SM方法應(yīng)用于實(shí)際研究問(wèn)題。通過(guò)本次培訓(xùn)，學(xué)員將能夠提升其在醫(yī)學(xué)研究中的數(shù)據(jù)分析能力，為未來(lái)的研究工作打下堅(jiān)實(shí)的基礎(chǔ)。3第2頁(yè)：課程內(nèi)容結(jié)構(gòu)本次培訓(xùn)將采用‘理論→實(shí)操→案例’的三階段設(shè)計(jì)，總時(shí)長(zhǎng)為12學(xué)時(shí)，旨在幫助學(xué)員全面掌握PSM方法。培訓(xùn)的第一階段將聚焦理論講解，幫助學(xué)員建立對(duì)PSM方法的系統(tǒng)性認(rèn)識(shí)。具體內(nèi)容包括傾向性評(píng)分匹配的基本概念、原理、適用場(chǎng)景等。通過(guò)理論講解，學(xué)員將能夠理解PSM方法的邏輯和步驟，為后續(xù)的實(shí)操和案例學(xué)習(xí)打下基礎(chǔ)。培訓(xùn)的第二階段將進(jìn)行SPSS實(shí)操，幫助學(xué)員掌握SPSS中PSM模塊的操作方法。在這一階段，學(xué)員將跟隨講師的指導(dǎo)，逐步完成PSM分析的全過(guò)程，包括數(shù)據(jù)準(zhǔn)備、模型構(gòu)建、結(jié)果驗(yàn)證等。通過(guò)實(shí)操訓(xùn)練，學(xué)員將能夠熟練掌握SPSS中PSM模塊的使用，為實(shí)際研究工作做好準(zhǔn)備。培訓(xùn)的第三階段將進(jìn)行案例分析，幫助學(xué)員將PSM方法應(yīng)用于實(shí)際研究問(wèn)題。在這一階段，學(xué)員將分析真實(shí)的研究數(shù)據(jù)，運(yùn)用所學(xué)知識(shí)進(jìn)行PSM分析，并對(duì)分析結(jié)果進(jìn)行解釋和解讀。通過(guò)案例分析，學(xué)員將能夠提升其在實(shí)際研究中的數(shù)據(jù)分析能力，為未來(lái)的研究工作打下堅(jiān)實(shí)的基礎(chǔ)。此外，培訓(xùn)還將提供豐富的學(xué)習(xí)資源，包括講義、案例數(shù)據(jù)、參考書(shū)籍等，幫助學(xué)員更好地學(xué)習(xí)和掌握PSM方法。4第3頁(yè)：匹配算法對(duì)比表最近鄰匹配（NN）基于距離的匹配方法，簡(jiǎn)單高效核密度匹配（Kernel）自動(dòng)處理不連續(xù)變量，平衡性較好馬氏距離匹配（Mahalanobis）理論嚴(yán)謹(jǐn)，適用于正態(tài)分布數(shù)據(jù)傾向性評(píng)分分層（PSS）操作簡(jiǎn)單，適用于分類(lèi)變量為主的數(shù)據(jù)傾向性評(píng)分加權(quán)（IPTW）可擴(kuò)展至多重處理組，適用于大樣本數(shù)據(jù)5第4頁(yè)：學(xué)員能力評(píng)估表為了確保培訓(xùn)效果，我們對(duì)學(xué)員的能力進(jìn)行了評(píng)估。評(píng)估內(nèi)容包括數(shù)據(jù)清洗能力、模型構(gòu)建能力、結(jié)果解讀能力、交叉驗(yàn)證技巧和軟件操作熟練度。數(shù)據(jù)清洗能力方面，我們?cè)u(píng)估學(xué)員識(shí)別和處理缺失值的能力，例如使用熱卡法填補(bǔ)缺失值的能力。模型構(gòu)建能力方面，我們?cè)u(píng)估學(xué)員構(gòu)建傾向性評(píng)分模型的能力，例如標(biāo)準(zhǔn)化系數(shù)的解釋能力。結(jié)果解讀能力方面，我們?cè)u(píng)估學(xué)員解讀PSM分析結(jié)果的能力，例如敏感性分析的一致性率。交叉驗(yàn)證技巧方面，我們?cè)u(píng)估學(xué)員使用交叉驗(yàn)證方法的能力，例如嶺回歸λ值的確定能力。軟件操作熟練度方面，我們?cè)u(píng)估學(xué)員使用SPSS進(jìn)行PSM分析的能力，例如命令行與圖形界面的切換能力。通過(guò)評(píng)估，我們可以了解學(xué)員在PSM方面的能力水平，并為后續(xù)的培訓(xùn)提供參考。602第二章傾向性評(píng)分匹配（PSM）理論基礎(chǔ)第5頁(yè)：傾向性評(píng)分概念引入在醫(yī)療資源分配日益成為全球性挑戰(zhàn)的今天，如何科學(xué)評(píng)估政策干預(yù)的效果成為公共衛(wèi)生研究的關(guān)鍵問(wèn)題。以某三甲醫(yī)院為例，其數(shù)據(jù)顯示優(yōu)質(zhì)醫(yī)療資源僅覆蓋35%的患者群體，而基層醫(yī)療機(jī)構(gòu)的使用率不足60%。這種資源分配不均的現(xiàn)象不僅影響了患者的就醫(yī)體驗(yàn)，也制約了醫(yī)療體系的整體效率。傳統(tǒng)的比較研究方法往往容易受到樣本選擇偏倚的影響，導(dǎo)致研究結(jié)論出現(xiàn)偏差。例如，某項(xiàng)關(guān)于某醫(yī)療政策的干預(yù)效果研究顯示，政策實(shí)施后患者的年醫(yī)療費(fèi)用增長(zhǎng)了18%，但只有12%的患者真正受益于政策傾斜。這種偏差的產(chǎn)生主要是因?yàn)榛颊呤欠窠邮芨深A(yù)往往與多種因素相關(guān)，而這些因素可能未被充分考慮。傾向性評(píng)分匹配（PSM）作為一種解決樣本選擇偏倚的經(jīng)典方法，已被廣泛應(yīng)用于醫(yī)學(xué)、經(jīng)濟(jì)學(xué)和社會(huì)科學(xué)等領(lǐng)域。根據(jù)《美國(guó)醫(yī)學(xué)會(huì)雜志》等權(quán)威期刊的統(tǒng)計(jì)，PSM方法的相關(guān)研究已超過(guò)2000篇，其在解決樣本選擇偏倚方面的有效性得到了廣泛認(rèn)可。本次培訓(xùn)將聚焦SPSS操作，通過(guò)真實(shí)案例演示PSM方法的應(yīng)用流程，幫助學(xué)員掌握從數(shù)據(jù)準(zhǔn)備到結(jié)果解讀的全流程。培訓(xùn)的目標(biāo)是讓學(xué)員能夠獨(dú)立完成PSM分析，并能夠準(zhǔn)確解讀分析結(jié)果。具體來(lái)說(shuō)，培訓(xùn)將幫助學(xué)員達(dá)到以下目標(biāo)：1.理解傾向性評(píng)分匹配的基本概念和原理；2.掌握SPSS中PSM模塊的操作方法；3.能夠根據(jù)實(shí)際數(shù)據(jù)選擇合適的PSM方法；4.能夠?qū)SM分析結(jié)果進(jìn)行解釋和解讀；5.能夠?qū)SM方法應(yīng)用于實(shí)際研究問(wèn)題。通過(guò)本次培訓(xùn)，學(xué)員將能夠提升其在醫(yī)學(xué)研究中的數(shù)據(jù)分析能力，為未來(lái)的研究工作打下堅(jiān)實(shí)的基礎(chǔ)。8第6頁(yè)：匹配方法分類(lèi)與原理傾向性評(píng)分匹配（PSM）是一種解決樣本選擇偏倚的統(tǒng)計(jì)方法，通過(guò)構(gòu)建傾向性評(píng)分來(lái)平衡處理組和對(duì)照組之間的協(xié)變量分布。PSM方法主要包括以下幾種分類(lèi)：1.基于距離的匹配方法：這類(lèi)方法通過(guò)計(jì)算處理組和對(duì)照組之間的距離來(lái)進(jìn)行匹配。常見(jiàn)的基于距離的匹配方法包括最近鄰匹配（NN）和核密度匹配（Kernel）。最近鄰匹配方法通過(guò)尋找與處理組中每個(gè)個(gè)體距離最近的對(duì)照組個(gè)體來(lái)進(jìn)行匹配，而核密度匹配方法則通過(guò)核密度估計(jì)來(lái)平衡協(xié)變量分布。2.基于分層的匹配方法：這類(lèi)方法將樣本按照協(xié)變量值分成若干層，然后在每層內(nèi)進(jìn)行匹配。常見(jiàn)的基于分層的匹配方法包括傾向性評(píng)分分層（PSS）。傾向性評(píng)分分層方法通過(guò)比較處理組和對(duì)照組在每層內(nèi)的比例來(lái)進(jìn)行匹配，從而平衡協(xié)變量分布。3.基于加權(quán)的匹配方法：這類(lèi)方法通過(guò)為每個(gè)個(gè)體賦予一個(gè)權(quán)重來(lái)進(jìn)行匹配。常見(jiàn)的基于加權(quán)的匹配方法包括傾向性評(píng)分加權(quán)（IPTW）。傾向性評(píng)分加權(quán)方法通過(guò)為每個(gè)個(gè)體賦予一個(gè)權(quán)重，使得處理組和對(duì)照組的加權(quán)分布一致，從而平衡協(xié)變量分布。不同的PSM方法有不同的優(yōu)缺點(diǎn)和適用場(chǎng)景。例如，最近鄰匹配方法簡(jiǎn)單高效，但可能產(chǎn)生過(guò)度匹配；核密度匹配方法自動(dòng)處理不連續(xù)變量，平衡性較好，但計(jì)算量較大；傾向性評(píng)分分層方法操作簡(jiǎn)單，適用于分類(lèi)變量為主的數(shù)據(jù)，但可能無(wú)法完全平衡協(xié)變量分布；傾向性評(píng)分加權(quán)方法可擴(kuò)展至多重處理組，適用于大樣本數(shù)據(jù)，但需要迭代調(diào)整收斂標(biāo)準(zhǔn)。在實(shí)際應(yīng)用中，選擇合適的PSM方法需要考慮研究問(wèn)題的特點(diǎn)、數(shù)據(jù)的結(jié)構(gòu)和樣本量等因素。9第7頁(yè)：匹配質(zhì)量的評(píng)估標(biāo)準(zhǔn)包括標(biāo)準(zhǔn)化偏差、馬氏距離等可視化指標(biāo)包括密度圖、校準(zhǔn)圖等敏感性分析包括處理分配率變化、排列檢驗(yàn)等統(tǒng)計(jì)指標(biāo)10第8頁(yè)：案例結(jié)果展示為了更好地理解傾向性評(píng)分匹配（PSM）的應(yīng)用，我們展示了幾個(gè)實(shí)際研究案例的結(jié)果。這些案例涵蓋了醫(yī)療、教育、就業(yè)等多個(gè)領(lǐng)域，展示了PSM方法在不同場(chǎng)景下的應(yīng)用效果。1.醫(yī)療案例：某研究中比較了兩種不同的高血壓治療方案對(duì)患者的效果。通過(guò)PSM方法，研究者發(fā)現(xiàn)兩種治療方案的效果在匹配后的樣本中變得非常接近，從而得出結(jié)論認(rèn)為兩種治療方案的效果相似。2.教育案例：某學(xué)區(qū)房政策分析顯示，學(xué)區(qū)房政策對(duì)教師職稱(chēng)的影響并不顯著。通過(guò)PSM方法，研究者發(fā)現(xiàn)學(xué)區(qū)房政策對(duì)教師職稱(chēng)的影響在匹配后的樣本中變得非常小，從而得出結(jié)論認(rèn)為學(xué)區(qū)房政策對(duì)教師職稱(chēng)的影響并不顯著。3.就業(yè)案例：某性別歧視研究中，研究者發(fā)現(xiàn)男性在就業(yè)市場(chǎng)上比女性更容易獲得高薪職位。通過(guò)PSM方法，研究者發(fā)現(xiàn)性別對(duì)就業(yè)結(jié)果的影響在匹配后的樣本中變得非常小，從而得出結(jié)論認(rèn)為性別歧視并不存在。這些案例展示了PSM方法在不同場(chǎng)景下的應(yīng)用效果。通過(guò)PSM方法，研究者能夠有效地平衡處理組和對(duì)照組之間的協(xié)變量分布，從而得出更加可靠的結(jié)論。1103第三章SPSS傾向性評(píng)分模型構(gòu)建第9頁(yè)：數(shù)據(jù)準(zhǔn)備與變量處理傾向性評(píng)分匹配（PSM）是一種統(tǒng)計(jì)方法，通過(guò)構(gòu)建傾向性評(píng)分來(lái)平衡處理組和對(duì)照組之間的協(xié)變量分布。在應(yīng)用PSM方法之前，需要對(duì)數(shù)據(jù)進(jìn)行充分的準(zhǔn)備和處理。數(shù)據(jù)準(zhǔn)備主要包括以下幾個(gè)步驟：1.變量選擇：選擇與研究問(wèn)題相關(guān)的協(xié)變量。協(xié)變量應(yīng)能夠解釋個(gè)體接受干預(yù)的可能性，且與結(jié)果變量相關(guān)。例如，在研究某種藥物的效果時(shí)，年齡、性別、疾病嚴(yán)重程度等都可以作為協(xié)變量。2.缺失值處理：處理數(shù)據(jù)中的缺失值。常用的缺失值處理方法包括刪除含有缺失值的樣本、插補(bǔ)缺失值等。例如，可以使用均值插補(bǔ)、回歸插補(bǔ)等方法處理缺失值。3.變量轉(zhuǎn)換：對(duì)協(xié)變量進(jìn)行必要的轉(zhuǎn)換，使其符合PSM方法的要求。例如，可以將分類(lèi)變量轉(zhuǎn)換為虛擬變量，將連續(xù)變量標(biāo)準(zhǔn)化等。4.數(shù)據(jù)平衡性檢驗(yàn)：在模型構(gòu)建之前，需要對(duì)數(shù)據(jù)進(jìn)行平衡性檢驗(yàn)，以確保數(shù)據(jù)符合PSM方法的要求。例如，可以使用標(biāo)準(zhǔn)化偏差、馬氏距離等指標(biāo)來(lái)檢驗(yàn)數(shù)據(jù)的平衡性。通過(guò)數(shù)據(jù)準(zhǔn)備和處理，可以確保PSM分析結(jié)果的可靠性。13第10頁(yè)：Logit回歸模型構(gòu)建傾向性評(píng)分匹配（PSM）的核心是構(gòu)建傾向性評(píng)分模型，通常使用Logit回歸模型。Logit回歸模型是一種廣義線(xiàn)性模型，用于預(yù)測(cè)二元結(jié)果變量的概率。在PSM中，Logit回歸模型用于預(yù)測(cè)個(gè)體接受干預(yù)的概率。構(gòu)建Logit回歸模型的步驟如下：1.變量選擇：選擇與研究問(wèn)題相關(guān)的協(xié)變量。協(xié)變量應(yīng)能夠解釋個(gè)體接受干預(yù)的可能性，且與結(jié)果變量相關(guān)。例如，在研究某種藥物的效果時(shí)，年齡、性別、疾病嚴(yán)重程度等都可以作為協(xié)變量。2.模型構(gòu)建：使用SPSS的Logit回歸分析功能構(gòu)建模型。在模型構(gòu)建過(guò)程中，需要設(shè)置因變量、自變量和模型選項(xiàng)。3.模型診斷：對(duì)模型進(jìn)行診斷，包括檢驗(yàn)?zāi)Ｐ偷恼w擬合優(yōu)度、解釋模型系數(shù)等。4.傾向性評(píng)分計(jì)算：使用模型輸出的傾向性評(píng)分計(jì)算個(gè)體接受干預(yù)的概率。傾向性評(píng)分是處理組和對(duì)照組之間協(xié)變量分布平衡程度的重要指標(biāo)。5.數(shù)據(jù)平衡性檢驗(yàn)：使用標(biāo)準(zhǔn)化偏差、馬氏距離等指標(biāo)檢驗(yàn)數(shù)據(jù)平衡性。通過(guò)Logit回歸模型構(gòu)建傾向性評(píng)分，可以有效地平衡處理組和對(duì)照組之間的協(xié)變量分布，從而提高研究結(jié)果的可靠性。14第11頁(yè)：協(xié)變量選擇策略全變量回歸包含所有候選變量，簡(jiǎn)單全面逐步回歸自動(dòng)篩選變量，避免過(guò)度擬合Lasso回歸通過(guò)正則化進(jìn)行變量選擇基于知識(shí)選擇根據(jù)專(zhuān)業(yè)領(lǐng)域選擇變量隨機(jī)森林選擇不依賴(lài)多重共線(xiàn)性15第12頁(yè)：模型驗(yàn)證與參數(shù)調(diào)整傾向性評(píng)分模型構(gòu)建完成后，需要進(jìn)行一系列的驗(yàn)證和調(diào)整，以確保模型的質(zhì)量和結(jié)果的可靠性。模型驗(yàn)證主要包括以下幾個(gè)方面：1.模型擬合優(yōu)度檢驗(yàn)：使用似然比檢驗(yàn)、Wald檢驗(yàn)等方法檢驗(yàn)?zāi)Ｐ偷恼w擬合優(yōu)度。如果模型擬合優(yōu)度較差，需要調(diào)整模型參數(shù)或增加變量。2.系數(shù)解釋?zhuān)航忉屇Ｐ拖禂?shù)的統(tǒng)計(jì)意義和實(shí)際意義。如果系數(shù)的解釋不符合理論預(yù)期，需要重新考慮變量選擇或模型構(gòu)建方法。3.傾向性評(píng)分分布檢驗(yàn)：檢驗(yàn)傾向性評(píng)分的分布是否均勻。如果傾向性評(píng)分的分布不均勻，需要重新考慮模型參數(shù)或增加樣本量。4.數(shù)據(jù)平衡性檢驗(yàn)：使用標(biāo)準(zhǔn)化偏差、馬氏距離等指標(biāo)檢驗(yàn)數(shù)據(jù)平衡性。如果數(shù)據(jù)平衡性較差，需要重新考慮模型參數(shù)或增加樣本量。參數(shù)調(diào)整主要包括以下幾個(gè)方面：1.評(píng)分平滑參數(shù)：對(duì)于連續(xù)變量，可以使用評(píng)分平滑參數(shù)來(lái)控制傾向性評(píng)分的平滑程度。如果傾向性評(píng)分的平滑程度過(guò)高，會(huì)導(dǎo)致模型對(duì)極端值敏感，需要降低平滑參數(shù)。2.匹配距離閾值：對(duì)于最近鄰匹配和核密度匹配，需要設(shè)置匹配距離閾值。如果匹配距離閾值過(guò)高，會(huì)導(dǎo)致匹配不完全，需要降低匹配距離閾值。3.分層變量選擇：對(duì)于傾向性評(píng)分分層，需要選擇合適的分層變量。如果分層變量選擇不當(dāng)，會(huì)導(dǎo)致匹配效率降低，需要重新考慮分層變量。通過(guò)模型驗(yàn)證和參數(shù)調(diào)整，可以確保傾向性評(píng)分模型的準(zhǔn)確性和可靠性。1604第四章SPSS傾向性評(píng)分匹配算法實(shí)現(xiàn)第13頁(yè)：SPSSPSM模塊安裝與配置SPSS傾向性評(píng)分匹配（PSM）模塊需要先進(jìn)行安裝和配置。安裝步驟如下：1.下載模塊：從SPSS官網(wǎng)下載PSM模塊安裝包，通常為`.exe`格式。2.運(yùn)行安裝程序：雙擊下載的安裝包，按照提示完成安裝。3.重啟SPSS：安裝完成后，重啟SPSS軟件，模塊即生效。配置步驟如下：1.打開(kāi)模塊：在SPSS菜單中選擇`Analyze→PSM→PropensityScoreMatching`，確認(rèn)模塊已安裝成功。2.參數(shù)設(shè)置：在參數(shù)設(shè)置界面，根據(jù)研究需求選擇合適的算法和參數(shù)。例如，如果數(shù)據(jù)集中連續(xù)變量占比超過(guò)60%，可以選擇核密度匹配算法。3.保存設(shè)置：保存模塊設(shè)置，以便下次使用時(shí)無(wú)需重新配置。通過(guò)安裝和配置PSM模塊，可以方便地使用SPSS進(jìn)行傾向性評(píng)分匹配分析。18第14頁(yè)：最近鄰匹配（NN）操作詳解最近鄰匹配（NN）是一種基于距離的匹配方法，通過(guò)尋找與處理組中每個(gè)個(gè)體距離最近的對(duì)照組個(gè)體來(lái)進(jìn)行匹配。在SPSS中，最近鄰匹配的操作步驟如下：1.數(shù)據(jù)準(zhǔn)備：確保數(shù)據(jù)包含處理變量（如治療情況）和協(xié)變量（如年齡、性別等）。2.模型構(gòu)建：使用`Analyze→PSM→PropensityScoreMatching`，設(shè)置處理變量和協(xié)變量。3.算法選擇：在算法選擇界面，選擇最近鄰匹配（NN）。4.參數(shù)設(shè)置：設(shè)置匹配距離閾值（默認(rèn)1.96×SD）和最近鄰數(shù)量（默認(rèn)5個(gè)）。5.運(yùn)行匹配：點(diǎn)擊執(zhí)行，SPSS將自動(dòng)完成匹配過(guò)程。匹配結(jié)果將保存在新變量中。最近鄰匹配的優(yōu)點(diǎn)是簡(jiǎn)單高效，但可能產(chǎn)生過(guò)度匹配。過(guò)度匹配是指匹配后處理組和對(duì)照組的協(xié)變量分布仍然不平衡，這可能導(dǎo)致結(jié)果偏差。為了避免過(guò)度匹配，可以降低匹配距離閾值或增加樣本量。19第15頁(yè)：核密度匹配（Kernel）操作詳解數(shù)據(jù)準(zhǔn)備確保數(shù)據(jù)包含處理變量和協(xié)變量模型構(gòu)建使用`Analyze→PSM→PropensityScoreMatching`設(shè)置變量算法選擇選擇核密度匹配（Kernel）參數(shù)設(shè)置設(shè)置帶寬和網(wǎng)格點(diǎn)數(shù)量運(yùn)行匹配點(diǎn)擊執(zhí)行，結(jié)果保存在新變量中20第16頁(yè)：匹配算法比較與選擇最近鄰匹配（NN）簡(jiǎn)單高效，可能產(chǎn)生過(guò)度匹配核密度匹配（Kernel）自動(dòng)處理不連續(xù)變量，平衡性較好馬氏距離匹配（Mahalanobis）理論嚴(yán)謹(jǐn)，適用于正態(tài)分布數(shù)據(jù)傾向性評(píng)分分層（PSS）操作簡(jiǎn)單，適用于分類(lèi)變量為主的數(shù)據(jù)傾向性評(píng)分加權(quán)（IPTW）可擴(kuò)展至多重處理組，適用于大樣本數(shù)據(jù)2105第五章傾向性評(píng)分匹配結(jié)果驗(yàn)證與解釋第17頁(yè)：匹配質(zhì)量評(píng)估指標(biāo)統(tǒng)計(jì)指標(biāo)包括標(biāo)準(zhǔn)化偏差、馬氏距離等可視