python倾向匹配得分_在SPSS软件中实现1:1倾向性评分匹配(PSM)分析
谈起临床研究，如何设立一个靠谱的对照，有时候成为整个研究成败的关键。对照设立的一个非常重要的原则就是可比性，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，事实已经发生了，就很难再进行随机处理了。因此，很多观察性研究，分组间不均衡是最常见的现象。
面对分组不均衡，基线不整齐，两组可比性差。经典的方法采用多因素回归分析处理。但是， 回归仍然有一定的缺陷。因此，目前一般采用一些新的策略进行，最常见的是倾向评分策略。 倾向评分策略又包括几种类型，如逆概率加权方法（IPTW），倾向性评分匹配（PSM）等。
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。
这么“高大上”的倾向性评分匹配，是不是超难学？其实不然，SPSS这种傻瓜软件就OK。当然，如果您安装的是SPSS 22版本之前的老版本的话，你就得反复折腾，安装“高级”的R插件来处理了（R软件、SPSS R插件、PS matching插件等）。如果您安装的是22或23版本(当然，未来会更高了），就不用担心了，傻瓜式解决这个问题。
不过，目前SPSS自带的插件，只能做1：1匹配，算法方面主要是Fuzzy模型，你不能自由选择其它的模型哦，如5-->1贪婪最优匹配。
不过，小编在此提醒各位，SPSS容易抽风，往往第一次打开运行时，提示内置的Fuzzy文件没有安装（其实早就安装过了）。此时，往往一脸蒙了。不用急，教大家一个小招，可以先运行一下其它功能，需要先调用Python command的功能，预热一下，然后再使用PSM 功能就OK了。例如，可以使用data菜单的PSM下面的case control matching， 胡乱填一下，然后运行一下。再回来做PSM就成功了。当然，做PSM分组变量（group indicator缺失值全部都去掉）里面不可以有缺失值，所有新变量和数据集都要用英文起名，不然会跑不出结果! 因为如果都不知道分在哪一组的话，软件就会傻了，不知道你在干啥，匹配什么东东了。
言归正传，开始使用SPSS 22或SPSS 23演示1:1倾向性评分匹配。
一、示例数据
某研究者想搞明白吸烟和高血压之间的关系，准备利用某项调查的资料进一步随访研究吸烟和高血压的关联，该项研究包括233名吸烟者，949 名不吸烟者。如果全部随访，研究小白感觉鸭梨山大，所以打算从中选取部分可比的个体进行随访。
这两组人群一些主要特征的分布存在显著差异（见表1），现准备采用PS最邻近匹配法选取可比的个体作为随访对象。
表1. 两组基线情况比较（匹配前）
小编提示：类似象这样基线不齐，在观察性研究中是正常现象哦。如果观察性研究，基线清一色p>0.05的话，那太令人可疑了，往往存在挑选样本的可能了。
二、SPSS分析方法
1. 数据录入
(1) 变量视图
(2) 数据视图
2. 倾向性评分匹配
选择Data→Propensity Score Matching，就进入倾向性评分匹配的主对话框。
将分组变量Smoke放入Group Indicator中（一般处理组赋值为“1”，对照组赋值为“0”）；将需要匹配的变量放入Predictors中；Name for Propensity Variable为倾向性评分设定一个变量名PS；
注：分组变量，根据你自己的需要即可。一般只有两组，多组处理会更复杂了。而匹配变量，即多个不同变量的综合评分（回归得分值），SPSS会为大家自动计算，可以自主命名为PS，或其它的名字均可。
Match Tolerance用来设置倾向性评分匹配标准（学名“卡钳值”，英文叫caliper），这里设定为0.02，即吸烟组和不吸烟组按照倾向性评分±0.02进行1：1匹配（当然，卡钳值设置的越小，吸烟组和不吸烟组匹配后可比性越好，但是凡事有个度，太小的卡钳值也意味着匹配难度会加大，成功匹配的对子数会减少，需要综合考虑）；说来很难懂，其实可以理解为两组匹配时，得分（即上述的PS）得分相差不能太多，如果相差太多，就不能作为匹配对象了。所谓不能相差太多，指的意思是两组评分值相差在一定范围内（caliper），如±0.02左右。例如第一组中一个样本得分为0.561分，另外一组中选择一个0.562分，十分接近，两者仅相差0.001分，当然不错。如果一组得分为0.561分，另外一组中找不到相近的，与之最近的得分在0.583分。此时与0.561相差超过了0.02，即使是“最接近”的样本，也无法匹配（因为它们相差得太多了）。这时只能去除这个样本（找不到合适的匹配对象样本）。
Case ID确定观测对象的ID；Match ID Variable Name设定一个变量，用来明确对照组中匹配成功的Match_ID；Output Dataset Name这里把匹配的观测对象单独输出一个数据集Match。
3. Options设置
Variable for Number of Eligible Cases设定一个变量，用来明确病例组中某一个观测对象，在对照组中有多少个观测对象满足与其匹配的条件，比如说病例组有一个观测对象PS=0.611，对照组可能有一个0.610，一个0.612。
Sampling默认为不放回抽样。
Give priority to exact matches 优先考虑精确匹配，也就说病例组有一个观测对象PS=0.611，对照组也应该找到一个0.611。
Maximize execution performance 执行最优化操作，即系统会综合考虑精确匹配和模糊匹配（基于设定的卡钳值范围内匹配），系统默认勾选。
Randomize case order when drawing matches整个匹配过程中，如果对照组有多个满足匹配条件的观测对象，那么SPSS会默认随机将其与病例组观测对象匹配。但是因为SPSS默认每次操作给对照组的随机数字不同，所以如果不特殊设定，每次实际匹配成功的对子是不一样的，也就说这一次对照组A匹配给病例组B，下一次就可能匹配给病例组C。所以需要自行设置，并且在Random Number Seed设定一个随机数种子，确保匹配过程可以重复。
三、结果解读
1. 匹配结果
表2以吸烟（1=吸烟；0=不吸烟）为因变量，以需要调整的变量为自变量构建logistic回归模型（表2），求出每个研究对象的PS值。
表2. logistic回归模型
表3显示，精确匹配45对，模糊匹配114对，共计匹配成功159对。
表3. 匹配结果
表4主要是匹配过程。首先是精确匹配（即PS完全一致），匹配33663次，大约1%匹配成功；其次在精确匹配成功的前提下，进行PS的模糊匹配（PS±0.02，即最开始设定的卡钳值为0.02），匹配33618次，大约3.3%匹配成功。
表4. 匹配容许误差
2. 匹配后数据库
输出的数据集Match中出现之前设定的几个新变量：E_case表示对照组中有几个符合匹配条件的观测对象（如图，吸烟组ID=2，有2个对照组观测对象符合匹配条件）；PS是基于logistic回归模型计算出的倾向性评分；match_id表示匹配成功的ID。
3. 数据库整理
A. 筛选匹配成功的对子：选择Data→Select Cases→If condition is satisfied：设定match_id≥1，筛选出匹配成功的对子→Output中输出新的数据集Analysis。
B. 确定匹配成功标识：match_id为吸烟组和不吸烟组相互匹配成功的ID，这里将不吸烟组match_id变量转换为ID变量，这时候相同的match_id即为匹配成功的对子。具体操作：将Analysis数据集中，不吸烟组match_id替换成ID编号：Transform→Compute Variable→if smoke=0, match_id=ID→OK
C. 选择Data→Sort cases→按照匹配标识match_id排序（相同的match_id即为匹配成功的对子）→OK→Save（你的鼠标手一定要点保存！！！）
倾向性评分匹配就搞定了，再来看看匹配情况。表5显示，原吸烟组233例，最后共有159例匹配成功（这次我们限定PS≤0.02，但可根据实际情况选择合适的限定，增加匹配成功数！），各匹配因素在两组间都均衡可比。
表5. 两组基线情况比较（匹配后）
四、总结和拓展
PSM一般分为几种类型：
1、PS最邻近匹配：是PSM最基本的方法，即直接从对照中寻找一个或多个与处理组个体PS值相同或相近的个体作为配比对象。一般配合caliper进行限制，防止把不太相近的样本匹配进来。但是，如果样本量足够大，这种方法比较常用，也很简单有效。如果样本量较小时，要慎用。
2、分层PSM：PS最邻近匹配尽管可以使协变量总体趋于平衡，但不能保证每个协变量分布完全一致。可以根据某个重要变量（如性别）分层后，分别对每层人群进行PS最邻近匹配，然后再将配比人群合并，这样就可以保证该重要变量在组间分布完全一致。
3、最优化匹配。采用策略包括马氏距离，贪婪匹配等。一般来说，也会与caliper结合使用，以与达到最佳的匹配效果。不过，对于1:m PS匹配和与马氏距离配比结合的PSM，目前SPSS 22及以上版本自带的PSM并不能实现。需要安装专门的R插件进行。