PSM匹配后，SPSS如何计算倾向得分并检验平衡性？

Question

在PSM（倾向得分匹配）分析中，SPSS如何计算倾向得分并检验匹配后的平衡性是研究者常遇到的技术问题。首先，在SPSS中需通过Logistic回归模型计算倾向得分，将处理组与对照组的协变量作为自变量，以分组变量为因变量进行建模。预测概率即为倾向得分。匹配完成后，如何检验平衡性？可通过比较匹配前后协变量的标准平均差（SMD），若SMD小于0.1，则表明匹配效果良好。此外，使用SPSS Process宏或外部插件，可生成更详细的平衡性诊断统计量，如t检验或卡方检验，验证匹配后两组协变量分布是否趋于一致。若平衡性不佳，可尝试调整匹配方法或增加校准变量重新匹配。

Answer 1

1. 倾向得分匹配（PSM）基础概念

在数据分析领域，倾向得分匹配（Propensity Score Matching, PSM）是一种用于减少选择偏差的统计方法。它通过将处理组和对照组中的个体根据其协变量进行匹配，从而模拟随机实验的效果。

• 定义：倾向得分是指某个个体被分配到处理组的概率。
• 目的：通过匹配减少两组间的系统性差异。
• 计算：利用Logistic回归模型估计每个个体的倾向得分。

在SPSS中实现这一过程，需要将协变量作为自变量，分组变量作为因变量构建Logistic回归模型，最终得到的预测概率即为倾向得分。

2. SPSS中计算倾向得分的步骤

以下是使用SPSS计算倾向得分的具体步骤：

1. 数据准备：确保数据集中包含处理组和对照组的标识以及所有协变量。
2. 建立模型：打开SPSS，选择“分析”->“回归”->“二元Logistic”，将分组变量设为因变量，协变量设为自变量。
3. 保存预测值：在“保存”选项卡中勾选“预测概率”，SPSS会生成一个新变量存储倾向得分。

例如，假设数据集如下：

ID	Group	Age	Gender	Income
1	Treatment	30	Male	50000
2	Control	28	Female	45000
3	Treatment	35	Male	60000
4	Control	32	Female	55000

通过上述步骤，可以为每个个体计算出倾向得分。

3. 匹配后的平衡性检验

匹配完成后，需要对协变量的平衡性进行检验，以验证匹配效果是否良好。常用的方法包括：

• 标准平均差（SMD）：计算匹配前后协变量的标准平均差，若SMD小于0.1，则认为匹配效果较好。
• t检验或卡方检验：使用SPSS Process宏或外部插件，进一步验证匹配后两组协变量分布的一致性。

以下是一个简单的流程图，展示如何在SPSS中完成平衡性检验：

graph TD;
    A[加载数据] --> B[计算倾向得分];
    B --> C[执行匹配];
    C --> D[计算SMD];
    D --> E[运行t检验/卡方检验];

如果发现某些协变量的平衡性较差，可以通过调整匹配方法（如最近邻匹配、卡尺匹配等）或增加校准变量重新匹配。

4. 高级技术与解决方案

对于更复杂的场景，可以结合SPSS Process宏或其他外部工具扩展功能：

• Process宏：提供多种匹配方法和诊断统计量，简化操作流程。
• R/Python集成：利用SPSS Statistics Base模块调用R或Python脚本，实现更灵活的分析。

例如，在R中可以使用“MatchIt”包完成匹配，并通过“cobalt”包生成详细的平衡性报告。以下是R代码示例：

library(MatchIt)
match_data <- matchit(Group ~ Age + Gender + Income, data = dataset, method = "nearest")
summary(match_data)  # 查看匹配结果

通过这种方式，研究者可以根据实际需求选择最适合的工具和技术。