傾向評分匹配（Propensity Score Matching，簡稱PSM）是一種統計學方法，用于處理觀察研究（Observational Study）的數據，在SCI文章中應用非常廣泛。在觀察研究中，由于種種原因，數據偏差（bias）和混雜變量（confounding variable）較多，傾向評分匹配的方法正是為了減少這些偏差和混雜變量的影響，以便對實驗組和對照組進行更合理的比較。
為什么需要做傾向評分匹配？
我們知道RCT的證據力度高，是因為對患者進行了嚴格的篩選。我們的回顧性研究都是過去的數據，很難像RCT一樣進行嚴格的篩選出兩組患者基線相近的基礎資料，但我們可以通過傾向評分匹配把回歸性的數據進行篩選，把基線資料相近的患者進行匹配，得到近似RCT的效果。
應用場景
? 1.基線資料不平
? 2.開展病例對照研究病陽性例數較少，如罕見病研究
? 3.將眾多混雜因素變為一個變量：傾向值
以下為一個實例，沒進行匹配前兩組患者基線資料相差很大，進行傾向評分匹配后，基線資料近似一致了

既往咱們已經介紹了Matching包進行傾向評分匹配，今天咱們來介紹nonrandom包進行傾向評分匹配，這個包需要在github上安裝，咱們先把這個包安裝上去

library(devtools) # Load devtools
install_github("cran/nonrandom")

安裝好后R導入R包自帶得stu1數據

library(nonrandom)
data(stu1)

我介紹幾個關鍵變量，pst是咱們得結局變量，therapie是等會咱們要進行匹配得變量，是兩種治療方法：1：乳房切除術；2：保乳 ，其他都是一些協變量

咱們可以先看下沒調整前協變量對模型得影響

rel.eff <- relative.effect(data    = stu1,formula = pst~therapie+tgr+age)
summary(rel.eff)

剛才已經說了，我們是要對therapie兩種治療方法：1：乳房切除術；2：保乳進行匹配，好查看預后，先進行傾向評分

ps <- pscore(data    = stu1,formula = therapie~tgr+age)

對根據PS數據分層

strata <- ps.makestrata(object = ps)

對分層數據進行傾向評分匹配，ratio = 1是1：1匹配，caliper
表示卡鉗

match <- ps.match(object  = ps,ratio   = 1,caliper = 0.5,givenTmatchingC = FALSE)

匹配好后可以從match中提取匹配好后得數據

data.matched<-match[["data.matched"]]

對匹配后得數據進行可視化

bal.plot1 <- dist.plot(object = strata,sel     = c("tmass"))

bal.plot2 <- dist.plot(object    = match,sel       = c("alter"),plot.type = 2,compare   = TRUE)
bal.plot2

可以看出匹配前和匹配后差別很明顯，還可以比較標準化差異

bal.table <- ps.balance(object  = match,sel     = c("tgr","age"),method  = "stand.diff",alpha   =  20)
bal.table

還可以比較匹配前后對效應值得影響

ps.est <- ps.estimate(object = strata,resp   = "pst",regr   = pst~therapie+tgr+age)
ps.est