轉(zhuǎn)自個人微信公眾號【Memo_Cleon】的統(tǒng)計學(xué)習(xí)筆記：SPSS之1:n傾向性得分匹配。

前面我們已經(jīng)有兩篇推文介紹過傾向性得分匹配(傾向值匹配），一篇是采用SPSS進(jìn)行1:1的PSM，另外一篇采用的是R的MatchIt包來實(shí)現(xiàn)。SPSS操作簡便，但目前尚不支持1:n的PSM，也不能直接對匹配后的數(shù)據(jù)進(jìn)行平衡性分析，安裝R插件后這些問題都會得到解決，安裝教程可參考《PS Matching安裝攻略》。本次筆記的操作需要成功安裝PS Matching插件。

示例仍然采用《傾向性得分匹配》的數(shù)據(jù)：考察孕期婦女吸煙對新生兒體重的影響的觀察性研究。暴露為吸煙(mbsmoke)，結(jié)局變量為是否出現(xiàn)低體重新生兒（lbweight）,本次筆記僅考慮孕母年齡(mage)、是否白人(mrace)、婚姻狀況(mmarried)、孕期是否飲酒(alcohol)以及父親的年齡(fage)和是否白人(frace)幾個協(xié)變量。

【2】傾向性匹配：Analyze >> PS Matching

 l 匹配算法：提供了最鄰近匹配、完全匹配和優(yōu)化匹配。本例默認(rèn)最鄰近算法；

l 舍棄共同支持域外單位：對重疊域外的觀察對象的處理方式，包括不處理、處理組和對照組均舍棄、舍棄處理組、舍棄對照組；

l 估計算法：默認(rèn)logistic回歸；

l 二分類治療指示因子（0代表對照組，1代表處理組）：變量類型務(wù)必為尺度變量。本例選入mbsmoke，原變量尺度為名義變量，需要改為尺度變量；

l 協(xié)變量：選入需要匹配的變量，本例選入所有的協(xié)變量：孕母年齡(mage)、種族（mrace)、婚姻狀況(mmarried)、是否吸煙(mbsmoke)、孕期是否飲酒(alcohol）、父親的年齡(fage)和是否白人(frace)；

l 附加協(xié)變量：可選入與結(jié)局變量無關(guān)但需要平衡的變量。以結(jié)局變量為因變量，以協(xié)變量為解釋變量進(jìn)行的逐步回歸結(jié)果，進(jìn)入模型的變量選入?yún)f(xié)變量，未進(jìn)入模型的變量選入附加協(xié)變量框，本例未按此法操作，感興趣者可以嘗試；

l 精確匹配：依據(jù)選入的變量對個體進(jìn)行精確匹配，僅適用于最鄰近匹配；

l 卡鉗值：取值范圍0-1，值越小匹配越嚴(yán)格符合要求的匹配集越小，默認(rèn)取值0.2。

【繪圖和輸出】

繪圖：可輸出傾向值直方圖、個案抖動散點(diǎn)圖、標(biāo)準(zhǔn)化差異直方圖、各協(xié)變量標(biāo)準(zhǔn)化均數(shù)差異散點(diǎn)圖、各協(xié)變量匹配前后標(biāo)準(zhǔn)化均數(shù)差異變化線圖，圖片可選擇96~400PPI的分辨率。

輸出數(shù)據(jù)集：可選擇[帶有傾向值的原始數(shù)據(jù)集]或者[通過新生成變量“matched_id”來標(biāo)識的配對數(shù)據(jù)集]，數(shù)據(jù)集可以包括所有個案，或者只保留匹配的個案。新生成數(shù)據(jù)集內(nèi)容如下表所示。本例選擇“Paired dataset by “matched_id”&“Matched cases”。

平衡性統(tǒng)計量：基本和詳細(xì)兩種，另外可選擇是否包含交互作用。本例不考慮交互作用。

【最鄰近匹配選項】

亞分類：可選擇是否按照傾向值接近程度分為若干亞分類進(jìn)行分析，可以通過處理組、對照組或所有個案來進(jìn)行分類；

匹配比率：默認(rèn)處理組和對照組進(jìn)行1:1匹配，也可以進(jìn)行1:n進(jìn)行匹配。本例設(shè)置為1:2；

匹配順序：當(dāng)出現(xiàn)多個滿足匹配條件的個案時，有從最大傾向值開始匹配、從最小傾向值開始匹配、隨機(jī)匹配三種方式。本例默認(rèn)從最大值開始；

本例不允許回放（replacement）。

【3】傾向性值匹配結(jié)果

（1）樣本匹配概況：原數(shù)據(jù)對照組3778例，治療組864例，經(jīng)過傾向值匹配后獲得的數(shù)據(jù)集中處理組841例，對照組1567例，治療組和對照組并非剛好是1:2，這是由于有病例組未能找到匹配對象所致；未能匹配成功的病例中治療組23例，對照組2199例；有12例對照組病例不再共同支持域被舍棄掉。 

（2）平衡性檢驗(yàn)

（2.1）Hansen&Bowers全局平衡性檢驗(yàn)：P>0.05表示協(xié)變量和附加協(xié)變量框中的變量在兩組間整體均衡性良好，但只適用于1:1匹配且數(shù)據(jù)不能回放，本例按1:2進(jìn)行匹配，因此該法不能給出結(jié)果。 

（2.2）相對多變量不平衡L1檢驗(yàn)：L1值取值范圍0-1，匹配后的值越小匹配效果越好。該例匹配后的值變小，表示匹配對平衡性有改善。

（2.3）不平衡協(xié)變量概況，若出現(xiàn)|d|>0.25的變量則提示該變量存在不均衡性，且會按照|d|大小從上到下給出。|d|即標(biāo)準(zhǔn)化均數(shù)差異（standardized mean difference）。本例未出現(xiàn)|d|>0.25的變量，可認(rèn)為匹配后各變量在組間達(dá)到了均衡。 

（2.4）各變量的平衡性詳情，給出傾向值和各變量在匹配前后處理組均值、對照組均值、對照組各變量的標(biāo)準(zhǔn)差、標(biāo)準(zhǔn)化均數(shù)差。|標(biāo)準(zhǔn)化均數(shù)差|<0.1，則組間均衡性良好，|標(biāo)準(zhǔn)化均數(shù)差|＞0.25則組間均衡性較差了。本例匹配后各變量標(biāo)準(zhǔn)化均數(shù)差絕對值均小于0.1，組間均衡性良好。 

（2.5）個案抖動散點(diǎn)圖，顯示傾向值的分布。本例處理組和對照組的重疊性較好，雖然處理組還有一些未能匹配的對象，但是獲得兩組匹配個體的傾向值都比較接近，匹配效果還是不錯的。該圖中對照組匹配對象的圈點(diǎn)要比處理組大，是因?yàn)樵谠搱D中圈點(diǎn)的大小表示權(quán)重，本例處理組：對照組采用的比率是1:2，因此對照組的點(diǎn)比較大。

（2.6）標(biāo)準(zhǔn)差異變化線圖，用線圖來表示各個變量匹配前后標(biāo)準(zhǔn)化均數(shù)差異絕對值變化。本例各個變量的標(biāo)準(zhǔn)差異均明顯降低，匹配對數(shù)據(jù)的平衡有改善。

（2.7）傾向值的分布直方圖。提供未匹配和匹配后傾向值的相似度，并提供共同支持域的密度函數(shù)曲線，匹配后處理組和對照分布近似提示匹配良好。

（2.8）匹配前后標(biāo)準(zhǔn)差異直方圖，提供匹配前后標(biāo)準(zhǔn)化均數(shù)差異的直方圖即密度曲線。匹配后的標(biāo)準(zhǔn)化差異集中在0附近，提示不再存在系統(tǒng)差異。 

（2.9）loveplot，即各協(xié)變量標(biāo)準(zhǔn)化均數(shù)差異散點(diǎn)圖，該圖能夠明顯看出匹配前后均衡性發(fā)生的改變。各協(xié)變量匹配前后的標(biāo)準(zhǔn)化差異，若匹配后變量對應(yīng)點(diǎn)落-0.25~0.25之間，則示變量達(dá)到均衡。

【4】暴露因素作用評估：孕期吸煙能夠影響新生兒的體重。

兩獨(dú)立樣本的卡方分析：Chi2=19.784，P<0.001，OR=1.810；

考慮配對的單因素條件logistic回歸：wald chi2=15.346，P<0.001，進(jìn)行多因素校正wald chi2=21.841，P<0.001，RR=2.252。

王永吉等.中華流行病學(xué)雜志,2010,31(7).

黃福強(qiáng)等.J south Med Univ,2015，35(11).

Yoon Kong Loke et al.Diabetes Obes Metab. 2020;22(Suppl. 3).

轉(zhuǎn)自個人微信公眾號【Memo_Cleon】的統(tǒng)計學(xué)習(xí)筆記：SPSS之1:n傾向性得分匹配。

END