想比较吃药和不吃药的真实效果差异详解PSM倾向得分匹配软件在SPSS和Stata及R语言中的操作步骤与避坑指南

你去医院开药，医生告诉你“这个药能降血压”。你转头问隔壁老王，他没吃这个药，血压也还行。这时候你心里一定会冒出一个问题：到底是药管用，还是人家本来身体底子就好？

直接拿“吃药组”和“不吃药组”的平均结果相减，看起来最省事，但在真实研究里几乎一定会翻车。因为 people 不是随机分组的。吃药的人往往年龄更大、基础病更多、收入更高、依从性更好；不吃药的人可能症状轻、怕副作用、或者经济条件有限。这些差异如果混在结果里，你以为看到的是“药效”，其实看到的是“人群差异”。

这就是为什么临床和流行病学里会频繁提到 PSM（Propensity Score Matching，倾向得分匹配）。它干的事情很简单：给吃药的人，在不吃药的人群里找一个“画像”几乎一样的对照组，然后再比较两者的结局差异。 听起来像找双胞胎，但实际比这严谨得多。

下面我把这件事拆开了讲：先搞懂它到底在算什么，再分别演示 Stata、R、SPSS 怎么跑，最后把那些让人半夜改代码的坑一个个列出来。全程带可运行代码，变量名用中文说明，尽量让零基础的人也能跟着操作。

一、PSM到底在算什么？用“选课”打个比方

假设你在大学里想比较“选了A老师的高数课”和“没选A老师”的学生期末成绩差异。直接比平均分没用，因为选A老师的可能本来就是学霸，或者早上第一节没人选。

倾向得分（Propensity Score） 就是：在给定一堆背景变量（性别、绩点、年级、是否兼职、高中数学基础）之后，这个人“选择A老师”的概率。概率越接近，说明两人越像。

PSM 的核心逻辑分三步：

算分：用逻辑回归（或机器学习）预测每个人吃药的概率。
配对：按概率高低，给每个吃药的人找一个不吃药但概率相近的人。
比较：在配对好的样本里算结局差异，这时候两组背景已经均衡了，差异更接近“吃药的真实效果”。

需要特别注意两个概念：

ATT（Average Treatment effect on the Treated）：关注的是“吃药的人”如果没吃药会怎样。绝大多数临床研究问的就是这个。
ATE（Average Treatment Effect）：关注的是整个人群，包括本来就不该吃药的人。

大多数药物评价选 ATT，因为政策制定和临床建议都是围绕“已经吃药或应该吃药的人”展开的。

二、先定一个真实案例，后面所有代码都围绕它

假设你手头有一项观察性队列研究，想评估一种新型降压药对收缩压下降值的影响。

变量名	含义	类型
`treat`	是否吃药（1=吃药，0=不吃药）	二分类
`outcome`	服药3个月后收缩压下降值（mmHg）	连续
`age`	年龄	连续
`bmi`	体重指数	连续
`baseline_bp`	基线收缩压	连续
`income`	月收入（千元）	连续
`exercise`	每周运动次数	离散
`comorbidity`	合并症数量	离散
`gender`	性别	二分类

我们的目标：估计 ATT，即“吃药组相比‘长得跟自己很像但不吃药’的那群人，血压多降了多少”。

⚠️ 重要提醒：PSM 只能消除已观测到的混杂因素。如果存在“患者自己决定吃药的心理动机”“医生私下判断病情轻重”等没录入数据库的变量，PSM 救不了你。这时候得考虑工具变量（IV）、断点回归（RDD）或双重差分（DID）。

三、Stata 实操：现代框架 `teffects` 一键搞定

如果你用的是 Stata 15 及以上版本，强烈建议用内置的 teffects 框架。它比老牌的 psmatch2 更规范，标准误计算也更合理。

3.1 基础匹配代码

* 导入数据（假设你的文件叫 drug_study.dta）
use drug_study.dta, clear

* 核心命令：teffects psmatch
* 第一个括号：结局模型 y = f(treat, covariates)
* 第二个括号：倾向得分模型 treat = f(covariates)
teffects psmatch (outcome) (treat i.gender age bmi baseline_bp income exercise comorbidity), ///
    neardiff /// 最近邻匹配，默认1:1
    caliper(0.05) /// 卡钳：倾向得分差超过0.05的不匹配
    common /// 只保留共同支撑域内的样本
    seed(12345) /// 固定随机种子，方便复现
    verbose /// 打印详细过程
    noreplace /// 不放回抽样（每个对照只用一次）

3.2 结果怎么看

运行完后，Stata 会自动输出：

ATT 估计值：吃药组比匹配到的对照组多降的血压值。
95%置信区间 和 p值。
匹配前后协变量标准化均值差（SMD）：这是判断匹配质量的金标准。

你可以通过以下命令查看平衡性表格：

estat psmatch, table

3.3 可视化检查

* 匹配前后倾向得分密度图
teffects psmatch (outcome) (treat i.gender age bmi baseline_bp income exercise comorbidity), ///
    neardiff caliper(0.05) common
graph psmatch, density by(treat) title("匹配前/后倾向得分分布")

密度曲线重叠越多，说明匹配越好。如果吃药组集中在 0.7~0.9，不吃药组集中在 0.1~0.3，硬凑出来的匹配基本不可信。

3.4 常用参数速查

参数	作用	建议
`neardiff`	最近邻匹配	最常用，1:1 或 1:k
`ratio(2)`	1:2 匹配	对照充足时提高精度
`caliper(0.05)`	卡钳宽度	通常用倾向得分标准差的 0.2 倍，Stata 里直接写绝对值即可
`common`	共同支撑域	必加，避免外推
`noreplace`	不放回	临床常用，避免一个对照被反复使用
`seed()`	随机种子	必须固定，否则结果不可复现

四、R 语言实操：`MatchIt` + `cobalt` 组合拳

R 做 PSM 是目前学术界最主流的选择，生态成熟，文献引用最多。我们分三步走：匹配 → 平衡性检查 → 效应估计。

4.1 安装与加载包

install.packages(c("MatchIt", "cobalt", "dplyr", "ggplot2"))
library(MatchIt)
library(cobalt)
library(dplyr)
library(ggplot2)

4.2 倾向得分匹配

# 假设数据框叫 df
set.seed(2024)

m1 <- matchit(
  treat ~ age + bmi + baseline_bp + income + exercise + comorbidity + gender,
  data = df,
  method = "nearest",      # 最近邻
  ratio = 1,               # 1:1
  replace = FALSE,         # 不放回
  caliper = 0.2 * sd(logit(m1_dummy$treat)), # 卡钳：0.2倍logit倾向得分标准差
  distance = "logit"       # 对倾向得分做logit变换后再匹配，统计界推荐
)

# 提取匹配后的数据集
df_matched <- match.data(m1)

# 查看匹配摘要
summary(m1)

💡 注意：caliper 的单位必须和 distance 一致。如果你用 logit 变换，卡钳也应该基于 logit 尺度。直接写 caliper = 0.05 也可以，但建议用标准差的 0.2 倍，更符合 Imbens & Rubin (2015) 的推荐。

4.3 平衡性诊断（这是审稿人最爱盯着看的地方）

# 生成平衡性表格
bal <- bal.tab(m1, unstandardized = TRUE)
print(bal, threshold = 0.1)  # 只显示 SMD > 0.1 的变量

# Love Plot：一眼看匹配前后标准化差异
love.plot(m1, binary = "standardized", thresh = 0.1)

判断标准：匹配后所有变量的标准化均值差（SMD）最好都小于 0.1，最大不超过 0.2。如果某个变量怎么都压不下来，说明这个混杂因素可能没被正确建模，需要换方法或补充变量。

4.4 估计真实效果

匹配完不等于结束，很多人直接拿 df_matched 跑 t 检验，这在统计上是错的。正确做法是在匹配样本上用加权或回归调整：

# 方法1：简单加权平均（ATT）
att_simple <- with(df_matched, 
                   mean(outcome[treat == 1]) - mean(outcome[treat == 0]))

# 方法2：推荐做法，在匹配样本上跑线性回归，自动处理权重
fit <- lm(outcome ~ treat + age + bmi + baseline_bp, data = df_matched)
coef(fit)["treat"]  # 这就是调整后的 ATT

# 方法3：用 sandwich 包计算稳健标准误（匹配后标准误通常会偏小，需要校正）
library(sandwich)
library(lmtest)
coeftest(fit, vcov = vcovHC(fit, type = "HC3"))

4.5 共同支撑域检查

# 画匹配前后的倾向得分分布
plot(m1, type = "d", transform = TRUE)

如果吃药组和不吃药组的得分曲线几乎没有重叠区域，说明共同支撑域不成立，匹配出来的结果是“编”出来的。这种情况要么缩小样本范围，要么换研究方法。

五、SPSS 实操：老实说，它不是 PSM 的主场

SPSS 没有官方内置的一键 PSM 命令。这不是 SPSS 不好，而是它的定位偏向描述统计和基础回归。市面上很多教程让你装什么 PSMatch 宏，代码老旧、文档缺失、报错难查。

我最推荐的 SPSS 工作流是两条路：

路径 A：SPSS 算倾向得分 + Python 集成调用 R 的 MatchIt（最稳）

SPSS 18 以上支持内置 Python 扩展，可以直接调用 R 环境。步骤如下：

* 第一步：在SPSS里跑逻辑回归，保存倾向得分
LOGISTIC REGRESSION VARIABLES treat
  /METHOD=ENTER age bmi baseline_bp income exercise comorbidity gender
  /SAVE=PS(Prob_Treated).

* 第二步：用Python集成直接调用R的MatchIt
PYTHON PROGRAM.
import spss
import spssaux
import pandas as pd

# 读取当前SPSS数据集
data = spssaux.DataDict()
df = spss.GetDataset().LoadDataFrame()

# 调用R环境执行MatchIt（前提：SPSS已配置R interpreter）
import rpy2.robjects as robjects
from rpy2.robjects import pandas2ri
pandas2ri.activate()

robjects.r('''
library(MatchIt)
library(cobalt)
m <- matchit(treat ~ age + bmi + baseline_bp + income + exercise + comorbidity + gender,
             data = df, method = "nearest", caliper = 0.2*sd(logit(treat)), common = TRUE)
out <- match.data(m)
write.csv(out, "matched_spss.csv", row.names = FALSE)
''')

print("匹配完成，已保存为 matched_spss.csv")
END PROGRAM.

📌 前提条件：你需要在 SPSS 的 Edit → Options → Python 中正确配置 R 解释器路径。如果配置失败，建议直接把数据导出为 .csv，用 R 或 Stata 跑。

路径 B：纯 SPSS 语法手动实现 1:1 最近邻匹配（适合小样本教学）

如果你不想折腾 Python，可以用 SPSS 语法硬写一个简化版。注意：这只适合学习原理，不建议用于正式论文。

* 1. 逻辑回归算倾向得分
LOGISTIC REGRESSION VARIABLES treat
  /METHOD=ENTER age bmi baseline_bp income exercise comorbidity gender
  /SAVE=PS.

* 2. 排序
SORT CASES BY treat PS.

* 3. 生成匹配索引（简化版：按PS排序后，治疗组第i个匹配对照组第i个）
COMPUTE group_flag = 0.
IF treat = 1 group_flag = 1.
IF treat = 0 group_flag = 0.

RANK VARIABLES=PS BY group_flag (A) /RANK INTO rank_ps.

* 4. 配对：治疗组rank=1找对照rank=1，以此类推
SORT CASES BY group_flag rank_ps.

* 5. 用MATCH FILES拼接
DATASET NAME Treat.
SELECT IF group_flag = 1.
SAVE OUTFILE='treat_only.sav'.

DATASET NAME Control.
SELECT IF group_flag = 0.
SORT BY rank_ps.
SAVE OUTFILE='control_sorted.sav'.

DATASET ACTIVATE Treat.
MATCH FILES FILE=* /TABLE='control_sorted.sav' /BY rank_ps.
EXECUTE.

* 6. 删除无匹配的对照
DELETE CASES IF MISSING(outcome) AND group_flag = 0.

* 7. 计算ATT
MEANS TABLES=outcome BY group_flag /CELLS=MEAN COUNT.

这段代码能跑通，但有几个致命缺点：

没有卡钳过滤，可能把倾向得分差很远的人硬凑一起。
没有放回/不放回控制。
标准误没有校正。
不适合大样本。

我的建议：用 SPSS 做数据清洗和逻辑回归没问题，但 PSM 匹配这一步，导出到 Stata 或 R 再跑，省心且可信。审稿人也更认 R/Stata 的输出。

六、真实翻车现场：7 个最常见的 PSM 避坑指南

下面这些坑，我一个一个说过，基本覆盖了临床和社科研究里 90% 以上的 PSM 报错或拒稿原因。

坑 1：把“吃药后的指标”塞进协变量

比如你研究吃药对血压的影响，却把“服药1个月后的血压”当作协变量。这叫后处理变量（Post-treatment variable），会阻断因果链，让药效被人为压低甚至反转。

✅ 正确做法：协变量必须是基线特征或治疗前的状态。画一个 DAG（有向无环图）先理清因果关系，再决定放哪些变量。

坑 2：只看 p 值，不看 SMD

很多初学者跑完匹配，看到回归 p<0.05 就高兴。但匹配的质量不看 p 值，看标准化均值差（SMD）。p 值受样本量影响极大，样本大了哪怕微小差异也显著。

✅ 标准：匹配后 SMD < 0.1 为良好，< 0.2 可接受。超过 0.2 的变量必须继续调整。

坑 3：卡钳（Caliper）乱设

卡钳太宽，匹配到“不像”的对照；卡钳太窄，大量样本被丢弃，最后只剩几十个有效样本。

✅ 推荐：使用 logit 倾向得分标准差的 0.2 倍。Stata 里直接写 caliper(0.05) 或 caliper(0.2*sd(logit_treat))。R 里用 caliper = 0.2 * sd(logit(m$distance))。

坑 4：忽略共同支撑域（Common Support）

如果吃药组倾向得分集中在 0.8，不吃药组集中在 0.3，两者几乎没有重叠。这时候强行匹配，相当于拿“年轻健康人”去配“高龄重症人”，结果没有外部有效性。

✅ 做法：匹配前画密度图，用 common 参数过滤，报告丢失样本数和原因。

坑 5：匹配完直接跑 t 检验，标准误偏小

匹配会改变样本结构，普通 t 检验或 OLS 的标准误会低估真实变异，导致 p 值虚低。

✅ 做法：在匹配样本上用加权最小二乘（WLS），或使用 Bootstrap 重采样计算置信区间。R 里可以用 clubHC 或 sandwich 包。

坑 6：样本量暴减却不报告

匹配后从 1000 人变成 300 人，结果显著。审稿人会问：那 700 人被丢到哪去了？为什么丢？有没有系统性偏差？

✅ 做法：在论文里明确报告：

初始样本量
剔除共同支撑域外的样本数
匹配后有效样本量
匹配前后 SMD 对比表
Love Plot

坑 7：把 PSM 当万能药，不做敏感性分析

PSM 只解决可观测混杂。如果医生开药是基于你没录入的“病情严重程度直觉”，PSM 再漂亮也是伪因果。

✅ 补救措施：

Rosenbaum 敏感性分析：检验隐藏偏差多大才会推翻结论。
更换匹配方法：核匹配、半径匹配、最优匹配，看结果是否稳健。
安慰剂检验：把结局变量换成治疗前就该存在的指标，理论上不应该有影响。
加入更多协变量：尤其是临床指南里明确的风险因子。

七、结果怎么写进论文/报告？给个模板

不要写成“我们用了PSM，结果显示吃药有效”。这种话审稿人看了直接打回。

推荐结构：

为减少选择偏倚，本研究采用倾向得分匹配（PSM）方法构建对照。基于年龄、性别、BMI、基线收缩压、收入、运动频率及合并症数量建立 Logit 模型估算倾向得分。采用 1:1 最近邻匹配，卡钳设为 logit 倾向得分标准差的 0.2 倍，并限制在共同支撑域内。匹配后所有协变量标准化均值差均小于 0.1（SMD 范围：0.02~0.09），Love Plot 显示匹配后两组分布高度重叠（图1）。共纳入 412 例吃药患者及 412 例匹配对照，较初始样本流失 18.7%，主要因共同支撑域外所致。

匹配后线性回归显示，服药组收缩压额外下降 6.8 mmHg（95%CI: 4.1~9.5, p<0.001）。Rosenbaum 敏感性分析表明，隐藏偏差系数 Γ 需达到 1.35 才能推翻该结论，提示结果对未观测混杂具有一定稳健性。

这段话里有数字、有方法、有诊断、有局限，比任何“显著”都值钱。

八、几个容易被忽略但极其实用的细节

1. 类别变量怎么处理？

性别、是否吸烟这类变量，在逻辑回归里要转成虚拟变量。R 的 MatchIt 会自动识别因子类型，Stata 用 i.gender。千万别把分类变量当连续变量扔进去。

2. 连续变量要不要标准化？

倾向得分模型里不需要标准化，逻辑回归会自己处理量纲。但匹配后画 Love Plot 时，cobalt 默认输出标准化差异，这正好。

3. 匹配后还能加协变量吗？

可以，而且推荐。匹配主要平衡背景变量，但结局模型里加入关键协变量可以进一步提高精度（Cochran & Rubin, 1987）。只是不要加治疗后变量。

4. 1:1 不够用怎么办？

如果对照充足，可以用 1:2 或 1:3 匹配，能提高统计功效。但要注意：1:k 匹配的标准误计算更复杂，R 里 MatchIt 会自动处理权重，Stata 的 teffects 也会。

5. 机器学习和 PSM 能结合吗？

能。如果协变量很多、非线性关系复杂，可以用随机森林或 XGBoost 预测倾向得分，再送入匹配。R 的 WeightIt 包支持 method = "ps" 配合 model = "xgboost"。但初学者先用 Logit，稳定且可解释性强。

九、最后说几句掏心窝子的话

PSM 不是魔法棒，挥一下就能得到“真实因果”。它更像一把粗糙但实用的手术刀：切掉明显的混杂组织，剩下的结果才更接近真相。

如果你在做药物效果比较，我建议你按这个顺序走：

先画 DAG，搞清楚哪些是混杂、哪些是中介、哪些是碰撞变量。
用 SPSS/Stata/R 跑出倾向得分，画密度图看重叠情况。
匹配后必须检查 SMD 和 Love Plot。
换一种匹配方法或卡钳宽度，看结果变不变。
如果结果对卡钳极度敏感，老实告诉读者：证据有限，需要随机对照试验验证。

研究不是比谁跑得快，是比谁敢承认边界在哪。能把 PSM 跑通的人很多，能把匹配质量、样本流失、敏感性分析、局限性全摆上台面的人，才是真正做因果推断的人。

代码都给你了，数据格式对齐，变量名改成本研究的，跑一遍看看密度图。如果曲线重叠得好看，SMD 压下去，结果自然经得起推敲。有任何报错或结果异常，把日志贴出来，咱们一步步排查。

想比较吃药和不吃药的真实效果差异 详解PSM倾向得分匹配软件在SPSS和Stata及R语言中的操作步骤与避坑指南