倾向评分的加权分析法

倾向评分的加权分析法(propensity score weighting)是将倾向评分与传统标准化法结合发展成的一种新型的分析方法，可以称之为“基于个体的标准化法”。倾向评分加权也是边缘结构模型(marginal structural models)的一种简单应用

公卫百科

倾向评分加权法首先将多个主要混杂变量的信息综合为一个变量倾向评分，然后将倾向评分作为需要平衡的混杂因素，通过标准化法的原理加权，使各对比组中倾向评分分布一致，则达到使各混杂因素在各比较组分布一致的目的。该方法将每一观察单位看作一层，不同倾向评分值预示这一观察单位在两组中的概率不同。在假定不存在未识别混杂因素的条件下，加权调整是基于在一定条件下的两种相反事件的对比来对数据进行调整的，即假设使每个观察对象均接受处理因素和使每个观察对象均不接受处理因素两种相反情况[4,5]。利用倾向评分估计的权重对各观察单位加权产生一个虚拟的标准人群，在虚拟人群中，两组的混杂因素趋于一致，均近似于某一预先选定的标准人口分布。选择的标准人群不同，调整的方法也不同。根据调整后标准人群的不同，又可分为两种加权方法：逆处理概率加权法(inverse probability of treatment weighting，IPTW)和标准化死亡比加权法(standardized mortality ratio weighting，SMRW)。IPTW法是以所有观察对象(处理组与对照组合并的人群)为“标准人群”进行调整。Robins等[1]给出的加权系数(W)计算方法是：处理组观察单位的权数Wt=1/PS，对照组观察单位的权数Wc=1/(1?PS)。PS为观察单位的倾向评分值。这一方法得到的人群往往与原来人群的数量不同，因此虚拟人群各变量的方差大小发生了变化。为了得到与原人群的样本量相同的标准人群，Hernan等[2]对计算方法进行了调整，将整个研究人群的处理率和非处理率加入公式进行调整得到稳定权数(stabilized weights)。具体方法是：处理组观察单位的权数Wt=Pt/PS，对照组观察单位的权数Wc=(1?Pt)/(1?PS)。Pt为整个人群中接受处理因素的比例。SMRW法是将处理组观察对象作为“标准人群”进行调整。Sato和 Matsuyama给出的加权系数计算方法是：处理组观察单位的权数Wt=1，对照组观察单位的权数Wc=PS/(1?PS)。同样，由于对照组得到的人群数与处理组样本量一致，而与原对照组样本量不同，因此需要进一步作如下调整，计算其稳定权数：Wc=/[(1?PS) Pt]。当每一个观察单位的权数计算出来后，就可以对每个观察单位加权后用传统的方法(如直接效应比较或Logistic回归)进行效应估计。

公卫百科

公卫百科

 传统的标准化法或分层标准化法要求调整的混杂因素不能太多(一般3个以下)，而且混杂因素不能为连续变量，否则由于分层太多而无法实现。而倾向评分由于将许多变量综合为一个变量，因此即使是同时分析较多的混杂变量或是连续性变量，并不增加分析的难度，克服了标准化法的局限性。

　　通常情况下，选择IPTW和SMRW两种方法调整混杂因素的结果基本一致。但如果有影响处理因素分配的重要混杂变量或交互项没有纳入模型，或者混杂因素对处理效应具有较强的效应修饰作用时，IPTW和SMRW两种方法的调整结果之间将存在较大的差异。如Kurth等在研究组织纤维蛋白溶解酶原活化剂使用与缺血性脑卒中病人死亡危险性的关系时发现：如果不调整混杂因素，其OR值为3.35 (95 % CI: 2.28～4.91)，用IPTW调整的OR值为10.77 (95 %CI: 2.47～47.04)，而用SMRW调整的OR值为1.11(95 %CI: 0.67～1.84)，二者相差约10倍。究其原因，是由于部分混杂因素存在较强的效应修饰作用，通过倾向评分分层可以发现各层OR值存在较大差别。在这种情况下，SMRW调整的OR值结果与倾向评分配比结果及随机对照研究的结果相似。因为，倾向评分配比和SMRW均以处理组作为参照，而随机对照研究由于规定了部分入选条件，其研究对象也趋于与处理组一致。而IPTW是以整个人群为参照，更全面地考虑了一般人群的特征，因此在效应估计上可能不及前面几种方法稳定，但在识别效应修饰因子或没有纳入的重要变量或交互项方面则具有较大优势。虽然SMRW与倾向评分配比的平衡结果基本一致，但SMRW在数据分析阶段更具优势，这是因为倾向评分配比只是选择了部分对照个体，而SMRW利用了全部对照个体的信息，其方差与原人群相近;SMRW过程要比倾向评分配比过程容易实现。

公卫百科

　　如果倾向评分估计和多变量效应估计所用的协变量和模型相同，则直接用各协变量进行调整后的效应点值应该与用倾向评分调整后的效应点值相同。但倾向评分的优势是研究者可以首先构建复杂的模型(如纳入较多的变量或增加复杂多级交互项)来计算倾向评分，然后在最后的效应模型中使用少量的重点变量与倾向评分共同调整。由于倾向评分综合了全部混杂因素的共同作用，将众多的因素综合为一个变量，使最终估计因果联系的模型简单化，对模型的诊断比同时纳入较多变量要容易和可靠;同时避免了效应估计时参数过多及共线性的问题所导致的偏倚