倾向性评分

 倾向性评分（propensity score）

A propensity score is the probability of a unit (e.g., person, classroom, school) being assigned to a particular treatment given a set of observed covariates. Propensity scores are used to reduce selection bias by equating groups based on these covariates.

在RCTs中，试验参加者被随机分配到试验组或对照组，可以有效地消除两组之间的差异。但是在非随机的观察性研究如病例对照研究，如何处理干扰因素一向是很重要的问题。如果有治疗组和未治疗组的病人，其基本特性是不同的，两组就无法直接比较治疗效果。

要解决这个问题，多变量分析和propensity score分析是其中的两种方法。大家熟知的多变量分析，即是在分析药物治疗是否影响结果时，同时调整其他的干扰因素。Propensity score则是一个概率（0~1），代表一个病人在其既有的基本特性（或干扰因素）下，得到药物治疗的机会。计算propensity score的方法，其实就来自一个logistic regression model：将得到治疗与否当做因变量，把基本特性的各个因子当做自变量。所以，两种方法的基本差异在于，多变量分析注意的是基本特性和结果的关系，而propensity score则是聚焦在基本特性和有无药物治疗的关系。换句话说，propensity score企图再造一个类似随机分配的情境。在随机试验中，每一个受试者得到治疗的propensity score应该是0.5。在非随机的观察性研究，propensity score就会因病人的基本特性而异。

 一旦计算出propensity score，就可以使用在各种分析方法：

 1、配对（matching）：将接受药物的病人与没有接受药物的病人按照propensity score配对。与传统配对方式比较，这样做最大的特点是，不会因为配对因子过多而找不到适当的对象。

2、分层分析（stratification）：因为propensity score用一个数字来总结所观察到的基本特性，根据propensity score来分层，可以平衡两组干扰因子分布的差异。它的好处在于当基本特性因子很多时，可以避免分太多层。

3、回归调整（regression adjustment）：上述两种使用的主要目的是在使两组可以有效地比较。而在回归分析探讨治疗组与对照组对结果的影响时，propensity score也可以被当作是“唯一”的干扰因素。

1、减少非随机观察性研究的偏倚（bias）。

2、 一般运用某种多变量分析法来控制干扰因素是否得当，需视这些资料是否符合这种方法的一些前提假设（例如，线性相关）。而propensity score不会受到这种影响，因而能做出较准确的估计。

3、当要比较的结果不只一项时，通常需依情況运用不同的models，如logistic或proportional hazard regression。Propensity score则没有这种限制，同样的score可以使用于个别的结果分析。

4、 当结果发生的很少（rare outcome），而要探讨的暴露或干扰因素很多时，回归分析就有很多限制（这是一个重要、但常被忽视的“维度困惑”）。Propensity score被认为是处理这种情况比较好的分析方法。

propensity score的缺点