PSM（倾向得分匹配法）中，关于处理组和对照组的样本

whr1994 发表于 2020-9-20 19:42
你好，我在匹配的时候，加入一个新的变量之后，样本量减少了，这是因为什么呢

是不是又缺失值？

whr1994 发表于 2020-9-20 19:42
你好，我在匹配的时候，加入一个新的变量之后，样本量减少了，这是因为什么呢

加入新的协变量进行匹配，得到的样本量有变化很正常啊！

6513 发表于 2020-9-23 07:56
是不是又缺失值？

应该是

一个俗人罢了K 发表于 2020-11-23 16:59
加入新的协变量进行匹配，得到的样本量有变化很正常啊！

好的，谢谢

橙大事者 发表于 2018-2-2 16:29
大神，想请教你关于倾向得分匹配法原理上的问题，感谢！1.比如用1998-2015年建立海外研发中心的企业共37家 ...

请问你的问题解决了吗？

在PSM（倾向得分匹配法）中，如果处理组的样本数量远超对照组（例如，3：1的比例），直接进行一对一匹配确实可能导致大量处理组样本被排除，从而影响研究的有效性和效率。这种情况下，可以考虑以下几种解决方案：

### 1. 多对一匹配
尝试使用多对一的匹配策略。比如，在你的情况下，每3个处理组样本中选择与对照组最接近的一个或几个进行匹配。这要求你的倾向得分估计足够精确，以确保匹配的有效性。

### 2. 使用卡尺（Caliper）匹配
在PSM中添加卡尺限制，即定义一个允许的最大距离范围内的匹配标准，可以减少由于处理组和对照组样本数量差异导致的问题。这种策略有助于提高匹配质量，同时尽可能多地保留样本。

### 3. 共同支持原则下的重采样
根据共同支持（Common Support）原则，在匹配前先确定处理组与对照组倾向得分的交集范围，然后在该范围内进行匹配。如果处理组样本过多，可以通过随机抽样的方式减少其数量至更接近对照组的数量，或者使用有放回的抽样（bootstrap）来增加对照组的样本量。

### 4. 使用全匹配或半径匹配
考虑使用全匹配（Full Matching）或半径匹配（Radius Matching），前者试图为每个处理组样本找到最佳匹配对象，后者则在固定距离内寻找所有可能的匹配。这两种方法可以有效利用所有的处理组和对照组数据。

### 5. 加权法
采用加权策略来平衡样本。例如，使用倾向得分逆概率加权（Inverse Probability of Treatment Weighting, IPTW）对每个样本进行加权，以达到在分析中模拟平衡的样本结构的目的。

选择哪种方法应根据具体研究设计、数据特性以及你想要解决的关键问题来进行决定。重要的是要确保所选方法能够提高匹配质量，同时满足你的研究目标和假设检验需求。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用