[SAS]傾向分數配對(Propensity score matching)

免費閱讀文章：[SAS]傾向分數配對(Propensity score matching)

在做研究時，我們目標通常是比較實驗組和對照組，想知道兩者的差別或比較兩者的存活表現。
但是為了降低研究的偏差，我們希望兩組的差異不會影響我們的實驗結果，所以可以用傾向分數配對(propensity score matching)對干擾因子做適當的配對，使其影響降到最低。傾向分數配對能夠有效讓兩組的共變項更為均勻，使所有干擾因子都能控制的差不多。

今天就簡單介紹傾向分數配對(propensity score matching)，以及如何在SAS上應用

傾向分數主要目的是讓治療組與非治療組在干擾變項(X)的分布大致相同。干擾變項，即治療與否受到哪些變數影響。通常會考慮常見的干擾因子，像是年齡、性別、共病症等等，可將這些視為解釋變項。

1. 傾向分數分析的目的 : 降低混淆效果
2. 主要有四種應用方法: 1. 配對，2.加權，3.分層，4.統計控制
3. 傾向分數配對(propensity score matching): 經由將傾向分數相近的治療組與控制組配對起來，營造類似隨機試驗的環境(不包含未測量到的混淆因子)

• 優點:

1. 相較於分層分析與統計控制，PSM更能有效使兩組的共變項更均勻
2. 很直覺的提供像隨機試驗那樣的報告。i.e.透明化呈現兩組的基本特性在表格中。

• 劣勢:
  由於PSM會剔除相當人數的治療組與許多控制組(一般控制組人數較多)
  會導致

1. 由於損失許多人數的控制組，無法將結果推論到整個群體
2. 由於人數下降，因此統計檢定力(Power)下降。i.e.會得到較不顯著之結果

• 考慮、技術細節:

1. 配對演算法的設定(optinal，greedy nearest neighbor matching)
2. 是否容許配對後的置換
3. 將資料排序予以隨機化

接下來要進入SAS的實作。
首先，需要使用SAS提供的macro: %OneToManyMTCH，下載之後macro在附錄，可以直接複製貼上使用
檔案裡有很詳細的介紹，包含配對前後的卡方值比較等等....