1. 引言

倾向性评分匹配（Propensity Score Matching，PSM）是一种常用的因果推断方法，尤其在观察性研究中，用于减少混杂因素的影响。SPSS作为一款流行的统计分析软件，提供了便捷的PSM操作界面。本文将通过一个实际案例，详细讲解如何在SPSS中实施倾向性评分匹配，包括数据准备、模型建立、匹配过程及结果分析。

2. 数据案例分析

2.1 案例背景

假设我们研究一种新药对高血压患者血压降低的效果。由于新药和安慰剂组的患者可能存在一些不可观测的混杂因素，如年龄、性别、病程等，直接比较两组患者的血压变化可能存在偏误。因此，我们采用倾向性评分匹配方法来评估新药的效果。

2.2 数据来源

本研究数据来源于某三甲医院高血压患者的临床资料，共包含200名患者。其中，100名患者接受新药治疗，100名患者接受安慰剂治疗。

2.3 数据结构

数据包含以下变量：

  • 患者ID
  • 年龄
  • 性别
  • 病程
  • 治疗前血压
  • 治疗后血压

3. 步骤详解

3.1 数据准备

  1. 导入数据：在SPSS中，点击“文件”菜单，选择“打开”，导入已准备好的数据文件。
  2. 数据清洗：检查数据是否存在缺失值、异常值等，并进行相应的处理。

3.2 倾向性评分模型建立

  1. 选择变量：根据研究目的，选择可能影响治疗效果的变量作为匹配变量，如年龄、性别、病程等。
  2. 计算倾向性评分：在SPSS中，点击“分析”菜单，选择“匹配”，然后选择“倾向性评分”。
  3. 设置匹配变量：在“匹配变量”框中，选择步骤1中选定的变量。
  4. 设置模型：根据研究目的，选择合适的模型，如逻辑回归模型、线性回归模型等。
  5. 设置迭代次数：根据实际情况，设置迭代次数，以确保模型收敛。

3.3 匹配过程

  1. 设置匹配方法：在SPSS中，选择合适的匹配方法，如1:1匹配、1:3匹配等。
  2. 设置匹配标准：根据研究目的，设置匹配标准，如卡方距离、标准化距离等。
  3. 执行匹配：点击“确定”按钮，执行匹配过程。

3.4 结果分析

  1. 匹配结果：查看匹配后的数据，检查匹配质量，如平衡性检验等。
  2. 治疗效果评估：对匹配后的数据进行统计分析，如t检验、方差分析等，评估新药的效果。

4. 总结

本文详细介绍了如何在SPSS中实施倾向性评分匹配，包括数据准备、模型建立、匹配过程及结果分析。通过实际案例，展示了PSM在观察性研究中的应用。掌握PSM方法，有助于提高观察性研究的因果推断能力。