SPSS详细操作：1：n倾向性评分匹配（PSM）

SPSS详细操作：1：n倾向性评分匹配（PSM）在上一篇文章中，我们向大家介绍了如何给SPSS安装插件，拓展出1：n倾向性评分匹配的功能。详见：满满干货！给SPSS插上1:n倾向性评分匹配(PSM)的翅膀在今天的内容中，我们就继续给大家介绍一下，如何使用SPSS进行简单的几步操作，就能轻松搞定高大上的1：n倾向性评分匹配。一、问题与数据假设某位心内科医生在门诊连续收集了170名就诊患者，其中冠心病（CHD）患者24名，146名对照，并记录了他们的性别、年龄、BMI、LDL-C等信息，拟探讨LDL-C水平与冠心病的关系（此处不对该研究的设计方法进行评价）。数据格式如下：注意：这里有2点大坑需要大家值得关注：(1)所有的变量名须是英文名称，不要使用中文，否则会导致后面回归模型建模失败；(2)所有变量不能有缺失值，包括拟进行匹配和不进行匹配的全部变量，都不允许出现缺失值。首先该医生对数据进行了初步分析，将病例组和对照组之间的各个因素进行比较，结果发现两组各因素间差异均有统计学显著性。但为了保证两组人群之间各混杂因素能够均衡可比，该医生拟采用1：n倾向性评分匹配的方法来对两组人群进行匹配。表1.倾向性评分匹配前两组间各个因素的比较结果二、SPSSPSMatching拓展功能操作1.选择analyze→PSMatching2.在PropensityScoreMatching对话框中(1)将分组变量CHD选入BinaryTreatmentIndicator中，其中1代表病例组，0代表对照组，且变量类型必须定义为尺度变量。(2)将用于计算倾向性评分的协变量age、BMI、gender选入Covariates，将与处理因素无关的协变量选入AdditionalCovariates。注意：一般根据结局变量与混杂变量构建二分类logistic回归模型，进行逐步回归，将进入模型的变量选入Covariates，剔除的变量选入AdditionalCovariates。(3)设定Caliper值，为0~1之间，该值设置越大，越接近于1，就越容易找到匹配的对象，但结果就越容易出现不平衡；该值设置越小越接近于0，匹配就越严格，但是符合匹配要求的患者就少了，最终导致研究的统计效能降低，很有可能找不到匹配的对象。本例中暂且设置为0.1，也就是说如果一个病例组研究对象患有冠心病的概率为0.8，那么与之匹配的对照组研究对象患有冠心病的概率须在0.7-0.9之间。3.点击PlotandOutput选项在Plots下勾选Histogramofstandardizeddifferences、Dotplotofstandardizedmeandifferences、Lineplotofindividualdifferences，分别绘制SD分布直方图、单变量SD散点图、标准化差异变化线图。在OutputDatasets下勾选Paireddatasetby“matched_id”，在Include下选择Matchedcases，并在BalanceStatistics下选择Detailed–byExactMatchingvariables。4.点击NearestNeighbor选项在MatchRatio下选择Match1:many，并设定匹配数量n，一般n不超过4，否则容易出现过度匹配的现象。本例中以设定1:2为例进行匹配。Matchingorder下拉框选择Random。5.点击OK完成操作。三、结果解读1.样本匹配结果结果显示，SPSS生成了一个新的已完成匹配的数据文件，其中包含病例组21人，对照组39人，我们发现两组人群约为1:2，但并非是绝对的1:2匹配，这是因为有些病例未能同时找到有效匹配的对照人群。2.匹配后的均衡性度量在输出结果“RelativemultivariateimbalanceL1”中，L1measure统计量理论上介于0~1之间，匹配前和匹配后相比，L1measure统计量越小，提示匹配效果越好。在本例研究中，匹配后的L1measure统计量为0.643，远小于匹配前的0.808，提示匹配良好。3.显示匹配后不均衡的变量在输出结果“Summaryofunbalancedcovariates”中，若|d|>0.25，则提示变量存在不均衡性。在本例研究中，结果显示没有变量|d|>0.25，提示匹配后所有匹配的变量都达到了平衡。4.匹配后均衡性比较对于匹配后的协变量均衡性比较应该遵守两个原则：①评价方法应该是针对样本而不是总体

仔细想想，倾向性评分匹配实际上是从一个随机获得的有代表性样本中再“挑”出一部分进行分析，这时候再去通过“挑出来样本”去推断最开始的总体，显然已经不合适啦。②评价指标应该与样本量大小无关

为啥呢？想想看看，我们前面提到的匹配比例可以从1:1设定到1:4（事实上可以任意无限大设置，但是考虑匹配效率，推荐不要超过1:4），如果某个评价指标和样本量有关，那极有可能会遇到不同样本量下完全不一样的比较结果。综上，你脑海里第一反应的t检验或者卡方检验在这里已经不合适了。当然，还有其他常见的可用于协变量均衡性比较的指标，比如说C统计量等，也是存在很多缺点的（想要进一步了解这方面的内容，推荐大家一篇综述[1]）。有小伙伴要问啦，这个方法也不行，那个也不行，到底用啥方法评价均衡性？别急，方法还是有的。在倾向性评分匹配后的均衡性比较中，推荐大家使用标准差异（Standardizeddifference）。一般而言，标准差异绝对值小于10%时，可认为组间均衡性较好。具体计算公式如下：再回到本例中，SPSS在结果中输出了DetailedBalance表格，展示了各个变量匹配前后的均值、标准差和标准差异等信息，结果显示CHD组和对照组的年龄、BMI的标准差异绝对值分别为12.2%和3.7%。由于性别为分类变量，匹配后根据上述公式计算其标准差异绝对值为0.83%。按照上面提到的10%的标准，性别和BMI匹配后在两组中均衡性较好，但是年龄就差点儿，这也说明倾向性评分匹配也不是万能的，如果两组没有足够“重叠的部分”（比如说一个不太恰当的例子，某慢病人群和体检中心健康人群进行匹配，前者年龄一般会比后者大不少，想要保证两组匹配后年龄均衡可比，自然是难度大大的），匹配的结果也不会非常理想。以上仅是举例，重在方法操作。再回过头来，瞅瞅组间LDL-C水平（表2）。结果显示，匹配后的CHD组LDL-C水平高于对照组，组间差异明显缩小了不少，但是获得了一个比较“干净”的效应，提示LDL-C可能是CHD发生的一个危险因素。为了进一步确定LDL-C水平对CHD发生风险的效应大小，可以根据我们前期推送的教程《SPSS实例教程|1:m匹配病例对照Logistic回归》，来进行更加深入的分析和探讨。表2.倾向性评分匹配前后两组LDL-C比较结果5.图形输出结果5.1SD分布直方图若匹配后的标准差异集中在0附近，可以提示匹配达到了较好的效果。5.2标准化差异变化线图和单变量SD散点图这两个图的点值与上述DetailedBalance表格中的值是相对应的，均展示了匹配前后，各个协变量标准差异的变化。标准化差异变化线图显示，匹配后各个协变量标准差异均明显降低，单变量SD散点图显示匹配后标准差异基本集中在0附近，提示变量达到了均衡，匹配效果良好，可以结合DetailedBalance表格进行辅助判断。我们通过两期的内容向大家详细介绍了在SPSS中实现1:n倾向性评分匹配的功能，在学习统计学的道路上又get了一项高大上的新技能，如果大家在实操的过程中还遇到什么问题，欢迎在下方留言讨论哈！参考文献1.JClinEpidemiol.2015;68:112-21.更多阅读1