R语言完成1:N倾向性评分匹配PSM

许可|Eric Xu

已于 2022-06-23 12:03:21 修改

阅读量7.7k

点赞数 16

CC 4.0 BY-SA版权

分类专栏：倾向匹配评分文章标签： r语言

于 2022-06-23 12:01:04 首次发布

本文链接：https://blog.youkuaiyun.com/ericxu1995/article/details/125424334

本文介绍了如何在R语言中进行1:N的倾向性评分匹配（PSM），包括数据集导入、预览、处理，以及进行PSM、分析匹配结果、展示倾向评分分布，并最终导出匹配后数据集的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

#安装包

> library(MatchIt)
> install.packages("Tableone")
> library(Tableone)

#数据集整理

#导入数据集

> X2match <- read_sav("Desktop/.../数据/2match.sav")

#预览数据集

> View(X2match)
> names(X2match)
[1] "id"    "sex"   "age"   "smoke" "solid" "size"  "group" "egfr"

#使用数据集

> attach(X2match)

#倾向评分匹配

> m.out<-matchit(group~sex+age+smoke+solid+size,data=X2match,method="nearest",caliper=0.005,ratio=3)

#结果总结

> summary(m.out)

Call:
matchit(formula = group ~ sex + age + smoke + solid + size, data = X2match, 
    method = "nearest", caliper = 0.005, ratio = 3)

Summary of Balance for All Data:
         Means Treated Means Con

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

许可|Eric Xu

关注关注

16
点赞
踩
129

收藏

觉得还不错? 一键收藏
6
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

R语言倾向性匹配得分（PSM）分析

2301_79326510的博客

08-24

1600

完成倾向性得分模型后，我们可以进行倾向性匹配得分分析。通过倾向性匹配得分分析，我们可以根据倾向性得分对观测进行匹配，以确保处理组和对照组在倾向性得分上的分布相似。假设我们有一个数据集，包含了处理组和对照组的观测数据，以及一些倾向性得分的影响变量。在这一步骤中，我们将根据倾向性得分对观测进行匹配，以确保处理组和对照组在倾向性得分上的分布相似。在进行PSM分析之前，需要建立一个倾向性得分模型，用于预测每个观测的倾向性得分。假设我们有一个数据集，其中包含处理组和对照组的观测数据，以及一些影响变量的倾向性得分。

R语言 1:2 1:n 倾向性评分匹配法PSM 一个病例多个对照 MatchIt包

03-16

1万+

MatchIt包进行倾向性评分匹配法(Propensity Score Matching, PSM)主要是1：N匹配。一个病例对应2个对照等。 MatchIt包帮助文档MatchIt.pdf 1：1匹配也可以参考逆概率加权笔记IPTW 结果分析采用条件logistic回归 #加载包 library(tableone) library(MatchIt) #加载数据 data <- read.csv("测试数据.csv") names(data) #多变量因子化 data[,4:18]<-lappl

6 条评论您还未登录，请先登录后发表或查看评论

从0开始学习R语言--Day16--倾向得分匹配

热门推荐

dege857的博客

05-02

2万+

倾向评分匹配（Propensity Score Matching，简称PSM）是一种统计学方法，用于处理观察研究（Observational Study）的数据，在SCI文章中应用非常广泛。在观察研究中，由于种种原因，数据偏差（bias）和混杂变量（confounding variable）较多，倾向评分匹配的方法正是为了减少这些偏差和混杂变量的影响，以便对实验组和对照组进行更合理的比较。为什么需要做倾向评分匹配？我们知道RCT的证据力度高，是因为对患者进行了严格的筛选。我们的回顾性研究都是过去的数据，

代码+视频，手把手教你R语言使用scitb包绘制倾向性评分匹配后的标准化平均差图

dege857的博客

01-03

3797

我们的回顾性研究都是过去的数据，很难像RCT一样进行严格的筛选出两组患者基线相近的基础资料，但我们可以通过倾向评分匹配把回归性的数据进行筛选，把基线资料相近的患者进行匹配，得到近似RCT的效果。绘制倾向性评分匹配后的标准化平均差（Standardized mean difference SMD）可视化图，vars这里填入你所有的基线资料的变量，Unmatchdata这里填入未匹配前的数据，matchdata这里填入匹配后的数据。我们需要先看一下这个数据的基线情况，先要定义全部变量，分类变量，分层变量。

使用R进行倾向得分匹配

aorong2257的博客

08-26

3322

pacman::p_load(knitr, wakefield, MatchIt, tableone, captioner)set.seed(1234)library(wakefield)df.patients <- r_data_frame(n = 250, age(x = 30:78, ...

R语言实现PSM（倾向性评分）（MatchIt包）（1）

weixin_49320263的博客

04-07

7176

R语言实现PSM（倾向性评分）（MatchIt包）

python倾向匹配得分_在SPSS软件中实现1:1倾向性评分匹配(PSM)分析

weixin_39953102的博客

11-29

3152

谈起临床研究，如何设立一个靠谱的对照，有时候成为整个研究成败的关键。对照设立的一个非常重要的原则就是可比性，简单说就是对照组除了研究因素外，其他的因素应该尽可能和试验组保持一致，随机是最理想的策略！通过随机化，让两组间具有更好的可比性。然而，并不是所有这场合都能实现随机，尤其是回顾性研究，事实已经发生了，就很难再进行随机处理了。因此，很多观察性研究，分组间不均衡是最常见的现象。面对分组不均衡，基线...

python倾向匹配得分_临床研究的最后一道防线（四）：倾向性评分匹配PSM在Python的实现...

weixin_39968319的博客

11-29

1414

临床研究的最后一道防线（四）：倾向性评分匹配(propensity score matching, PSM) 在Python的实现No.25介绍了SPSS实现倾向性评分匹配(propensity score matching, PSM)的具体流程，如果用于基本临床试验或者发表论文已经足够，但当进阶进行1:2或者1：N多重有放回匹配时SPSS的劣势就暴露无遗，因此这一讲围绕脚本语言Python实现P...

用R语言实现EXCEL中根据两个列表匹配数据（VLOOKUP）数据问我要

07-27

用R语言实现EXCEL中根据两个列表匹配数据（VLOOKUP），就是根据表A中的数据来匹配表B中的数据，数据问我要，免费，代码附上。

R语言倾向性匹配得分(Propensity score matching)PSM分析实战

statistics+insight+vista+power

03-18

844

R语言倾向性匹配得分(Propensity score matching)PSM分析实战

R实战 | 倾向性评分匹配(PSM)

weixin_45822007的博客

08-01

1万+

PSM「倾向性评分匹配」（propensity score matching，PSM）是一种用来评估处置效应的统计方法。广义说来，它将样本根据其特性分类，而不同类样本间的差异就可以看作处置效应的无偏估计。PSM主要是在随机对照试验（Randomized controlled trials，RCT）中用于衡量treat组和control组样本的其他各项特征（如年龄、体重、身...

STATA PSM倾向性评分匹配法 1:1

08-06

1万+

// // 以下两步对所有观测值进行随机排序 gen temp=runiform() sort temp //计算倾向评分并为处理组找到相应的对照。psmatch2 因变量协变量。除吸烟外，匹配其他变量达到均衡，目的是为探讨吸烟与q101的关系。out(q101)指明结局变量。neighbor是指处理组匹配的对照的个数，1:1配比法，因而在此选1。caliper是本例所用的卡钳值。noreplacement是指不重复利用对照。 // 年龄和bmi 连续 psmatch2...

倾向得分匹配的stata命令_R语言系列1：倾向得分匹配

weixin_39995108的博客

11-20

2505

1 PSM简介倾向评分匹配(Propensity Score Matching，简称PSM)是一种统计学方法，用于处理观察研究(Observational Study)的数据。在观察研究中，由于种种原因，数据偏差(bias)和混杂变量(confounding variable)较多，倾向评分匹配的方法正是为了减少这些偏差和混杂变量的影响，以便对实验组和对照组进行更合理的比较。这种方法最早由Paul...

R语言倾向性匹配得分PSM分析实战

CyberFlare的博客

08-11

1375

R语言倾向性匹配得分PSM分析实战PSM（Propensity Score Matching，倾向性匹配）是一种常用的因果推断方法，在社会科学研究和医学研究等领域被广泛应用。本文将介绍如何使用R语言进行倾向性匹配得分PSM分析，并提供相应的源代码。首先，我们需要明确倾向性匹配PSM的目的。PSM的目标是通过匹配处理组和对照组中个体的倾向得分，使得两组个体在处理变量上更加接近，从而减少处理组和对照组之间的选择偏差，获得更准确的因果效应估计。

使用R进行倾向得分匹配（PSM）

zhenglit的博客

03-02

1万+

【译文】使用R进行倾向得分匹配（PSM）作者 Norbert Köhler 译者钱亦欣根据维基百科，倾向得分匹配（PSM）是一种用来评估处置效应的统计方法。广义说来，它将样本根据其特性分类，而不同类样本间的差异就可以看作处置效应的无偏估计。因此，PSM不仅仅是随机试验的一种替代方法，它也是流行病研究中进行样本比较的重要方法之一。让我们举个栗子：与健康相关的生活质量（HRQOL）被认为是癌症治疗的重要结果之一。对癌症患者而言，最常用的HRQOL测度是通过欧洲癌症研究与治疗中心的调查问卷计算得出

R语言临床预测模型：分层构建COX生存回归模型STRATIFIED COX MODEL、KM生存曲线、PH假设检验...

拓端研究室TRL

04-03

1957

全文链接：http://tecdat.cn/?p=32046stratified cox model是针对协变量不满足PHA提出的，这里的思想是对协变量分层（点击文末“阅读原文”获取完整代码数据）。相关视频协变量的效果在一个层(部分)里是一样的，即层内没有interaction，效果是常数，这就是Non-interaction assumption。对于”no interaction“的model...

倾向性匹配得分r语言

03-31

<think>好的，我现在需要回答用户关于在R语言中实现倾向性匹配得分（Propensity Score Matching）的问题。首先，用户提到了引用[1]和[2]，其中引用[2]涉及归一化概率和逻辑回归模型，这可能与倾向性得分的计算有关。倾向性得分通常通过逻辑回归来估计，所以这部分可能需要参考。用户需要的是教程或相关的R包。我记得R中有几个常用的包用于倾向性匹配，比如MatchIt、PSMatching、cobalt等。首先，我应该确认这些包是否仍然流行，或者有没有新的包被广泛使用。例如，MatchIt是一个常用的包，它支持多种匹配方法，包括最近邻匹配、卡尺匹配等。此外，twang也是一个可能的包，但可能更侧重于加权。接下来，我应该考虑用户可能的步骤：安装包、加载数据、估计倾向性得分、进行匹配、评估平衡性等。需要确保每个步骤都有对应的R代码示例，并且解释清楚。例如，使用glm函数进行逻辑回归来估计倾向性得分，然后使用MatchIt进行匹配。另外，用户可能关心如何验证匹配后的平衡性，这时候cobalt包可以用来评估协变量的平衡情况，生成图表。需要提到这一点，并给出示例代码。还需要注意倾向性得分分析的基本假设，如可忽略性和重叠性，这些可能需要检验，比如通过绘制倾向性得分的分布图或计算标准均数差（SMD）。可能的问题是如何处理匹配后的分析，比如使用匹配后的数据进行效果估计，可能需要使用加权回归或其他方法。但用户的问题主要集中在匹配的实现，所以可能不需要深入分析阶段。需要检查是否有遗漏的重要包或方法，比如最近发展的方法或更新的包。例如，MatchIt的更新版本是否支持更多功能，或者是否有其他包如optmatch用于最优匹配。最后，确保代码示例正确，语法无误，比如正确使用MatchIt的语法，formula的格式，method参数的选择等。同时，提醒用户注意数据预处理，比如处理缺失值、变量选择等，但用户可能已经了解这些，所以不需要太多细节，除非必要。总结步骤： 1. 安装并加载必要的包（MatchIt, cobalt） 2. 准备数据，定义处理变量和协变量 3. 估计倾向性得分（使用glm或匹配包内置函数） 4. 进行匹配（最近邻、卡尺等） 5. 评估匹配质量（平衡性检查） 6. 后续分析（如效应估计）确保每个步骤都有对应的代码示例，并解释关键参数。例如，在MatchIt中，ratio参数控制匹配的比例，method选择匹配方法。可能还需要提到如何导出匹配后的数据集进行分析。此外，引用相关文献，如Rosenbaum和Rubin的原始论文，或者MatchIt包的文档作为参考，但用户提供的引用可能需要被适当引用，但用户提供的引用[1]和[2]似乎与Stata和逻辑回归的基础有关，可能需要在回答中合理引用，比如在讨论倾向性得分模型时提到逻辑回归的归一化部分，引用[2]。最后，生成相关问题，如如何选择协变量、如何处理非重叠倾向性得分、如何解释匹配后的结果等。</think>在R语言中实现倾向性匹配得分（Propensity Score Matching）可通过以下步骤完成： --- ### **1. 安装与加载包** 常用包包括`MatchIt`（核心匹配工具）和`cobalt`（平衡性评估）： ```r install.packages("MatchIt") install.packages("cobalt") library(MatchIt) library(cobalt) ``` --- ### **2. 数据准备** 假设数据框`df`包含处理变量`treatment`（二分类）和协变量`X1, X2, X3`： ```r # 示例数据结构 df <- data.frame( treatment = c(1, 0, 1, 0, 1), X1 = rnorm(5), X2 = rnorm(5), X3 = rnorm(5) ) ``` --- ### **3. 估计倾向性得分** 使用逻辑回归模型计算倾向性得分： ```r ps_model <- glm( treatment ~ X1 + X2 + X3, family = binomial(), data = df ) df$propensity_score <- predict(ps_model, type = "response") ``` 倾向性得分反映个体接受处理的概率[^2]。 --- ### **4. 执行匹配** 以**最近邻匹配**为例（1:1无放回）： ```r matched_data <- matchit( treatment ~ X1 + X2 + X3, method = "nearest", distance = "glm", # 自动使用逻辑回归 data = df, ratio = 1 # 匹配比例 ) summary(matched_data) ``` 其他方法如`method = "optimal"`（最优匹配）或`method = "full"`（全局匹配）可选。 --- ### **5. 评估平衡性** 使用`cobalt`包检查协变量标准化均数差（SMD）： ```r bal.tab(matched_data, stats = c("mean.diffs", "ks.statistics")) love.plot(matched_data, threshold = 0.1) # 可视化平衡性 ``` 若SMD < 0.1，通常认为平衡性良好[^1]。 --- ### **6. 导出匹配后数据** 提取匹配样本用于后续分析： ```r matched_df <- match.data(matched_data) ``` --- ### **完整示例代码** ```r # 安装包（若未安装） # install.packages(c("MatchIt", "cobalt")) # 加载包与数据 library(MatchIt) data("lalonde") # 示例数据集 # 倾向性匹配 matched <- matchit( treat ~ age + educ + race + married + re74, data = lalonde, method = "nearest", ratio = 1 ) # 平衡性检查 library(cobalt) bal.tab(matched) love.plot(matched, threshold = 0.1) # 导出数据 matched_data <- match.data(matched) ``` --- ### **注意事项** - **协变量选择**：需涵盖所有影响处理和结果的变量。 - **重叠假设**：检查倾向性得分分布是否重叠，可通过密度图观察。 - **敏感性分析**：检验结果对未观测变量的稳健性。 ---