SPSS操作：輕松實現(xiàn)1：1傾向性評分匹配（PSM）

SPSS操作：輕松實現(xiàn)1：1傾向性評分匹配（PSM）談起臨床研究，如何設立一個靠譜的對照，有時候成為整個研究成敗的關(guān)鍵。對照設立的一個非常重要的原則就是可比性，簡單說就是對照組除了研究因素外，其他的因素應該盡可能和試驗組保持一致，這里就不得不提隨機對照試驗。眾所周知，隨機對照試驗中研究對象是否接受干預是隨機的，這就保證了組間其他混雜因素均衡可比。但是有些時候并不能實現(xiàn)隨機化，比如說觀察性研究。這時候傾向性評分匹配(propensityscorematching,PSM)可以有效降低混雜偏倚，并且在整個研究設計階段，得到類似隨機對照研究的效果。與常規(guī)匹配相比，傾向性評分匹配能考慮更多匹配因素，提高研究效率。這么“高大上”的傾向性評分匹配，是不是超級難學？錯矣！今天就帶大家輕松搞定1:1傾向性評分匹配。作為“稀罕”大招，并不是在所有版本的SPSS都可以實現(xiàn)傾向性評分匹配，僅在SPSS22及以上自帶簡易版PSM，對于其他版本或者想要體驗完整版功能，就不得不去安裝相應的軟件（R軟件、SPSSR插件、PSmatching插件。。。超級難安裝！那是需要運氣和耐心的?。?。本次使用SPSS22為大家演示1:1傾向性評分匹配。一、問題與數(shù)據(jù)展開剩余89%某研究小白想搞明白吸煙和高血壓之間的關(guān)系，準備利用某項調(diào)查的資料進一步隨訪研究吸煙和高血壓的關(guān)聯(lián)，該項研究包括233名吸煙者，949名不吸煙者。如果全部隨訪，研究小白感覺鴨梨山大，所以打算從中選取部分可比的個體進行隨訪。這兩組人群一些主要特征的分布存在顯著差異（見表1），現(xiàn)準備采用PS最鄰近匹配法選取可比的個體作為隨訪對象。表1.兩組基線情況比較（匹配前）二、SPSS分析方法1.數(shù)據(jù)錄入(1)變量視圖(2)數(shù)據(jù)視圖2.傾向性評分匹配選擇Data→PropensityScoreMatching，就進入傾向性評分匹配的主對話框。將分組變量Smoke放入GroupIndicator中（一般處理組賦值為“1”，對照組賦值為“0”）；將需要匹配的變量放入Predictors中；NameforPropensityVariable為傾向性評分設定一個變量名PS；MatchTolerance用來設置傾向性評分匹配標準（學名“卡鉗值”），這里設定為0.02，即吸煙組和不吸煙組按照傾向性評分±0.02進行1：1匹配（當然，卡鉗值設置的越小，吸煙組和不吸煙組匹配后可比性越好，但是凡事有個度，太小的卡鉗值也意味著匹配難度會加大，成功匹配的對子數(shù)會減少，需要綜合考慮~~~）；CaseID確定觀測對象的ID；MatchIDVariableName設定一個變量，用來明確對照組中匹配成功的Match_ID；OutputDatasetName這里把匹配的觀測對象單獨輸出一個數(shù)據(jù)集Match。3.Options設置VariableforNumberofEligibleCases設定一個變量，用來明確病例組中某一個觀測對象，在對照組中有多少個觀測對象滿足與其匹配的條件，比如說病例組有一個觀測對象PS=0.611，對照組可能有一個0.610，一個0.612。Sampling默認為不放回抽樣。Giveprioritytoexactmatches優(yōu)先考慮精確匹配，也就說病例組有一個觀測對象PS=0.611，對照組也應該找到一個0.611。Maximizeexecutionperformance執(zhí)行最優(yōu)化操作，即系統(tǒng)會綜合考慮精確匹配和模糊匹配（基于設定的卡鉗值范圍內(nèi)匹配），系統(tǒng)默認勾選。Randomizecaseorderwhendrawingmatches整個匹配過程中，如果對照組有多個滿足匹配條件的觀測對象，那么SPSS會默認隨機將其與病例組觀測對象匹配。但是因為SPSS默認每次操作給對照組的隨機數(shù)字不同，所以如果不特殊設定，每次實際匹配成功的對子是不一樣的，也就說這一次對照組A匹配給病例組B，下一次就可能匹配給病例組C。所以需要自行設置，并且在RandomNumberSeed設定一個隨機數(shù)種子，確保匹配過程可以重復。三、結(jié)果解讀1.匹配結(jié)果表2以吸煙（1=吸煙；0=不吸煙）為因變量，以需要調(diào)整的變量為自變量構(gòu)建logistic回歸模型（表2），求出每個研究對象的PS值。表2.logistic回歸模型表3顯示，精確匹配45對，模糊匹配114對，共計匹配成功159對。表3.匹配結(jié)果表4主要是匹配過程。首先是精確匹配（即PS完全一致），匹配33663次，大約1%匹配成功；其次在精確匹配成功的前提下，進行PS的模糊匹配（PS±0.02，即最開始設定的卡鉗值為0.02），匹配33618次，大約3.3%匹配成功。表4.匹配容許誤差2.匹配后數(shù)據(jù)庫輸出的數(shù)據(jù)集Match中出現(xiàn)之前設定的幾個新變量：E_case表示對照組中有幾個符合匹配條件的觀測對象（如圖，吸煙組ID=2，有2個對照組觀測對象符合匹配條件）；PS是基于logistic回歸模型計算出的傾向性評分；match_id表示匹配成功的ID。3.數(shù)據(jù)庫整理A.篩選匹配成功的對子：選擇Data→SelectCases→Ifconditionissatisfied：設定match_id≥1，篩選出匹配成功的對子→Output中輸出新的數(shù)據(jù)集Analysis。B.確定匹配成功標識：match_id為吸煙組和不吸煙組相互匹配成功的ID，這里將不吸煙組match_id變量轉(zhuǎn)換為ID變量，這時候相同的match_id即為匹配成功的對子。具體操作：將Analysis數(shù)據(jù)集中，不吸煙組match_id替換成ID編號：Transform→ComputeVariable→ifsmoke=0,match_id=ID→OKC.選擇Data→Sortcases→按照匹配標識match_id排序（相同的match_id即為匹配成功的對子）→OK→Save（你的鼠標手一定要點保存?。。。﹥A向性評分匹配就搞定了，再來看看匹配情況。表5顯示，原吸煙組233例，最后共有159例匹配成功（這次我們限定PS≤0.02，但可根據(jù)實際情況選擇合適的限定，增加匹配成功數(shù)?。?，各匹配因素在兩組間都均衡可比。表5.兩組基線情況比較（匹配后）四、總結(jié)和拓展PSM一般分為三種類型：1、PS最鄰近匹配：是PSM最基本的方法，即直接從對照中尋找一個或多個與處理組個體PS值相同或相近的個體作為配比對象。本次我們就采用的是這個方法。2、分層PSM：PS最鄰近匹配盡管可以使協(xié)變量總體趨于平衡，但不能保證每個協(xié)變量分布完全一致?？梢愿鶕?jù)某個重要變量（如性別）分層后，分別對每層人群進行PS最鄰近匹配，然后再將配比人群合并，這樣就可以保證該重要變量在組間分布完全一致。3、與馬氏配比結(jié)合的PSM：PSM與馬氏配比結(jié)合后可以增加個別重點變量平衡能力，實現(xiàn)過程比較復