- 发布
- 更新
使用倾向评分方法，不保证每个人都有可比对象或充分的比较信息。重要特征缺乏重叠，可能改变估计效应能够有意义地描述哪些人。
明确问题与假设
先明确目标人群和预期效应。同时检查评分分布、协变量均衡和权重。极端权重或无法匹配的人，不只是技术上的不便：它们可能提示某些区域的数据无法支持比较。应根据科学目的和所得人群，论证排除或修剪规则。
假设性研究示例
在一个假设数据集中，病情严重的人几乎总是接受某种干预。匹配后，他们中的大多数未能纳入分析。团队不会把保留样本中的结果推广至全部原始人群，而是报告目标人群的变化，以及哪些特征人群缺乏充分代表。
设计审查核查要点
- 分别展示两组的评分分布及不重叠区域。
- 检查较大权重，以及对所得估计值影响力的集中程度。
- 描述匹配、修剪或其他选择步骤后目标人群的变化。
记录决策及其局限
经认可的报告应在方法名称之外，提供均衡和重叠证据。已测协变量均衡，不证明未测量混杂因素也均衡。不得在看到规则产生什么结果后才选择分析规则。应将剩余数据支持、预期效应和可推广性，与估计值的数值不确定性一并讨论。
常见问题
- 良好的评分模型能证明因果分析良好吗？
- 仅凭这一点不能。重叠、测量和混杂假设同样重要。
- 未匹配者不重要吗？
- 不是。排除他们可能改变推断适用的人群。