什么是 倾向得分（Propensity Score）？
倾向得分（Propensity Score）是给定 Treatment 前观测协变量后接受 Treatment 的条件概率 `e(X)=P(A=1|X)`，也称倾向评分，用于设计或分析观察性比较的 Balancing Score。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
依据 Treatment 前因果知识构建 Score
应纳入控制 Measured Confounding 所需变量及有依据的强 Outcome Predictor，并排除 Treatment Consequence。很高的 Treatment-classification AUC 不是目标。Rosenbaum 与 Rubin 的原始论文定义了 Propensity Score、Balancing Property，以及因果调整依赖的 Strong Ignorability 条件。
让变换方式匹配 Estimand
Matching 通常构造接近 Treated Population 的比较人群，并常以 ATT 为目标；ATE Weighting 对 Treated 使用 1/e(X)，对 Control 使用 1/(1-e(X))；Overlap Weighting 强调两组都有合理 Assignment Probability 的 Unit。Trimming、Caliper、Replacement 与 Normalization 都会改变 Target Population 或有限样本行为，必须披露。
评估 Balance 与 Overlap，而不是 Classification Accuracy
Austin 的 Propensity Method 综述强调设计后检查 Balance。应审计 Standardized Difference、Score Distribution、Extreme Weight、Effective Sample Size 与关键切片。良好的 Measured Balance 不能解决 Unmeasured Confounding、错误 Outcome Timing、隐藏 Treatment Version 或 Interference。
主要特点
- 等于给定观测 Baseline Covariate 后的 Treatment Probability
- 真实 Score 条件下可以平衡已测量协变量分布
- 不是 Outcome Probability 或 Treatment-effect Estimate
- 支持 Matching、Stratification、Weighting 与设计诊断
- 因果使用要求 Overlap 与 No-unmeasured-confounding Assumption
- 必须用设计后的 Balance 而非 Predictive AUC 评价
常见用途
- 为 Treated User 匹配可比 Untreated User
- 构造 ATE 或 ATT 的 Inverse-probability Weight
- 观察性 Effect Estimation 前检查 Common Support
- 设计不查看 Outcome 的观察性比较
- 诊断仍然不平衡的 Covariate Slice
示例
Loading code...常见问题
Propensity Score 预测的是什么？
它根据观测到的 Treatment 前协变量预测 Treatment Assignment，不预测 Outcome、Treatment Benefit 或 Success Probability；后面这些量需要 Outcome Data 或 Causal Estimand。
Propensity Score 与 IPS 有什么区别？
Propensity Score 是条件 Treatment Probability；Inverse Propensity Scoring 或 Weighting 按声明的 Estimand 把该概率转换为权重。得分也可以支持 Matching 或 Stratification，而不一定使用逆权重。
Propensity Score Model 应该追求最高 AUC 吗？
不应该。它的设计目标是让 Matched 或 Weighted Sample 达到 Covariate Balance。过强的 Treatment Discrimination 反而可能表示 Overlap 很弱并产生 Extreme Weight；应在应用设计后检查 Standardized Difference 与 Support。
Propensity Score Matching 能消除所有 Confounding 吗？
不能。它只能平衡由合适 Score 表达的观测协变量，无法平衡未测量 Common Cause、修复 Measurement Error、校正 Treatment 或 Outcome Timing，也不能在不存在 Support 时创造可比 Control。
Propensity Score Analysis 应报告哪些信息？
应报告 Causal Estimand、Treatment 与 Time Zero、Covariate 选择依据、Score Model、Overlap、Matching 或 Weighting Rule、Trimming 与 Normalization、设计前后 Balance、保留人群、Effective Sample Size、不确定性方法和隐藏混杂敏感性。