### Python 中倾向匹配得分 (PSM) 的实现与使用 #### 1. 安装必要的依赖库 为了在 Python 中实现 PSM，需要安装一些常用的科学计算和机器学习库。这些库包括 `numpy`、`scipy`、`pandas` 和 `scikit-learn`。此外，还需要特定的 PSM 数据包 `ctmatching` 或其他类似的工具。 可以通过以下命令来安装所需的库： ```bash pip install numpy scipy pandas scikit-learn patsy ``` 对于 `ctmatching` 工具包，可以下载其源码并手动安装[^1]。 --- #### 2. 准备数据集 PSM 方法的核心在于通过逻辑回归模型估计每个样本的倾向得分（即接受治疗的概率）。因此，在实际操作之前，需准备好实验组（treatment group）和对照组（control group）的数据集。 假设我们有一个名为 `re78` 的数据文件，其中包含如下字段： - **treat**: 是否接受治疗（二分类变量） - **age**, **educ**, **race**, **married**, **nodegree**, **re74**, **re75**: 协变量 加载数据的方式如下所示： ```python import pandas as pd # 加载数据 data = pd.read_csv('re78.csv') # 查看数据结构 print(data.head()) ``` --- #### 3. 构建逻辑回归模型 PSM 的第一步是构建一个逻辑回归模型，用于预测每个样本属于实验组的概率。这一步骤通常基于协变量进行拟合。 以下是具体的代码实现： ```python from sklearn.linear_model import LogisticRegression import statsmodels.api as sm # 提取特征列和目标列 X_fields = ['age', 'educ', 'black', 'hispan', 'white', 'married', 'nodegree', 're74', 're75'] Y_field = ['treat'] # 创建设计矩阵 formula = '{} ~ {}'.format('+'.join(Y_field), '+'.join(X_fields)) model_matrix = sm.families.links.logit().inverse(sm.add_constant(data[X_fields])) logistic_model = sm.Logit(data[Y_field[0]], model_matrix) # 训练逻辑回归模型 result = logistic_model.fit() print(result.summary()) # 预测倾向得分 data['pscore'] = result.predict(model_matrix) ``` 在这里，`sm.Logit()` 是用来训练逻辑回归模型的关键函数[^4]。 --- #### 4. 进行匹配 一旦得到了每个样本的倾向得分，就可以利用不同的匹配策略来进行配对分析。常见的匹配方法有最近邻匹配 (`nearest`)、卡尺匹配 (`caliper`) 等。 下面是一个简单的例子，展示如何使用 `MatchIt` 类似的功能完成匹配过程： ```python def match_treated_to_control(treated_data, control_data, ratio=1): from sklearn.neighbors import NearestNeighbors treated_scores = treated_data['pscore'].values.reshape(-1, 1) control_scores = control_data['pscore'].values.reshape(-1, 1) nn = NearestNeighbors(n_neighbors=ratio, algorithm='ball_tree').fit(control_scores) distances, indices = nn.kneighbors(treated_scores) matched_controls = [] for i in range(len(indices)): for j in indices[i]: matched_controls.append(control_data.iloc[j]) return pd.DataFrame(matched_controls) # 将数据分为实验组和对照组 treated_sample = data[data['treat'] == 1] control_sample = data[data['treat'] == 0] matched_controls = match_treated_to_control(treated_sample, control_sample, ratio=1) final_matched_data = treated_sample.merge(matched_controls, how='left', on=None, suffixes=('_treated', '_control')) ``` 此部分实现了最基础的最近邻匹配法[^3]。 --- #### 5. 结果评估 最后，可以对比匹配后的两组数据是否存在显著差异。如果成功消除了混杂因素的影响，则说明 PSM 方法有效。 一种常用的技术是比较匹配前后协变量分布的变化情况： ```python import matplotlib.pyplot as plt for var in X_fields: fig, ax = plt.subplots(1, 2, figsize=(10, 5)) ax[0].hist(final_matched_data[f'{var}_treated'], bins=30, alpha=0.5, label='Treated') ax[0].hist(final_matched_data[f'{var}_control'], bins=30, alpha=0.5, label='Control') ax[0].set_title(f'After Matching ({var})') ax[0].legend() ax[1].hist(data[var][data['treat']==1], bins=30, alpha=0.5, label='Treated') ax[1].hist(data[var][data['treat']==0], bins=30, alpha=0.5, label='Control') ax[1].set_title(f'Before Matching ({var})') ax[1].legend() plt.tight_layout() plt.show() ``` --- ### 总结 以上展示了如何在 Python 中实现 PSM 方法的主要步骤，涵盖了从环境搭建到最终结果验证的过程。每一步都严格遵循学术标准和技术规范[^2]。