倾向得分匹配 (PSM) 项目简介

什么是倾向得分匹配？

倾向得分匹配（Propensity Score Matching, PSM）是一种统计学方法，主要用于观察性研究（非随机对照试验）中，以减少选择偏差（Selection Bias）和混杂因素（Confounders）的影响。其核心思想是为每一个“处理组”个体，在“对照组”中寻找一个或多个在背景特征（协变量）上非常相似的个体进行配对，从而模拟随机实验的环境。

本项目功能

本代码库提供了一个基于 Python (pandas, scikit-learn) 的轻量级 PSM 实现，主要包含以下功能：

1. 倾向得分计算：使用逻辑回归（Logistic Regression）模型，根据输入的协变量（如年龄、收入、健康状况等）预测个体进入处理组的概率（即倾向得分）。
2. 最近邻匹配：基于计算出的倾向得分，采用最近邻算法（Nearest Neighbors）为处理组样本寻找得分最接近的对照组样本。
3. 卡钳限制 (Caliper)：支持设置卡钳值（默认 0.05），若对照组与处理组的得分差异超过此阈值，则放弃匹配，以保证匹配质量。
4. 平衡性检验输出：自动计算并打印匹配前后协变量的均值差异，用于评估匹配效果。

适用场景

• 医疗效果评估（如：某种药物对康复率的影响）
• 政策效应分析（如：参加培训项目对收入的影响）
• 市场营销归因（如：看到广告对用户购买行为的影响）

依赖库

• pandas
• numpy
• scikit-learn

使用方法

直接运行 python main.py 即可使用内置的模拟数据进行演示，或将代码集成到您的数据分析流程中，替换为真实数据集。

结果展示说明

本部分描述运行 main.py 后的控制台输出及文件生成情况。

1. 输入操作

用户在终端或命令行中输入以下命令：

python main.py

• (注：代码内部已内置了模拟数据生成逻辑，无需额外提供 CSV 文件即可直接运行演示)*

2. 预期文本输出

程序运行成功后，终端将依次输出以下内容：

A. 原始数据统计

显示原始数据的行数以及处理组（Treatment Group）在总样本中的占比。

示例输出片段：
原始数据形状：(1000, 4)
处理组比例：0.38 (具体数值随随机种子微调)

B. 匹配后数据统计

显示经过 PSM 匹配并剔除未匹配成功样本后的数据形状，以及最终保留的处理组和对照组样本数量（理论上两者数量应相等或接近 1:1）。

示例输出片段：
匹配后数据形状：(720, ...)
匹配后处理组数量：360
匹配后对照组数量：360

C. 平衡性检验报告

这是最关键的部分。程序会遍历所有协变量（age, income, health_score），分别列出匹配后处理组和对照组的均值，并计算两者的差值。成功的匹配应使这些差值趋近于 0。

示例输出片段：
--- 平衡性检验 (均值) ---
age: 处理组=51.20, 对照组=51.15, 差异=0.0500
income: 处理组=49800.50, 对照组=49750.20, 差异=50.3000
health_score: 处理组=69.80, 对照组=69.85, 差异=-0.0500

D. 完成提示

提示结果文件已保存。

示例输出片段：
结果已保存至 psm_matched_result.csv

3. 生成的文件

运行结束后，当前目录下将生成一个名为 psm_matched_result.csv 的文件。

• 文件内容描述：

该 CSV 文件包含匹配成功的样本数据。每一行代表一个被匹配的个体（包括来自原始处理组和对照组的个体）。

- 包含原始协变量列（age, income, health_score）。
- 包含 `treatment` 列（1 表示处理组，0 表示对照组）。
- 包含 `propensity_score` 列（计算出的倾向得分）。
- 包含 `group` 列（标记为 'treated' 或 'control'，用于区分匹配对中的角色）。
- 对于处理组样本，还包含 `matched_index`（指向对应对照组的索引）和 `match_distance`（得分距离）。

此文件可直接用于后续的因果效应估算（如计算平均处理效应 ATT）。