倾向评分（Propensity Score）是一种用于因果推断的统计方法。它把“是否接受处理”看作一个由多种协变量共同影响的过程：在观察性研究中，处理组与对照组往往因为先天差异而不可避免地不同。倾向评分通过为每个个体估计其接受处理的概率，并借助该概率在统计上制造“可比性”，从而使比较更接近随机对照实验的逻辑。其适用场景通常包括医疗效果评估、政策评估、福利项目效应分析等。
从思想上看，倾向评分试图在“可观测协变量”的维度上平衡组间差异。由于它并不能自动处理不可观测混杂，因此因果结论依赖于诊断结果与关键假设的成立程度。实践中，研究者常把倾向评分估计、使用策略（匹配/加权/分层等）以及平衡诊断、重叠性检查、敏感性分析等流程合并为一套工作流。
1 倾向评分的基本概念
1.1 处理效应与因果推断的动机
因果推断关注的是：在同一个个体层面，如果其接受处理与不接受处理会产生怎样不同的结果。由于现实中每个个体只能观察到“接受处理或不接受处理”其中之一，无法直接同时观测两种结果，因此需要借助统计方法去构造一个“接近于对照”的比较框架。
观察性数据的关键困难在于选择偏差：处理往往并非随机分配，而是与个体特征相关。若直接对处理组与对照组的结果进行简单比较，差异可能来自协变量，也可能来自处理本身。倾向评分的动机正是通过平衡协变量，让组间差异更像随机分配，从而减轻偏差来源。
1.2 处理分配机制与选择偏差
处理分配机制指的是“处理是否发生”的真实生成过程。在理想情形下，处理分配与协变量无关（类似随机试验）。但在非随机场景中，处理可能更可能发生在特定类型的人群身上，例如健康状况更好者更易接受某治疗、资源更多者更可能获得某政策扶持。这种机制导致处理组与对照组在协变量上存在系统差异，进而影响结果比较。
选择偏差的核心表现是：即便结果变量不同，研究者也无法将差异完全归因于处理。倾向评分通过把处理概率纳入比较策略，试图把可观测协变量差异“消化”到统一框架中。
1.3 倾向评分的定义与记号
设处理变量为 \(T\)，通常取0/1表示不接受/接受处理；协变量向量为 \(X\)；个体的倾向评分定义为在给定协变量条件下接受处理的条件概率： \[ e(X)=P(T=1\mid X). \] 该分数可以被理解为：在“同样的协变量配置”下，某个体接受处理的可能性有多大。
在统计建模中，研究者会用数据估计 \(e(X)\)（即倾向评分的样本版估计值）。随后，该分数会用于匹配、加权、分层或回归调整等操作，使比较尽量在相近的概率区域内进行。
1.4 常见关键假设（可观测性与平衡性）
倾向评分用于因果解释时，通常需要满足若干关键假设。
- 可观测性/条件独立性（常称忽略可观测混杂）：在给定协变量 \(X\) 的情况下，处理分配与潜在结果独立。直观含义是：所有影响处理与结果的相关因素都已被纳入 \(X\) 并可观测。
- 重叠性/共同支持（overlap/common support）：对每种协变量配置，都存在同时处于处理与对照的可能性；倾向评分不能过度极端，否则难以找到可比样本。
- 平衡性（由倾向评分带来的平衡）：在理论上，在给定倾向评分 \(e(X)\) 时，协变量分布在处理组与对照组之间应当一致。实践中通过平衡诊断来检验这一点，而非只依赖理论。
这些假设在现实中通常很难被“严格证明”，因此诊断、稳健性与敏感性分析成为不可或缺的组成部分。
2 倾向评分的估计方法
2.1 参数化模型（如逻辑回归）
最常见的做法是用参数化模型估计倾向评分。例如，逻辑回归以协变量 \(X\) 为输入，输出处理概率。其优势在于可解释性较强，建模与实现相对直接；同时在样本量适中、协变量关系相对稳定时表现良好。
参数化模型也有局限：如果协变量与处理概率之间的真实关系高度非线性或存在复杂交互，简单线性结构可能导致倾向评分估计不足，进而影响后续匹配或加权效果。
2.2 半参数与非参数方法
为应对非线性关系，研究者也会使用半参数或非参数方法。常见思路包括在模型中允许更灵活的函数形式，或通过平滑与局部拟合逼近条件概率。这类方法通常比纯参数模型更能贴合数据结构，降低模型误设的风险，但也可能引入更复杂的调参需求与潜在过拟合问题。
2.3 机器学习用于倾向评分估计
机器学习方法可以把倾向评分估计视作一个监督学习任务：输入 \(X\)，输出处理概率 \(e(X)\)。常见选择包括集成方法、树模型、支持向量机或其他非线性模型。其目标是更准确地刻画处理分配机制，从而提高平衡性与可比性。
在实践上，机器学习用于倾向评分时通常仍需注意两点：一是避免在倾向评分估计阶段造成过拟合导致后续权重异常；二是要确保最终用于平衡诊断的倾向评分估计是可靠的（例如通过交叉验证或外部样本预测等策略）。
4 模型选择与特征工程
模型选择并不等同于追求最低训练误差，而是关注对因果使用目标的兼容性。特征工程通常包括：
- 变量筛选：选择与处理分配有关的协变量，避免引入大量与处理几乎无关的噪声变量。
- 非线性处理：对连续变量进行分段、样条或变换以捕捉曲线关系。
- 交互项：当协变量对处理概率的影响可能具有组合效应时，适当加入交互结构。
- 缺失值策略：采用合理的缺失处理方法，避免把缺失模式变成隐含的偏差来源。
倾向评分建模的核心并不是为了预测结果，而是为了提供足够质量的“平衡工具”。因此，特征与模型的选择往往围绕平衡诊断与重叠性检查展开。
2.5 交叉验证与超参数调优（避免过拟合）
当使用机器学习或复杂非参数方法时，超参数调优与交叉验证非常关键。过拟合会带来一个常见后果：倾向评分被估得过于“尖锐”，把某些样本的概率推到极端值（接近0或1）。这会直接影响匹配质量或加权稳定性，甚至导致无法找到有效对照。
因此，实践中常使用交叉验证来选择超参数，并尽量保持对倾向评分估计的泛化能力。另一个常见策略是使用样本外预测（例如交叉拟合得到的预测分数）以减少偏差累积。
3 倾向评分的使用策略
3.1 倾向评分匹配（Matching）
匹配方法通过在对照组中寻找与处理组“相似”的个体进行比较。相似性通常基于倾向评分：若两组个体拥有接近的 \(e(X)\)，则它们在可观测协变量上的分布更可能相近。
匹配的直观优点是实现简单、解释直观；缺点是可能丢失样本或降低有效样本量，尤其当重叠性不足时。
3.1.1 最近邻匹配与阈值（caliper）
最近邻匹配选择倾向评分最接近的对照个体。为了避免匹配到“勉强相似”的样本，常引入卡尺（caliper）：规定允许的最大距离，例如只匹配倾向评分差距小于某阈值的对照对象。阈值过松会保留更多样本但牺牲质量；阈值过严会提高可比性但可能造成样本数量减少。
3.1.2 卡尺/距离度量与匹配质量
距离度量不仅可以基于倾向评分本身，也可通过变换后的度量或其他相似性指标实现。匹配质量主要体现在平衡诊断指标上：匹配后协变量差异是否明显缩小，以及处理组与对照组是否在共同支持区域内进行比较。
若匹配质量不佳，常见原因包括：倾向评分模型不充分、卡尺设置不合理或重叠性不足。
3.2 倾向评分加权（Weighting）
加权通过给不同个体赋予权重，使加权后的“伪总体”中处理组与对照组的协变量分布更接近。相比匹配，加权通常不会直接丢弃样本，但可能因极端权重引入方差膨胀。
3.2.1 逆概率加权（IPW）
逆概率加权基于倾向评分的反向概率构造权重。直观上，低概率接受处理的样本权重大，低概率不接受处理的样本也同理，从而在加权意义上恢复一个更接近随机分配的对比框架。
IPW的关键挑战在于：若倾向评分接近0或1，权重会急剧变大，引发估计不稳定。因此需要配套的权重修正或截断策略。
3.2 稳健/截断权重与极端权重处理
实践中常通过以下方式控制极端权重问题：
- 权重截断（trimming）：对过大的权重或过极端的倾向评分区域进行剔除。
- winsorization：将极端权重替换为某些上界/下界附近的值。
- 稳健变体：采用更稳定的权重构造，减少对倾向评分极值的敏感性。
这些操作的目的并不在于“美化结果”，而在于提高估计的数值稳定性，同时保持合理的因果解释前提。
3.3 分层与分组（Stratification）
分层/分组把样本按倾向评分区间划分为若干层（例如分位数分组）。在每一层内，处理概率相近，从而比较更接近平衡条件。最终估计通常基于各层内的比较汇总。
3.3.1 分位数分组的直观逻辑
分位数分组常见做法是把倾向评分按分位点分成若干组，使每组内部倾向评分范围相对窄。例如将样本分成五组或十组。这样可以确保每一组里处理与对照的概率重叠程度较好。
3.3.2 组内比较与方差影响
分层的统计效率与组数有关：组数太少可能造成层内异质性较大；组数太多则每层样本量减少，方差上升。通常需要在平衡性与精度之间折中，并通过诊断指标评估分层是否真的改善了协变量平衡。
3.4 回归调整与双重稳健思路
除了纯匹配或纯加权，有时会结合回归调整：在使用倾向评分策略的基础上，再用结果模型进一步校正残余不平衡。
3.4.1 在PS上再回归的常见做法
一种常见做法是在控制倾向评分或其函数（如分层指标、样条项）的同时建立结果回归模型。该做法可以吸收在匹配或分组中未完全消除的差异，并提高估计的稳健性。其前提是模型形式合理，且关键诊断显示仍存在可比性。
3.4.2 与DR/RA框架的关系（概览层面）
“双重稳健（DR）”或“稳健增强（RA）”等框架强调一种组合逻辑：既建模处理机制（倾向评分），又建模结果机制（结果回归），并在一定条件下同时降低对任一模型误设的敏感性。概览意义上，这类方法把“倾向评分的平衡作用”和“结果模型的解释能力”结合起来，属于现代因果推断中常见的扩展方向。
4 倾向评分的诊断与质量评估
4.1 协变量平衡检验（Balance diagnostics）
倾向评分方法是否有效，关键看平衡是否改善。平衡检验通常比较处理组与对照组在协变量上的差异是否缩小，并评估差异是否达到预设阈值或统计上明显减少。
常见做法包括比较标准化差异、协变量分布图、以及对匹配或加权后协变量的再评估。诊断是方法可信度的来源，而不仅是形式化步骤。
4.2 标准化差异与图形诊断
标准化差异是一类常用的量化指标，便于跨变量比较并用于判断差异大小。图形诊断常包括：
- 爱慕图（love plot）：展示各协变量的平衡改善情况；
- 倾向评分或协变量分布图：观察处理与对照在加权/匹配后是否重叠。
图形与数值指标相互补充，帮助识别哪些变量仍然存在系统差异。
4.3 重叠性（Overlap）与共同支持（Common support）
重叠性指处理组与对照组在倾向评分空间中的分布是否相互覆盖。若某些样本的倾向评分极端，使得另一组几乎没有对应的可比个体，那么匹配或加权将主要依赖少量“近似”样本，导致不稳定甚至偏差。
共同支持检查通常与样本剔除或权重截断相配套。对重叠性不足的区域，研究者往往需要明确估计目标（例如仅对共同支持区域的效应进行解释）。
4.4 处理组与对照组的倾向评分分布检查
除总体重叠性以外，也应检查处理与对照组在倾向评分分布上的重叠程度。该检查能帮助识别估计是否会受到极端区域的驱动，例如某些处理组个体倾向评分接近1而对照组几乎没有相应概率。
分布图通常能快速提示是否需要调整倾向评分模型、修改分组方式或采用更严格的匹配卡尺。
4.5 敏感性分析与稳健性报告
即便在平衡诊断上表现良好，因果解释仍可能受不可观测混杂影响。敏感性分析用于评估在不同假设强度下结论是否仍保持稳定，从而检验结果对潜在违反条件的脆弱性。
稳健性报告通常包含：不同倾向评分规格（模型形式、特征集）、不同使用策略（匹配与加权）、以及不同诊断阈值下的结果一致性。其价值在于让读者理解结论并非来自单一脆弱设置。
5 实务流程与常见坑
5.1 从数据准备到协变量选择
实务流程通常从数据清理与变量定义开始，包括缺失值处理、异常值检查、协变量可用性评估等。协变量选择方面，常见原则是纳入在理论上可能影响处理分配与结果的变量，避免仅为了“让模型预测得更好”而盲目扩充特征。
此外，时间顺序与测量一致性也重要：协变量应当在处理发生之前或同时测量，避免把处理后的中间变量误作为协变量引入偏差。
5.2 处理变量定义与建模一致性
处理变量定义需要清晰一致：如果处理并非简单的0/1，而是强度或持续时间，那么必须相应地调整倾向评分框架或采用多类别/连续处理的扩展形式。对建模而言，倾向评分模型所使用的变量集合与后续匹配/加权/回归的控制方式也应保持一致，否则会造成解释链条断裂。
5.3 过度依赖“可观测”假设的风险
一个常见坑是把“平衡诊断通过”误当成“因果就稳了”。倾向评分只能平衡可观测协变量，并不能确保不可观测混杂不存在。若存在未测量的重要因素（例如健康行为或执行力度等），结果仍可能偏离真实因果效应。
因此需要结合研究背景、变量采集可能遗漏的方向、以及敏感性分析来共同支撑结论。
5.4 极端倾向评分样本的影响
极端倾向评分样本往往是估计不稳定的主要来源。它们可能导致：
- 匹配后有效样本不足；
- 加权权重过大，方差显著上升；
- 结果对模型细节过度敏感。
应对策略包括重叠性检查、卡尺选择、权重截断以及对“共同支持”目标的明确界定。
5.5 “看起来平衡了但结果仍不稳”的原因排查
当平衡指标改善但结果波动较大，可能原因包括：
- 倾向评分模型虽让协变量差异缩小，但仍存在方差膨胀（尤其是加权场景）；
- 样本量或共同支持区域被过度截断导致不确定性增大；
- 结果模型或估计方法对尾部样本敏感；
- 处理效应异质性较强，使得不同重样或不同分组造成估计差异。
排查时通常需要同时看诊断图、权重分布、样本量变化以及不同规格下的结果趋势。
5.6 结果呈现：如何写清楚PS与方法细节
规范呈现有助于复现与评估可信度。常见需要报告的要点包括：
- 倾向评分的估计方法（模型类型、关键特征处理方式）；
- 使用策略（匹配/加权/分层）与参数设置（如卡尺、分组数、截断规则）；
- 平衡诊断结果（标准化差异或图形展示）；
- 重叠性与样本覆盖情况（共同支持说明）；
- 稳健性或敏感性分析摘要。
清楚的方法细节能帮助读者判断估计的“可比性”和“稳定性”来源。
6 相关概念与扩展方向
6.1 倾向评分与倾向评分加权的差异
倾向评分本身是概率的估计工具，而加权是使用该工具进行估计的策略之一。前者回答“谁更可能接受处理”，后者回答“如何在估计时利用这种概率结构”。因此，倾向评分估计质量会影响加权表现，但它们并非同一概念。
6.2 处理-效应异质性与分层/加权扩展
如果处理效应在不同人群之间差异明显，那么简单的总体效应可能掩盖关键信息。分层（按协变量子组或倾向评分区间）或加权（构造特定目标人群的加权“伪总体”）可以用于更细粒度的效应刻画。需要注意的是，不同权重构造对应的目标人群可能不同，因而解释方式也应匹配。
6.3 多处理（多类别）情形的直观处理方式
当处理不止两种状态，而是多类别时，倾向评分扩展可以采用多类别概率框架（分别估计各类别的概率），再依据这些概率进行匹配或加权。直观上，这相当于把“是否接受处理”从二元决策扩展为“选择哪一种处理方案”的比较问题。
6.4 时间变化处理与纵向倾向评分概念（概览）
在纵向研究中，处理可能随时间变化、反复发生。此时可以引入纵向倾向评分思想：把每个时间点的处理概率条件化到过去的历史信息上，再构建可比框架。该领域通常比二元横截面情形更复杂，需要更严格的数据结构与建模策略。
6.5 与其他因果推断方法的对比（如匹配、工具变量、DID的思路层面）
在因果推断框架中，倾向评分方法强调通过可观测混杂的平衡来构造可比性。与之不同，其他方法可能依赖：
- 工具变量（IV）：通过外生变化识别处理效应，重点不在于平衡，而在于工具变量的有效性条件；
- 差分中的差分（DID）：通过共同趋势假设在时间维度上消除偏差；
- 一般匹配：倾向评分是一种更系统的匹配基础，因为它把多维协变量压缩为单维概率。
层面上看，倾向评分适合“可观测混杂可控”的情形；若可观测性不足，其他依赖结构性假设的方法可能更合适或可作为补充比较。
7 文化与梗：为何叫“倾向评分”
7.1 “相似的人会得到相似的分数”这句梗式理解
在日常表述里，倾向评分常被一句梗概括为：给“相似的人”打出“相似的分数”。这句话抓住了直觉：分数不是为了好看，而是为了把协变量差异压缩成一个概率刻度；当两个人拥有相近的协变量配置时，他们被模型判定接受处理的概率应当接近。
7.2 常见误解：只评分不平衡、只平衡不诊断
一个常见误区是把倾向评分当作“做了就行”的步骤：模型估出来了分数，却没有用它去匹配、加权或分层，也没有进行平衡诊断。还有另一种误区是只看平衡结果就下结论，却忽略重叠性、极端权重、以及敏感性评估。
因此更好的实践是：估计只是起点，使用与诊断才是主线。
7.3 研究者口语化的检查清单（轻度幽默版）
可以把倾向评分工作流想象成一张“前置检查表”：
- 分数估得顺不顺：模型是否把概率推到离谱的极端？
- 有没有真的变得可比：平衡诊断有没有明显改善？
- 能不能找到对应的人：共同支持是否存在？
- 结果稳不稳：权重有没有爆炸，结论对设定是否敏感？
- 写清楚了没：读者能否复现你用的卡尺、截断规则与模型设定？
当这些问题都回答得比较充分时，倾向评分才算真正发挥了它的“平衡工具”作用。