关于PSM的想法

在悬赏贴中看到三师兄说统计和统小计老师的讨论，自己这个二把刀也想了些。总结一下记录下来。有错的地方请大家批评。

三师兄老师举例说了4个思路，然后请大家讨论哪个或者哪些正确。

思路1：做是否发病间ABC三个因素的PSM，然后做因素D对是否发病的条件logit。

思路2：做是否发病间ABC三个因素的PSM，然后做因素ABCD对是否发病的条件logit。

思路3：做研究因素D间ABC三个因素的PSM，然后做因素D的是否发病的卡方或者是单因素非条件logit。

思路4：做研究因素D间ABC三个因素的PSM，然后做因素D的是否发病的因素ABCD的多因素非条件logit。

下面是我自己的理解。

思路1是根究结局分组，病例对照研究的方法。思路3，根据暴露因素分组，队列研究的方法。这句话说的真好。我记得之前版上有一篇文章介绍看队列研究还是病例对照研究，就看table1。我最近看到的使用PSM方法的一篇简单的文章，发表在Gastric Cancer上，供大家参详讨论。

Higher incidence of pancreatic fistula in laparoscopic gastrectomy. Real-world evidence from a nationwide prospective cohort study.

这个文章是讨论开腹手术和腹腔镜手术术后并发症差异的。结论是腹腔镜手术组胰瘘发生（这个结果）增加。

全文只有2个table，table1对于开腹组和腹腔镜手术组进行术前因素的匹配，table2直接卡方比较开腹组和腹腔镜手术组之间的差别，综合全文看，用的方法是本帖讨论中的思路3.

按照我之前的想法，研究胰瘘的发生，怎么着也得按照胰瘘是否发生，按照因素1.因素2.因素3.因素4....因素n（开腹还是腹腔镜），这些因素做单因素多因素分析，找出胰瘘的独立预后因子，这种统计方式更有说服力吧。没想到，人家对于开腹和腹腔镜组，PSM匹配术前因素后，直接还是按照开腹和腹腔镜手术分组，按照队列研究方式，对术后并发症简单做个卡方就结束了，然后直接下结论，腹腔镜手术组胰瘘发生率高。这样的table2可以纳入很多术后并发症，比如切口感染等。

这篇文章作者都是日本各个大学胃肠外科教授级，发表的杂志也是日本消化外科协会官方杂志，所以我觉得统计方法的正确性应该可以保证。

所以，我觉得，如果是队列研究，按照暴露因素分组，使用PSM方法，之后，仍然按照暴露因素分组，简单卡方，这个思路3方法可行。如果按照结果打乱重新分组，做单因素logistic，其实和按照暴露因素分组，和单纯卡方是一样的，上面有大神已经说过了。

我记得之前版上有一篇文章介绍看队列研究还是病例对照研究，就看table1。table1根究结局分组，是病例对照研究的方法；如果根据暴露因素分组，是队列研究的方法。现在越来越觉得正确之余，再补充一点心得体会。

就比如胃癌开腹手术和腹腔镜手术对比的这篇文章。

table1就是常见的table1，根据手术方式分组。看上去是一个队列研究。两组手术方式不同，带来了很多不同的结果，table1中看看两组在年龄，性别等等方面有没有差异。约等于一般文章三表一图文章中的表1和表2混合了一下。当然，实际上的实验设计的时候，也是按照队列研究来做的。事前想好记录所有的并发症。事先这个词很重要。

再看table 2，列举的是各种结局和手术方式之间的关系，横过来看就是好多个列联表的综合表。

如果这些个结果，是事先就想好的，都收集得挺完整，那么就可以把这些个2x2，或者2xC的列联表，看作是队列研究的列联表，是可以计算真实RR值的。能够临床上很好解释，推而广之到真实世界。

如果这些个结果是事后回顾中发现，然后逐一分析的，那么，这个表2 的列联表，就只能看作是数个2x2的，按照是否发生某些结果而分类的病例对照研究，或者说看成数个病例对照研究也行。只能能计算OR值。

说了这么多，我就是想说，如果你做的是队列研究，这是非常大的亮点。哪怕你开始实验设计的时候，事先并没想到文章的结论是关于胰瘘的发生率，只是想到了比较一些并发症的差异，那么它就是队列研究。只要你事先想到了，这就是很多人纳闷的为什么说队列研究是前瞻的，但是回顾数据分析也可以是队列研究，因为可以认为是事先想到过。那么，一定要像这篇文章一样，在标题中清晰明白的写出来：是反应真实世界的结果。

跑题跑了很远。我想说我感觉PSM最适合这种队列研究，因为我们的研究不是RCT，总有这个那个的不匹配存在，为了让它更像个RCT，只好PSM下。最后PSM之后，队列研究一个简单的卡方检验或者fishe'r精确检验，干脆利落结束出结论。这么理解PSM就好理解多了。正如胃癌这篇文章所做的。

至于匹配之后的队列，全部合并在一起，再按照是否出现某个结果，按照传统的病例对照研究的三表一图的方法，最后做这个结果的多因素，单因素分析表，感觉有点多余，原理上是否能说得过去，再等大牛们研究解惑。

刚刚说的是PSM用在队列研究中的想法。再补充自己的一个想法，如果PSM用在病例对照研究中：按照结果分类，两组之间PSM后找到的1:1或者1：n对照，是固定的配对关系，那么，是不是可以认为是：按照以往的病例对照研究方法，把一个普通的对照研究，转变为了配对对照研究？如果是，那么就是思路1，下一步的多因素按说就是条件logistic了吧？同样还是四格表的分析方法，计算OR值，了解暴露也结果的关联强度。但是这样做的优点是保证了两分类之间可比性。我看到一句话说是：提高了研究的内部真实性，但降低了研究的外部真实性。一想也是，扔掉了好多病例，已经不是真实世界发生的真实情况了。不过好像原本OR值也不具备推广到外部世界的外展性（这句话也是引用在哪里看到的）

无论如何，按照暴露与否分组，配对之后再重新打散合成一个cohort，再按照结果重新分组去算多因素分析，有点一会儿按照队列研究做，一会转而按照病例对照做了，这种思路4感觉有点乱。

总体上，我同意三师兄老师说的思路1,3，4。3是大大同意，然后顺便做一下4。1是小小同意。果然每次看大家的讨论都有一些新收货。

2020-12-25

最近又看了一些PSM的详细介绍，有一些新的收获，记录下来。同时更正以前的一些想法。

第一步肯定是得到一个评分Propensity Score，就是很多人说的把数据降维，综合成1个变量（0-1之间）。第二步可以有几种做法

做法1：matching，也就是完成了PSM的步骤。当然匹配有几个办法，如果设定caliper的话，建议设在0.2-0.25之间，有PSM方法的创始人的文献支持。

做法2：利用这个分数做分层，最多分5层。0-0.2分，0.2-0.4分，0.4-0.6分。。。。

做法3：大概懂一点，不太懂，说不好就不说了。

做法4：不懂

之前我们一直说的PSM，其实就是指的PS之后，第一个做法，配对。回到帖子最初的问题，4个做法，哪些是对的，哪些是说不好的？我之前思考大大的同意3，小小的同意1。现在依然是大大同意3，大大同意1.

到底能不能作为配对数据进一步分析，统计学的老师们也是有争议的，我也不知道PS这个得分到底是如何计算出来的，背后的运行公式什么。我就是从我自己的做的配对数据来看，620的数据中，对年龄，性别，T，N，M分期等进行1:1配对，配对了186对。但是和我想的不一样的是，我发现这372人里，存在转移M的患者有81个，是个单数，这就是说，肯定有个存在转移的数据和没有转移的数据Propensity Score匹配上了。至少是1对，至于真正有多少对，没有去数，等我有空去数一下。那么是不是还有除了转移之外的，没注意到的自变量也有这个问题呢？很奇怪。

有点统计学家是支持配对之后的样本之间，进行配对数据的分析，即使是配对的Y是分组，比如NEJM上的这篇，PMID: 2577508。配对的Y是两种手术方式，但是最后统计的地方明确的说配对后的数据，用的是McNemar和配对T，cox回归也是分层cox回归来保证配对带来的益处（虽然我也不知道咋做）。

有的统计学家认为Propensity Score可以保证在两群中让公变量的分布均等，但是个体这个水平上，不能保证。所以推荐的PSM匹配之后的做法是，仍然把两组数据作为独立样本，该t检验t检验，该卡方卡方，该log rank就log rank，该cox回归就cox回归。不要作为配对数据进行下一步分析。

还有一个收获是，配对后的数据，样本量缩小了，两组之间的平衡不要用p值去衡量，用 standardized diffrence去衡量，说这个值和样本量无关。连续变量和2分类变量有计算公式，有序的多分类变量的 standardized diffrence我没找到计算公式。

2020-12-28

周末看了浙江中医药大学一位郑老师的视频，有点体会，不知道对不对。记录一下。

最初困扰问题，是PS之后matching，然后呢？是简单卡方（单因素），还是logistic（或者cox），再或者是条件logistic？昨天看完视频，我的理解如下：

如果我们的配对条件Y，是你的分组，那么PSM之后，保证的是两组之间的均衡（在我们用到的这些因素之间是平衡的），个体之间的均衡是没办法保证的，这就是一个类似RCT的，类似前瞻的队列研究，是从原因到结果这个方向去看的。

如果我们的配对条件Y，是你的outcome，比如是否感染并发症，是否肺癌，是否xx，那么配对之后的每个对子之间，都是均衡的（在我们用到的这些因素之间是平衡的）这份想法和case-control 的想法是一样的。下一步应该就是用条件logistic了（至少郑老师是这么说的，正确与否，有待讨论，但是这种说法，理清了我之前一些有点混乱的思路）。2023-04-13补充，这种配对，我觉得就是巢式病例对照研究，就是在队列里找病例对照研究的那个。PSM只是寻找已知的病例的对照组的方法，那么下一步应该就是按照配对的病例对照研究的防范，用条件logistic。

我上周五25日的想法，是因为我做的是按照分组配对，所以是组间很平衡，具体到每个对子，其实不是绝对平衡的，所以出现了有转移的患者和没转移的患者配对了情况（大概可能也许没准估计差不多备不住是这个原因）。但是我没有做过对结果进行配对的，类似case-control的研究，所以，如果对结果进行配对，是不是会出现对子之间的这种一眼看上去就不平衡的情况，我现在还不知道，我自己感觉，十有八九也会有。

还有一句话是PS分数相同的两个患者，指的是进入两个分组或者两个结果的几率是相等的。这句话感觉很有用。

2021-1-14

继续记录自己关于PSM的体会。

对于筛选匹配的变量，有ppt讲到，一个是从已发表的论文中选择，一个是专家的意见。这个其实不是特别重要，算一般重要吧。最关键的是，选择要匹配的那些变量，应该是你在分组的时候（我们目的是两组之间平衡），那些已经确定的变量，而不能纳入还没有发生的变量。比如分了手术方式A组，手术方式B组，研究对预后的影响，那么术后并发症就不能纳入到平衡的变量里面去，因为分组的时候还没发生，虽然我们知道并发症也是影响预后的。但是肿瘤TNM这些分期可以纳入要匹配的变量。有人或许问了，做手术的时候还不知道病理分期呢，那不是也是手术以后发生的变量吗？其实手术的时候，这个患者的肿瘤情况已经是确定的了，至少有个cTNM分期吧，手术后的pTNM分期只是个修正而已，所以可以纳入匹配的变量中。

另一个体会是：PSM和多因素分析，作用差不多，有没有必要进行PSM呢？看上去更流行而已？困惑很久，今天找到一点答案，东京大学 流行病学教授康永 秀生的讲解。在C-index（就是我们平时说得AUC，说得更高大上一点）在0.6以下的时候，PSM没有意义，和多因素回归结果基本一致。c-indx超过0.9的时候，也没用，因为区别能力太强，配对就配不成多少对，病例数大为减少，得不偿失。这两句话我读了好久的PSM的介绍，都没有找到过类似的说法，但是我认为是对的。从自己做的来看，c-index在0.6多一点，PSM和多因素回归有差异，差异不大。