果农老王想比较两种肥料哪个好，于是准备了 A、B 两筐苹果做实验。可他很快发现一个问题：A 筐的苹果明显又大又红，B 筐的苹果却偏小偏青。如果直接施肥，最后测出的甜度差异，到底是肥料的功劳，还是两筐苹果本来就不一样造成的？老王想了个办法：施肥之前，先给两筐苹果从头到尾做一次“体检”——量果径、看颜色、测糖度，确保两筐苹果的初始状态尽量一致。这个“施肥前的体检”，在因果推断里就叫平衡性检验。 因果推断的核心难题是：我们永远看不到同一个苹果“既施肥又没施肥”的两种结果。于是只能拿苹果 A 和苹果 B 比。可如果两筐苹果一开始就不在一个起跑线上，任何差异都可能来自“先天条件”而不是“后天施肥”。平衡性检验的价值，就是用量化指标告诉我们：这两组样本在可观测特征上到底“长得像不像双胞胎”。只有先让两筐苹果匀称，后测的差异才敢归因于处理本身。本文就用这个“苹果分筐”的故事，带你系统掌握平衡性检验的原理、指标（SMD、方差比、t 检验）、匹配流程、判定准则与常见陷阱。

岗位关联

平衡性检验是因果推断和实验评估的“照妖镜”，能帮你判断两组样本是否具备可比性，避免把混淆偏差误当成因果效应。掌握它，是数据分析师、算法工程师做严谨因果结论的必备基本功。

目录
  1. 可视化演示
  2. 为何要做平衡
  3. 标准化均值差
  4. t 检验法
  5. 方差比例比较
  6. 匹配前后流程
  7. 达标判定准则
  8. 陷阱与纠偏
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示因果推断中处理组与对照组的协变量平衡性检验，对比匹配前后的协变量分布差异与标准化均值差(SMD)，直观理解平衡性检验原理。

本节配有交互动效（进入视口后自动加载，约 3KB）。

因果推断平衡性检验 协变量分布：对比处理组与对照组的协变量分布差异 SMD指标：标准化均值差衡量协变量平衡程度，SMD 匹配修正：通过PSM等匹配方法修正协变量不平衡 SMD = |μ_t - μ_c| / √((σ²_t + σ²_c)/2) 平衡性检验确保因果估计的无偏性

为何要做平衡

老王把两筐苹果摆在一起才发现，A 筐的果子平均直径 8.2 厘米，B 筐平均只有 7.6 厘米。如果直接施肥，哪怕肥料毫无效果，最后测甜度时 A 筐大概率也更高——因为个头大、成熟度高的果子本来就更容易甜。这种“先天差异”混进实验，就叫混淆偏差。因果推断里，我们真正想回答的问题是：同一个苹果在“施肥”和“不施肥”两种平行世界里，结果会差多少？可现实中一个苹果只能走一条路，我们永远观测不到它没走的那条路的结果。这就是潜在结果框架里的“反事实”难题。

为了逼近这个反事实，研究者只能找另一筐苹果当“替身”。替身越像，结论越可信。于是平衡性检验登场了：它系统地比较处理组（A 筐）与对照组（B 筐）在所有可观测协变量（如苹果的果径、颜色、糖度）上的分布是否一致。理想情况下，如果实验是随机分组的，两组的协变量分布天然会趋于一致，不需要特别检验。但观测数据往往来自非随机分组——比如有人主动给大苹果施肥，有人疏于管理小苹果——这时失衡几乎是必然的。

换句话说，平衡性检验就是老王在施肥前先给两筐苹果“量身高、称体重”。如果一开始就发现 A 筐普遍又大又红，他要么换一批果子，要么改用统计方法先消除这些先天差异，否则实验结论就是一笔糊涂账。

E[X∣T=1]−E[X∣T=0]=0\displaystyle E[X \mid T=1] - E[X \mid T=0] = 0
这个公式是说：在理想状态下，处理组和对照组在任意特征 X 上的平均值应该完全相等。
  1. 处理组条件期望$E[X \mid T=1]$ 表示“被分到处理组的样本，其特征 X 的平均水平”。
    E[X∣T=1]E[X \mid T=1]
  2. 对照组条件期望$E[X \mid T=0]$ 表示“对照组样本的特征 X 的平均水平”。
    E[X∣T=0]E[X \mid T=0]
  3. 两筐苹果的均值差两者相减，得到两筐苹果在果径等特征上的“先天差距”。
    E[X∣T=1]−E[X∣T=0]E[X \mid T=1] - E[X \mid T=0]
  4. 零为理想这个差等于 0 意味着两筐苹果在特征层面完全匀称，是随机化分组才有的理想状态。观测数据中差值越大，说明先天条件越不对等，实验结论就越不可信。
    E[X∣T=1]−E[X∣T=0]=0E[X \mid T=1] - E[X \mid T=0] = 0

标准化均值差

老王想知道两筐苹果“偏大程度”到底差了多少。直接看均值差 0.6 厘米，似乎不多；但如果苹果个头本身波动只有 0.5 厘米，这 0.6 厘米就非常大了。于是聪明的老农发明了一个“规范差距”：让差异除以苹果群本身的个头波动，得到一个与单位无关、可与多个特征横向比较的得分。这个得分就是标准化均值差（Standardized Mean Difference，SMD）。

SMD 的算式是两组均值差除以合并标准差。合并标准差相当于把两筐苹果的波动幅度平均后再开方，代表“典型波动尺度”。SMD 之所以是平衡性检验最常用的指标，有三个原因：第一，它是无量纲的，果径用厘米、糖度用百分比都可以放在同一张表里比较；第二，它不受样本量影响，不会因为样本多就夸大差异；第三，它有成熟的经验阈值——通常认为绝对值小于 0.1 就说明该特征在两组间基本均衡。

把 SMD 想成“两筐苹果平均个头的差距相当于几个‘个头波动单位’”：0.1 个单位以下，肉眼几乎看不出差别。老王用这把尺子一量，A 筐和 B 筐的果径差距 0.35，显然没过关，得再想想办法。

SMD=xˉ1−xˉ2s12+s222\displaystyle \text{SMD} = \frac{\bar{x}_1 - \bar{x}_2}{\sqrt{\frac{s_1^2 + s_2^2}{2}}}
这个公式把两组均值差“除以典型波动”，就像把厘米差距换算成“多少个标准差”的差距，方便统一比较。
  1. 分子均值差：$\bar{x}_1 - \bar{x}_2$ 是处理组与对照组在某个特征上的样本均值之差。
    xˉ1−xˉ2\bar{x}_1 - \bar{x}_2
  2. 合并标准差$s_1^2$ 和 $s_2^2$ 是两组的样本方差，先取平均再开方，得到“典型波动尺度”。
    s12+s222\sqrt{\frac{s_1^2 + s_2^2}{2}}
  3. 整体除法归一均值差除以合并标准差，得到一个无量纲的标准化差异。
    xˉ1−xˉ2s12+s222\frac{\bar{x}_1 - \bar{x}_2}{\sqrt{\frac{s_1^2 + s_2^2}{2}}}
  4. 取绝对值看阈值实际判断时常用 $|\text{SMD}| < 0.1$ 表示该特征平衡达标。
    ∣SMD∣<0.1|\text{SMD}| < 0.1

t 检验法

有的果农会问：两筐苹果均值差了 0.3 厘米，这到底是“真差距”还是“随手抓一把的随机波动”？t 检验正是回答这个问题的工具。它的逻辑是先假设两组苹果来自同一个总体（零假设：均值齐平），再计算一个 t 统计量，最后根据 t 分布查出一个 p 值。p 值小于 0.05，就认为两组均值存在统计显著的差异。

t 统计量的分子和 SMD 一样是均值差，分母却换成了标准误，标准误的大小会随样本量增大而缩小。这带来一个关键特性：t 检验对样本量极其敏感。老王如果只挑 10 个苹果，哪怕两组均值差 0.3 厘米，标准误很大，p 值也会很大，得出“不显著”；可如果他称了 10000 个苹果，哪怕均值只差 0.01 厘米，p 值也可能小于 0.001。对于平衡性检验来说，p 值“显著”并不等于“实质失衡”，而 p 值“不显著”也不等于“已经平衡”。因此 t 检验只能作为辅助参考，不能替代 SMD 做最终判决。

老王渐渐明白，t 检验像一个“灵敏度警铃”：样本少时，苹果掉地上它都听不见；样本多时，风吹草动它都响。所以衡量两筐苹果“匀不匀”，还得看 SMD 这把尺子，而不是被警铃的声音大小牵着走。

t=xˉ1−xˉ2s12n1+s22n2\displaystyle t = \frac{\bar{x}_1 - \bar{x}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}
这个公式和 SMD 长得很像，但分母换成了标准误——样本量变大时，标准误变小，t 值变大，p 值更容易显著。
  1. 分子沿用均值差$\bar{x}_1 - \bar{x}_2$ 仍表示两组均值差异。
    xˉ1−xˉ2\bar{x}_1 - \bar{x}_2
  2. 各组方差除以样本量$\frac{s_1^2}{n_1}$ 表示处理组均值估计的随机波动，样本量越大波动越小。
    s12n1+s22n2\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}
  3. 整体开方得标准误根号内求和再开方，就是均值差的标准误。
    s12n1+s22n2\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}
  4. 相除得到 t 值均值差除以标准误得到 t 统计量，再对照 t 分布得到 p 值。
    t=xˉ1−xˉ2s12n1+s22n2t = \frac{\bar{x}_1 - \bar{x}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}

方差比例比较

两筐苹果平均直径相同，就说明两筐一样好吗？老王把两筐苹果倒出来一看，A 筐大小非常均匀，B 筐却是大小不一、参差不齐。即便均值完全一样，这种“内部离散程度”的不同也会影响实验结果——肥料对本身就是“极端果”还是“标准果”的作用可能完全不同。这时就要用到方差比。

方差比等于处理组方差除以对照组方差。比值接近 1，说明两组内部波动幅度近似；比值明显大于 1，说明处理组“更散”；明显小于 1，说明对照组“更散”。经验上，方差比落在 0.8 到 1.25 之间视为可接受。除了数值指标，常见的辅助诊断还有核密度图和 QQ 图：核密度图直接把两组的分布曲线画在一起，看重叠面积；QQ 图则把两组的分位数逐一对应描点，若点都贴在 45 度线附近，就说明两个分布形态高度一致。

如果说 SMD 检查的是“两筐苹果平均个头的差距”，方差比检查的就是“两筐苹果个头分布的胖瘦是否一致”。老王把两筐苹果倒出来一比，发现 B 筐里既有小果也有超大果，他立刻意识到：连内部结构都不像，后面测甜度肯定还会被这参差不齐的底子干扰。

VarRatio=s12s22\displaystyle \text{VarRatio} = \frac{s_1^2}{s_2^2}
这个公式衡量的是两筐苹果“个头波动幅度”的比值，越接近 1 说明两筐的均匀程度越像。
  1. 处理组方差$s_1^2$ 反映处理组内部个体间的离散程度。
    s12s_1^2
  2. 对照组方差$s_2^2$ 是对照组的离散程度。
    s22s_2^2
  3. 相除得到方差比两方差之比，等于 1 表示波动幅度相当。
    s12s22\frac{s_1^2}{s_2^2}
  4. 合理区间判断推荐接受区间为 $0.8 \le \text{VarRatio} \le 1.25$，超出则需警惕分布形状失衡。
    0.8≤s12s22≤1.250.8 \le \frac{s_1^2}{s_2^2} \le 1.25

匹配前后流程

既然两筐苹果先天失衡，老王不能就这么施肥。他得先“挑果子”：从两筐里各挑出身形、颜色、成熟度都相近的苹果，一对一配成“双胞胎苹果对”，然后再用配对样本做肥料比较。这个过程在因果推断里就是匹配。完整的匹配流程分四步：先做匹配前诊断，用 SMD、方差比等指标量化初始失衡程度；然后估计倾向得分——每个苹果根据自身的特征被分到 A 筐（处理组）的概率；接着用近邻匹配、卡钳匹配等算法把得分接近的个体配成对；最后对匹配后的样本重新做一次平衡性检验，确认失衡指标降到了可接受范围。

倾向得分是匹配的核心。它把高维的多个特征压缩成一个 0 到 1 之间的概率值，老王不再需要同时比较果径、颜色、糖度三个特征，只需要比较“被分到 A 筐的概率”这一个分数。卡钳匹配则限制了两只苹果倾向得分差的绝对值上限，防止“强行把差异过大的苹果配成一对”。如果匹配后 SMD 仍然超标，就要回头调整倾向得分模型或卡钳宽度，形成迭代优化闭环。

老王把每只苹果的果径、颜色、糖度综合成一个“分筐倾向分”，再像相亲配对一样把分差最小的两只苹果绑成一对。匹配完成后，他还会重新量一遍两筐苹果的平均口径和分布宽度——只有复检通过，他才敢放心施肥。

e(X)=11+e−(β0+βTX)\displaystyle e(X) = \frac{1}{1 + e^{-(\beta_0 + \beta^{T} X)}}
这个公式是 Logistic 回归的倾向得分表达式，输出数值落在 0 到 1 之间，表示“这只苹果凭自身特征更可能进 A 筐还是 B 筐”。
  1. 线性组合得分$\beta_0 + \beta^{T} X$ 把多个特征加权求和，得到一个原始得分。
    β0+βTX\beta_0 + \beta^{T} X
  2. 指数负号转换对线性组合取负号再放进指数函数，构造出 $e^{-z}$ 形式。
    e−(β0+βTX)e^{-(\beta_0 + \beta^{T} X)}
  3. Logistic 压缩分母 $1 + e^{-z}$ 及整体取倒数，把任意实数映射到 0 到 1 之间。
    11+e−z\frac{1}{1 + e^{-z}}
  4. 概率含义最终 $e(X)$ 就是给定特征 X 时个体落入处理组的概率。
    e(X)=P(T=1∣X)e(X) = P(T = 1 \mid X)

达标判定准则

匹配做完了，怎么才算“达标”？老王手里拿着一张验收单。最重要的指标是 SMD：一般要求绝对值小于 0.1，严格场景可以收紧到 0.05；方差比建议落在 0.8 到 1.25 之间；再配合核密度重叠图和 QQ 图做目视确认。三个证据凑齐，才能在这张验收单上打勾。

除了逐项检查，还有两个更高层面的诊断方法。一是联合校验，比如 Hotelling T² 检验，它把多个特征看成整体，检验两组的联合均值向量是否一致，防止单个指标都达标、整体却系统性偏斜的漏网之鱼。二是回退诊断：把处理指示变量作为因变量，用所有协变量做回归，如果模型几乎完美预测了分组（如 R² 很高），说明两组特征差异太明显，平衡性存疑。需要注意的是，并不是所有特征都必须同等对待——与结果强相关的核心混淆变量（如年龄、病情严重程度）必须优先达标，而那些与结果无关的变量即使略有失衡也无伤大雅。

老王拿着验收单逐项打勾：果径差距合格、颜色均匀度合格、糖度分布重叠度高、整体联合检验通过。这时他才允许自己说出那句：“两筐苹果现在已经像双胞胎了，可以开始测肥料了。”

∣SMD∣<0.1且0.8≤VarRatio≤1.25\displaystyle |\text{SMD}| < 0.1 \quad \text{且} \quad 0.8 \le \text{VarRatio} \le 1.25
这是最常用的“平衡验收标准”，好比老王验收单上最重要的两条硬指标——平均个头差距不超过 0.1 个波动单位，胖瘦比例落在 0.8 到 1.25 之间。
  1. SMD 绝对值约束$|\text{SMD}| < 0.1$ 要求所有关键特征的标准化均值差低于经验阈值。
    ∣SMD∣<0.1|\text{SMD}| < 0.1
  2. 方差比区间约束$0.8 \le \text{VarRatio} \le 1.25$ 保证两组分布胖瘦一致。
    VarRatio≥0.8\text{VarRatio} \ge 0.8
  3. 方差比上限$\text{VarRatio} \le 1.25$ 防止某一组过于离散。
    VarRatio≤1.25\text{VarRatio} \le 1.25
  4. 联合判定两个条件同时满足，才算通过平衡性检验的基础门槛。
    ∣SMD∣<0.1 且 0.8≤VarRatio≤1.25|\text{SMD}| < 0.1 \ \text{且} \ 0.8 \le \text{VarRatio} \le 1.25

陷阱与纠偏

平衡性检验看着简单，实操中却处处是坑。老王的邻居小李也学着验平衡，却只挑 20 个苹果，量完说“两组均值差不多，p 值挺大，平衡达标！”老王直摇头——样本太少时，均值差异被巨大的抽样波动掩盖，SMD 估计极不稳定，这种“假平衡”是典型的幸存者偏差。还有的人为了追求平衡，反复调卡钳宽度，最后只留下最相似的那一小撮苹果，样本量大幅缩水、无法代表整体，这叫过匹配。更麻烦的一种情况是：果径、颜色都平衡了，可老王没量过的“农药残留”这个看不见的特征照样失衡——平衡性检验只能覆盖可观测协变量，不可观测的混杂因素永远无法被检验排除。

正因为有这些陷阱，平衡性检验必须遵循几条纪律。第一，报告时要同时展示匹配前后的指标对比，让大家看到匹配确实改善了平衡；第二，核心结论要做敏感性分析，比如改变卡钳宽度或匹配比例，看结果是否依然稳健；第三，永远记得平衡性检验的前提是倾向得分重叠假设——每个苹果都必须有机会进入任意一筐，如果某些个体被完全锁定在某组，任何匹配都救不回来。最后，平衡性检验是迭代过程，不是一次性打卡：发现某个协变量失衡，就要更新模型、重新匹配、再次检验，直到关键变量全部达标。

老王总结了一套经验：先量足样本再谈平衡，宁可少配不肯强配，报告写清前后变化，关键变量盯紧不放。他把这些经验写成了一张“防坑清单”，贴在自己的果园工具房里——因为他知道，只有先让两筐苹果真正匀称，果实甜度的差异才敢理直气壮地记在肥料的功劳簿上。

0<e(X)<1\displaystyle 0 < e(X) < 1
这个公式表示倾向得分重叠假设：每个个体都有正概率进入处理组，也有正概率进入对照组，否则就无法找到合适的“双胞胎苹果”。
  1. 概率边界约束$e(X)$ 是概率值，天然落在 0 与 1 之间。
    0<e(X)<10 < e(X) < 1
  2. 下界大于 0$e(X) > 0$ 意味着没有任何个体被完全排除在“进 A 筐”的可能性之外。
    e(X)>0e(X) > 0
  3. 上界小于 1$e(X) < 1$ 意味着也没有个体必然进入 A 筐、完全不进 B 筐。
    e(X)<1e(X) < 1
  4. 重叠假设的价值只有满足这个条件，老王才能给每只 A 筐苹果找到体型相近的 B 筐替身。
    0<e(X)<10 < e(X) < 1

AI 应用场景

互金营销 A/B 实验的事后平衡审计

阶段：实验评估与效果归因

解决的问题：线上营销活动中，运营人员把优惠券发给高活跃用户更多，导致实验组和对照组活跃度天然不同。传统做法只看最终转化率差异，极易把“用户本来就活跃”误判为“优惠券有效”。通过平衡性检验，可以系统排查两组在年龄、历史消费、活跃天数等特征上的 SMD，发现问题后及时用匹配或加权重校正。

具体案例：某消费金融平台做“提升借款转化率”的 A/B 实验，事后审计发现实验组用户的历史借款次数 SMD = 0.35，严重失衡。团队用倾向得分匹配重新构造样本，将 SMD 压到 0.06，复检通过后才发布实验结论，避免了一次错误的策略上线。

医疗观察性队列研究的混杂校准

阶段：观察性研究的设计与建模

解决的问题：研究“某药物是否降低再住院率”时，服药组往往年纪更大、基础疾病更多，直接比较会把年龄和并发症造成的差异误归因于药物。平衡性检验配合倾向得分匹配，让医生能比较“病情基线相似”的两组病人，得到更接近因果效应的估计。

具体案例：某医院回顾性队列研究，采集 2000 名心衰患者数据，服药组和对照组在合并症指数上 SMD = 0.52。研究者用卡钳匹配重建样本，匹配后所有核心协变量 SMD 均小于 0.1，最终药物保护效应的置信区间显著收窄，结论被审稿人采信。

招聘公平性与薪酬审计

阶段：公平性诊断与偏差治理

解决的问题：模型自动筛选简历或定薪时，不同性别、年龄群体在建模特征上的分布天然失衡。如果直接用模型预测结果做公平性判断，会把“历史偏见”混入当下决策。平衡性检验可用于审计候选人群组在技能分、经验年限等核心特征上的可比性。

具体案例：某互联网公司做薪酬公平性分析，发现不同性别候选人的“工作年限”分布差异显著，SMD = 0.3。HR 团队通过特征匹配选择可比样本后重新估算薪酬差异，识别出真实需要干预的部门级偏差，并调整了薪酬校准策略。

Python 演示

python57 行
import numpy as npfrom scipy import stats  def gen_data(n=400, seed=7):    rng = np.random.default_rng(seed)    age_t = rng.uniform(28, 38, n)    age_c = rng.uniform(25, 65, n)    income_t = rng.normal(8.5, 2.2, n)    income_c = rng.normal(7.8, 2.2, n)    edu_t = rng.normal(15, 2.5, n)    edu_c = rng.normal(14, 2.5, n)    return (np.concatenate([age_t, age_c]),            np.concatenate([income_t, income_c]),            np.concatenate([edu_t, edu_c]),            np.concatenate([np.ones(n), np.zeros(n)]))  def smd_of(a, b):    diff = a.mean() - b.mean()    pool = np.sqrt((a.var(ddof=1) + b.var(ddof=1)) / 2)    return diff / pool  def var_ratio_of(a, b):    return a.var(ddof=1) / b.var(ddof=1)  def report(name, a, b):    t, p = stats.ttest_ind(a, b)    print("  {:<8} SMD={:>7.3f}  VarRatio={:>6.2f}  p={:>6.3f}".format(        name, abs(smd_of(a, b)), var_ratio_of(a, b), p))  def summarize(age, income, edu, treat, title):    print("== " + title + " ==")    mask = treat > 0.5    report("age", age[mask], age[~mask])    report("income", income[mask], income[~mask])    report("edu", edu[mask], edu[~mask])  if __name__ == "__main__":    age, income, edu, treat = gen_data()    summarize(age, income, edu, treat, "before matching")     # 简易分层匹配：以年龄为层，剔除单侧不足的层    layer = np.digitize(age, np.arange(20, 60, 5))    keep = np.zeros_like(age, dtype=bool)    for b in np.unique(layer):        idx = np.where(layer == b)[0]        has_t = (treat[idx] == 1).any()        has_c = (treat[idx] == 0).any()        if has_t and has_c:            keep[idx] = True     summarize(age[keep], income[keep], edu[keep], treat[keep], "after matching")
目的：生成模拟人群数据，计算平衡性检验三大指标（SMD、方差比、t 检验 p 值），并用年龄分层做简易匹配，对比匹配前后的平衡变化。
  1. def smd_of(a, b):计算标准化均值差的核心函数，分子是均值差，分母是合并标准差。
  2. pool = np.sqrt((a.var(ddof=1) + b.var(ddof=1)) / 2)合并标准差是平衡性检验的关键分母。
  3. t, p = stats.ttest_ind(a, b)调用 scipy 的独立样本 t 检验，得到 p 值作为辅助判断。
  4. mask = treat > 0.5根据处理指示变量拆出处理组与对照组。
  5. layer = np.digitize(age, np.arange(20, 60, 5))把年龄切分成 5 岁一层，模拟卡钳匹配的分层思想。
  6. if has_t and has_c:只保留处理组和对照组都存在的层，体现“可匹配性”约束。

常见误区

误区我跑完 t 检验，p 值是 0.23，超过 0.05，所以两组在年龄上一定平衡，可以放心做因果分析了。

正解p 值受样本量影响巨大。样本很少时，哪怕两组年龄均值差 5 岁，标准误很大，p 值照样大于 0.05；样本很多时，差 0.1 岁也可能 p 值小于 0.001。平衡性检验关心的是“差异有多大”，而不是“差异是否显著”，所以要用 SMD 这类效应量，而不是只看 p 值。

为何常见：大家习惯了“p 值小于 0.05 才显著”的假设检验思维，容易把“不显著”误读为“相等”，忽略了效应量这个更本质的度量。

误区我检查了年龄、收入、教育程度，SMD 全都小于 0.1，匹配做得很完美，因果结论一定没问题。

正解SMD 只能覆盖你已经测量到的协变量。如果有个“苹果的农药残留”你没量，或者有个“用户心理动机”你压根没收集，这些不可观测混淆变量照样可能严重失衡。平衡性检验是一个“可观测世界”的体检报告，不能证明不可观测世界的安全，因此结论往往需要配合敏感性分析。

为何常见：因为检验只能基于已有数据，人们容易把“可见的平衡”等同于“全部平衡”，忽略了数据收集阶段的信息盲区。

误区匹配后 SMD 不达标，我就把卡钳宽度从 0.1 调到 0.01，再把 1:1 匹配改成 1:5，直到通过检验为止。

正解无限收紧匹配条件会让有效样本量急剧萎缩，只留下最相似的一小撮样本，这叫过匹配。样本少了、代表性差了，结论虽然“平衡”却不稳健。正确做法是先评估可用样本量，设定合理的卡钳与匹配比例，并做敏感性分析，观察结论在不同参数下是否稳定，而不是盲目追求 SMD 无限接近 0。

为何常见：平衡达标是明摆着的目标，人们容易“为指标而指标”，忘了匹配的终极目的是保留足够代表整体且可比的两组样本。

面试题

Q1. 平衡性检验的核心目的是什么？

单选题 · easy

  • A.检验两组协变量分布是否一致← 正确答案
  • B.检验两组结果变量是否相等
  • C.检验两组样本容量是否相同
  • D.检验处理效应是否为零

答案：A。平衡性检验关注的是处理组与对照组在协变量（苹果的果径、颜色、糖度）上是否分布一致，目的是让两组在初始条件上有可比性。它不检验结果变量是否相等——那正是实验要测的内容；也不关心样本量是否相同，更不检验处理效应本身。

Q2. 标准化均值差（SMD）的计算方式是？

单选题 · easy

  • A.均值差除以合并标准差← 正确答案
  • B.均值差乘以总样本量
  • C.方差比开根号
  • D.两组方差直接相减

答案：A。SMD 的分子是两组均值差，分母是合并标准差，结果是无量纲的标准化差异。它相当于把“两筐苹果平均个头的差距”转换成“相对于个头波动几个单位”，从而能跨特征比较。

Q3. 在平衡性检验中，p 值大于 0.05 是否一定意味着平衡达标？

单选题 · mid

  • A.是，p 值大就是两组无差异
  • B.否，p 值受样本量影响，可能掩盖真实失衡← 正确答案
  • C.是，p 值大说明样本量充足
  • D.否，p 值大说明处理效应不存在

答案：B。t 检验的 p 值高度依赖样本量。样本少时标准误大，p 值容易偏大，即使两组均值差很大也会显示“不显著”。所以平衡性判断必须以 SMD 等效应量为主，p 值只能作为辅助参考。

Q4. 关于 SMD 与 t 检验的差别，下列说法正确的是？

单选题 · mid

  • A.t 检验统计量不受样本量影响
  • B.SMD 不受样本量影响，适合做平衡诊断← 正确答案
  • C.SMD 会随单位变化而剧烈变化
  • D.t 值越大越说明实质失衡严重

答案：B。SMD 是标准化效应量，分母的合并标准差让它无量纲，且不像 t 值那样随样本量膨胀。t 值受样本量影响很大，样本多时微小差距也显著，但 SMD 能更稳定地反映“差异有多大”，因此更适合平衡性诊断。

Q5. 方差比（VarRatio）的推荐可接受区间是？

单选题 · mid

  • A.0.5 到 0.8
  • B.0.8 到 1.25← 正确答案
  • C.1.0 到 2.0
  • D.小于 0.1 即可

答案：B。方差比衡量两组分布离散程度的比值，接近 1 说明两筐苹果“胖瘦”一致。经验上推荐接受区间为 0.8 到 1.25，超出该区间说明其中一组内部波动远大于另一组，分布形状可能失衡。

Q6. 倾向得分匹配中，卡钳的主要作用是？

单选题 · mid

  • A.限制配对样本的得分距离← 正确答案
  • B.提高结果变量的测量精度
  • C.自动增加样本量
  • D.消除所有不可观测偏误

答案：A。卡钳宽度设定了两只苹果倾向得分差值的上限，避免把分数差距过大的个体强行配成一对。它能提升匹配质量，但不能增加样本量，也无法消除不可观测变量的偏误。

Q7. 倾向得分 e(X) 的定义是？

单选题 · hard

  • A.给定特征 X 时个体进入处理组的概率← 正确答案
  • B.处理效应大小的估计值
  • C.结果变量的线性预测值
  • D.处理组与对照组的样本量之比

答案：A。倾向得分是条件概率 P(T=1|X)，即基于多个特征综合评出“这只苹果更可能进 A 筐还是 B 筐”。它不是结果预测值，也不是效应估计或样本量比例。Logistic 回归把多特征压缩成 0 到 1 之间的分筐倾向分，用于后续匹配与分层。

Q8. 下列哪些情形可能导致“假平衡”？

多选题 · mid

  • A.样本量过小，SMD 波动大但看似达标← 正确答案
  • B.只检查了可观测协变量，忽略不可观测混杂← 正确答案
  • C.过度匹配导致有效样本大幅减少← 正确答案
  • D.SMD 数值越小越好

答案：ABC。样本量过小时统计量不稳定，容易假达标；平衡性检验只能覆盖可观测特征，不可观测混杂永远无法被排除；过度匹配虽让指标好看，却牺牲了代表性和样本量。SMD 小是目标，但“越小越好”若脱离样本量和代表性约束就成了陷阱。

Q9. 关于 SMD，下列说法正确的有？

多选题 · hard

  • A.SMD 是无量纲的标准化差异← 正确答案
  • B.SMD 大小不受样本量影响← 正确答案
  • C.SMD 大于 0.1 时一定不能做因果推断
  • D.SMD 可对单个协变量逐一计算← 正确答案

答案：ABD。SMD 通过除以合并标准差实现无量纲化，且分母不涉及样本量，因此它不像 t 值那样随样本量膨胀，适合横向比较多个变量。SMD 大于 0.1 提示该协变量失衡，但能否做因果推断还要看核心混淆变量是否达标、是否有其他校正手段，不能一概而论。

Q10. 匹配后复检发现某个重要协变量的 SMD = 0.18，合理的处理方式包括？

多选题 · extreme

  • A.调整卡钳宽度后重新匹配← 正确答案
  • B.增加重要协变量后重新估计倾向得分← 正确答案
  • C.忽略该变量，只看其他达标变量
  • D.核查该协变量的定义与数据质量← 正确答案

答案：ABD。重要协变量失衡说明匹配策略需要迭代：调窄卡钳限制配对距离可能改善质量；补充关键特征重估倾向得分能让分筐概率更准确；核查数据质量能排除测量误差导致的假失衡。忽略失衡变量会直接把混淆偏差带进因果结论，不可取。