王老师想搞清楚“课外补习班到底有没有用”。他在两个班里各挑了一群学生观察，发现参加补习班的学生期末平均分高出15分。可这个结论站得住脚吗？那些报名补习班的学生，本来就可能更爱学习、基础更好、家长更重视教育——也就是说，两个群体在“开跑”之前就已经不一样了。直接对比平均分，就像让穿钉鞋的选手和穿拖鞋的选手比赛，赢了也不算数。 因果推断中的“匹配方法”，就是来解决这个问题的。它的思路带着一种朴素的智慧：既然两组人起跑线不同，那就别比“全体”，而是给每个参加补习班的学生，找一个除了“没参加补习班”之外、其他条件都几乎一样的“替身同学”，然后只在他们之间做公平对比。这个“找替身”的思路背后，是一整套名为“潜在结果框架”的理论：每个学生都有两个平行版本的成绩——参加了补习班的，和没参加的；我们虽只能观测到其中一个，却能通过聪明的对比，推算出另一个。 本文就沿着这条“找替身”的路线，从理论基础讲到算法细节，再到工程落地，把匹配方法的每一环都拆开看一遍。

岗位关联

匹配方法是因果推断的“公平秤”。掌握它，你就能从海量观测数据中挖掘出真实的因果效应，这是数据科学、用户增长与政策评估岗位的核心技能。

目录
  1. 可视化演示
  2. 匹配方法概述
  3. 潜在结果框架
  4. 距离度量方式
  5. 匹配算法种类
  6. 性能评估指标
  7. 常见问题对策
  8. 优化策略进阶
  9. 工程实践应用
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示梯度下降算法在损失函数曲面上的参数更新轨迹，通过学习率滑块观察收敛速度与稳定性。

本节配有交互动效（进入视口后自动加载，约 3KB）。

梯度下降优化轨迹 青色点表示当前参数位置，沿负梯度方向更新 橙色等高线表示损失函数曲面 w ← w - η·∂L/∂w 调节学习率观察收敛速度变化

匹配方法概述

王老师想评估“课外补习班到底有没有用”。但要不要报名补习班，完全是学生自己决定的：学习自觉的同学更容易报名，基础薄弱的同学也可能被家长逼着报名，而另一些同学则因为经济或时间原因没报。王老师把“报名组”和“未报名组”的期末平均分一对比：差了15分！然而这个差距真能归功于补习班吗？恐怕不能——两组学生在开跑前就站在不同的起跑线上。

这种“开跑前就不一样”的问题，在观测研究里叫“自选择偏差”。匹配方法的核心思想，就是给每个参加补习班的学生找一个“替身”：从没报名的同学里，挑出基础成绩、学习习惯、家庭背景都几乎一样的同学，让他们一对一地对比。因为除了“有没有参加补习班”之外其他条件都几乎相同，最终的成绩差异就可以比较干净地归因到补习班头上。

匹配方法的理论底座是潜在结果框架。每个学生都有两个潜在结果：参加补习班的成绩 $Y_i(1)$，和不参加补习班的成绩 $Y_i(0)$。我们只能看到其中一个，另一个就像“没有发生的历史”。两者之间的关系可用一个简洁的公式概括——它像一台“现实观测开关”，你实际参加没参加补习班，决定了你看到的是哪个平行宇宙的成绩：

这个公式看似简单，却道出了匹配方法的哲学底座：因果推断是在和“看不见的对照组”打交道。既然平行宇宙进不去，我们就用替身来模拟——这就是匹配方法最巧妙的地方。

Yi=Ti Yi(1)+(1−Ti) Yi(0)Y_i = T_i \, Y_i(1) + (1 - T_i) \, Y_i(0)
通俗说明：这个公式是一个开关，$T_i$ 决定“点亮”哪个潜在结果。参加补习班时看到 $Y_i(1)$，没参加时看到 $Y_i(0)$，另一个永远藏在暗处。
  1. 处理指示变量 $T_i$第 $i$ 个学生是否参加补习班。它是连接“两个平行结果”的开关，决定了现实中我们观测到哪个成绩。
    Ti={1,参加了补习班0,未参加补习班T_i = \begin{cases} 1, & \text{参加了补习班} \\ 0, & \text{未参加补习班} \end{cases}
  2. 处理组潜在结果 $Y_i(1)$第 $i$ 个学生参加补习班后会取得的期末成绩，是“平行宇宙A”里的结果。
  3. 对照组潜在结果 $Y_i(0)$第 $i$ 个学生不参加补习班会取得的期末成绩，是“平行宇宙B”里的结果。
    Yi(1)=平行宇宙A的成绩,Yi(0)=平行宇宙B的成绩Y_i(1) = \text{平行宇宙A的成绩}, \quad Y_i(0) = \text{平行宇宙B的成绩}
  4. 观测结果 $Y_i$两个潜在结果中“被点亮”的那一个。当 $T_i = 1$ 时，第二项被 $1 - T_i = 0$ 熄灭；当 $T_i = 0$ 时，第一项被熄灭。
    Yi={Yi(1),Ti=1Yi(0),Ti=0Y_i = \begin{cases} Y_i(1), & T_i = 1 \\ Y_i(0), & T_i = 0 \end{cases}

潜在结果框架

王老师告诉学生们：其实每个人都有“两个版本的成绩”，一个是“参加了补习班的你”的成绩，另一个是“没参加补习班的你”的成绩，像平行宇宙里的两个分身。可惜现实只能观测到其中一个分身。统计学要做的，就是想办法“测量”那个看不见的分身。

统计学家鲁宾把这个直觉严格化，提出了潜在结果框架。在这个框架下，个体层面的因果效应被定义为两个潜在结果之差 $Y_i(1) - Y_i(0)$。把所有同学的个体效应汇总，就得到“平均处理效应”（ATE）——这是因果推断最常用的目标量，它回答的问题是：如果全班同学都参加补习班，平均成绩能比全班都不参加高出多少？

直接计算ATE有个致命难点：两个潜在结果永远不会同时被观测到。朴素地用“报名组的平均分”减去“未报名组的平均分”，得到的是混入了自选择偏差的“关联”，不是“因果”。要让它变成因果，需要两个关键假设：一是可忽略性，给定协变量 $X$ 后，潜在结果与是否参加补习班相互独立，即 $(Y(1),Y(0)) \perp T \mid X$，这等于说“在控制了档案上的所有特征后，谁报名几乎像抛硬币一样随机”；二是重叠假设，对任意 $X$，参加补习班的概率都在0和1之间，即每种特征组合下都同时存在报名者和未报名者。可忽略性是匹配合法性的“许可证”——它保证我们能在可观测特征下找到公平的替身。

有了这两个假设，平行宇宙之间的桥梁才搭了起来。匹配方法就是在这座桥上走的那个搬运工——前提是，你得先确认这座桥（假设）是稳的，否则搬运工再努力，运过来的也是歪的货。

ATE=E[Yi(1)]−E[Yi(0)]ATE = \mathbb{E}[Y_i(1)] - \mathbb{E}[Y_i(0)]
通俗说明：把全班同学在“平行宇宙A”的平均分，减去他们在“平行宇宙B”的平均分。二者的差就是补习班在全班范围内的平均因果效应。
  1. 潜在结果 $Y_i(1)$每个同学在“平行宇宙A”（参加了补习班）里的成绩。
  2. 期望 $\mathbb{E}[Y_i(1)]$把所有同学在平行宇宙A里的成绩取平均，等价于“如果全班每个人都参加了补习班”的班级平均分。
    E[Yi(1)]=1N∑i=1NYi(1)\mathbb{E}[Y_i(1)] = \frac{1}{N}\sum_{i=1}^{N} Y_i(1)
  3. 期望 $\mathbb{E}[Y_i(0)]$把所有同学在平行宇宙B里的成绩取平均，等价于“如果全班每个人都没参加补习班”的班级平均分。
  4. 平均处理效应 $ATE$两个平行宇宙班级平均分之差。注意，它是对“全体同学”求期望，而不是只对报名组求期望——这是它和处理组平均处理效应（ATT）的关键区别。
    ATE=1N∑i=1N[Yi(1)−Yi(0)]ATE = \frac{1}{N}\sum_{i=1}^{N} \left[ Y_i(1) - Y_i(0) \right]

距离度量方式

现在王老师开始具体的“找替身”工作。第一个问题：怎么判断两个学生“像不像”？最简单的办法，是把基础成绩、学习时间等画在坐标图上，看两个点挨得多近，这就是“欧氏距离”。但欧氏距离有个毛病：家庭收入这种数值大的特征会喧宾夺主，把“基础成绩差0.5分”这种细小但重要的差异淹没掉。

于是有了“马氏距离”。它像一位经验丰富的面试官，先给每个特征按波动程度“校准刻度”，再消除特征之间的相关性，最后才量距离。数学上，它用协方差矩阵来完成这个校准——对每个特征，都除以它自己的标准差，同时把特征之间的线性重叠部分去掉，这样得到的距离才是“公平的”：

除了距离度量，还有一条更巧妙的路径——倾向得分。它把“平时作业完成率、课外活动时间、家长辅导频率”等一大堆特征，压缩成一个数：$e(X_i) = P(T_i = 1 \mid X_i)$，即“在具备这些特征的条件下，报名补习班的概率”。两个学生即便原始特征天差地别，只要倾向得分接近，就说明他们“报名补习班的倾向”一致——这本身就是极强的相似性信号。用倾向得分做匹配，可以有效对抗高维特征带来的“维度灾难”。

总结一下就是：量“像不像”，既可以用一把经过校准的尺子（马氏距离），也可以看“报名癖好”（倾向得分）。王老师在实操中通常把优先票投给倾向得分，因为它天生就在回答“这两个学生会不会做出同样的选择”。

dM(i,j)=(xi−xj)TS−1(xi−xj)d_M(i, j) = \sqrt{(x_i - x_j)^{T} S^{-1} (x_i - x_j)}
通俗说明：马氏距离像一位校正过刻度的尺子，把“收入以万元计”“成绩以分计”这些不同量纲的特征统一到同一把尺子上，再量距离。
  1. 特征向量 $x_i, x_j$第 $i$ 个与第 $j$ 个同学的特征列向量，包含基础成绩、学习时间、家庭背景等。
    xi=(xi1xi2⋮xip)x_i = \begin{pmatrix} x_{i1} \\ x_{i2} \\ \vdots \\ x_{ip} \end{pmatrix}
  2. 协方差矩阵 $S$所有同学特征之间的方差-协方差矩阵，对角线表示每个特征自身的波动程度，非对角线表示特征两两之间的相关性。
  3. 逆矩阵 $S^{-1}$“白化”算子。它先对每个特征除以自身标准差（消除量纲），再消除特征间的线性相关，让各个方向的距离可直接比较。
    S−1=让特征空间 "变圆" 的变换S^{-1} = \text{让特征空间}\ \text{"变圆"}\ \text{的变换}
  4. 二次型与开根号$(x_i - x_j)^T S^{-1}(x_i - x_j)$ 是先白化再算平方距离，最后开根号得到马氏距离。当 $S$ 是单位矩阵时，它退化为欧氏距离。

匹配算法种类

尺子备好了，王老师要考虑“怎么挑”。最直观的办法是“最邻近匹配”：给每位报名的同学，在没报名的同学里找出尺子上最像的那位，一对一结伴。这种朴素策略在样本充足时效果就很好，也是所有匹配算法的基础版。

但一对一找替身有可能“挑花眼”或“挑不齐”，于是有了各种变体。分层匹配先把全部学生按相似度分成若干层（比如高分段、中分段、低分段），再在各层内分别配对，保证“学霸不跟学渣比”；核匹配不锁定单个替身，而是把距离较近的多个对照同学加权平均，距离越近权重越大；局部线性匹配则更进一步，在加权平均的基础上加入局部线性纠偏，减小偏态分布带来的偏差。

无论哪种变体，最邻近匹配的数学核心都归结为一个最小化问题——为每个处理组样本寻找距离最近的对照组样本，这就是“替身”的正式定义：

王老师最后发现：算法没有绝对好坏——样本量大的时候，朴素的最邻近匹配就够用；样本结构复杂时，加权或分层策略更稳健。选哪个，取决于你的“找替身”条件和手头的资源。

h(i)=arg⁡min⁡j∈C d(Xi,Xj)h(i) = \arg\min_{j \in \mathcal{C}} \, d(X_i, X_j)
通俗说明：$h(i)$ 是第 $i$ 个报名同学最终选中的“替身编号”。它就是在对照组里挨个比一遍，找出距离最小的那一位。
  1. 对照组集合 $\mathcal{C}$所有没参加补习班的同学的编号集合，是“替身候选池”。
    C={j∣Tj=0}\mathcal{C} = \{ j \mid T_j = 0 \}
  2. 距离函数 $d(X_i, X_j)$两名同学在特征空间中的距离，可以是马氏距离，也可以是倾向得分之差的绝对值 $|e(X_i) - e(X_j)|$。
  3. $\arg\min$ 运算符遍历 $j \in \mathcal{C}$ 中的所有候选，找出使距离 $d$ 最小的那个下标。
    arg⁡min⁡j∈C:从候选池中挑出距离最小的 j\arg\min_{j \in \mathcal{C}}: \text{从候选池中挑出距离最小的}\ j
  4. 匹配函数 $h(i)$第 $i$ 个处理组同学对应的“替身”下标。整个匹配过程，就是在求解这个最小化问题。

性能评估指标

替身找好之后，王老师没有急着宣布结论，而是做了一次“体检”：报名组和替身组，在基础成绩、学习时间、家庭背景这些维度上，到底还有没有差异？如果替身选得不像，后面算出来的效应就是空中楼阁。

体检的核心指标是“标准化差异”（SMD）。它把两组在某个协变量上的均值差，除以两组的合并标准差，得到一个不受量纲影响的“标准化差距”。这个指标不像 t 检验那样随样本量波动，所以更适合用来判断匹配效果的好坏——样本量再大，也不能把微小的不平衡“放大成显著”，SMD只关心差距本身的大小。

工程经验上，另一个常用指标是方差比 $\text{VR} = s_T^2 / s_C^2$，理想范围约在 $0.8$ 到 $1.25$ 之间，用于检查两组在分布形态上是否一致。此外还要关注“样本效率”——如果匹配后剩余的处理组样本太少，估计的方差会变大，这时可能需要放宽卡尺或改用有放回匹配。

王老师看着匹配后的体检报告，基础成绩的SMD从0.45降到了0.06，这才放心地说：“这两组人现在可以公平比了。”匹配质量的检验，才是整个因果推断流程里最“较真”的环节。

SMD=xˉT−xˉC(sT2+sC2)/2SMD = \frac{\bar{x}_T - \bar{x}_C}{\sqrt{(s_T^2 + s_C^2) / 2}}
通俗说明：把两个班级在“基础成绩”上的平均分之差，除以两班成绩波动的“综合尺度”，得到一个可跨变量比较的标准分数。
  1. 匹配后均值 $\bar{x}_T, \bar{x}_C$匹配完成后，处理组与对照组在某个协变量（如基础成绩）上的平均分。
    xˉT=1NT∑i∈Txi,xˉC=1NC∑j∈Cxj\bar{x}_T = \frac{1}{N_T}\sum_{i \in T} x_i, \quad \bar{x}_C = \frac{1}{N_C}\sum_{j \in C} x_j
  2. 匹配后方差 $s_T^2, s_C^2$两组在该协变量上的方差，反映组内个体的分散程度。
  3. 合并标准差取两个方差平均后再开根号，相当于把两组波动合并成一把“综合尺子”，消除量纲影响。
    (sT2+sC2)/2\sqrt{(s_T^2 + s_C^2) / 2}
  4. 标准化差异 $SMD$均值差除以合并标准差。经验法则：$|SMD| < 0.1$ 视为均衡良好，$0.1$ 到 $0.2$ 可接受，超过 $0.2$ 需要回头修正。

常见问题对策

找替身的过程并非一帆风顺。王老师第一轮匹配就遇到了尴尬：有些报名组的同学基础太差，在未报名组里根本找不到相似的人；有些同学虽然找到了替身，但两人像的程度让人心虚。更有一种隐性风险——有些特征档案上根本没有，比如“学习的内在动机”，这就像替身的灵魂无法被体检报告捕捉。

这些问题在文献里各有名字：样本丢失过多、维度灾难、贪婪匹配偏差、不可观测混杂。要理解它们的危害，先看一个核心公式——自选择偏差的根源。它说的其实是：如果报名组同学“当年没报名”，他们的平均成绩和真正没报名的同学并不相同，这个差异就是偏差：

针对这些具体问题，对策也很明确：样本丢失过多，可以用“有放回匹配”让优质对照组重复使用，或用核匹配利用全部对照样本；维度灾难则借助倾向得分把高维压成一维；贪婪匹配带来的顺序偏差，可以用“卡尺内最近邻”加随机打乱顺序来缓解；不可观测混杂最棘手，只能靠敏感性分析评估结论的稳健性，或寻找工具变量这类更强的研究设计。

王老师把这些对策写进了自己的操作手册：先做倾向得分，再设卡尺，能匹配就匹配，匹配不了就放弃，最后做敏感性分析。问题不可怕，可怕的是不知道问题在哪。

Bias=E[Y(0)∣T=1]−E[Y(0)∣T=0]Bias = \mathbb{E}[Y(0) \mid T = 1] - \mathbb{E}[Y(0) \mid T = 0]
通俗说明：这是“灵魂拷问”公式——把报名组同学硬塞进“没有补习班”的平行宇宙里，他们的表现和真没报名的同学差多少？这个差距是匹配要消除的靶子。
  1. 条件期望 $\mathbb{E}[Y(0) \mid T = 1]$如果报名组同学当年“没有报名”，他们会考出的平均成绩——这是不可观测的真相，也是偏差公式的核心。
    E[Y(0)∣T=1]=报名组同学在平行宇宙B里的平均分\mathbb{E}[Y(0) \mid T = 1] = \text{报名组同学在平行宇宙B里的平均分}
  2. 条件期望 $\mathbb{E}[Y(0) \mid T = 0]$没报名组同学实际考出的平均成绩——这个可以直接从数据里算出来。
  3. 偏差 $Bias$两者之差。若报名组本身底子好，这个差为正——这就是自选择偏差的数值化。
  4. 匹配的使命让 $Bias$ 趋近于 0。匹配后若能构造一个对照组，使得它的平均分接近“报名组同学如果没报名的平均分”，偏差就被消除了。
    匹配成功  ⟺  E[Y(0)∣T=1]≈E[Y(0)∣T=0]\text{匹配成功} \iff \mathbb{E}[Y(0) \mid T = 1] \approx \mathbb{E}[Y(0) \mid T = 0]

优化策略进阶

太粗糙的匹配王老师不放心，他开始追求精益求精。第一招是“卡尺内最近邻”：设定一个最大可接受距离，超过这个距离的替身宁可不要——宁缺毋滥，找不到替身的样本直接放弃，也不硬凑。这就像选替身演员时，长得不像的人直接淘汰，哪怕戏份因此减少。

第二招是“加权匹配”：不再要求一对一，而是让一个替身服务多个人，但按相似度给每次匹配赋权；第三招更妙——“双重稳健”估计，同时用倾向得分模型和结果回归模型，两条腿走路，只要有一条是对的，结果就可信。这种稳健性在日常数据中非常宝贵，因为你永远不知道哪个模型可能设定错误。

加权的思想可以用 IPW（逆概率加权）来体现。它给每个样本一个权重，构造出一个人为的“伪人群”，让处理组和对照组在倾向得分上分布一致——相当于用“复制人”把两边的人数补齐：

从最邻近到卡尺，从一对一加权再到双重稳健，王老师的工具箱越来越丰富。但别忘了：所有的高级技巧，都是在用更精细的方式寻找那个“平行宇宙里的替身”，目标始终如一。

wi=Tie(Xi)+1−Ti1−e(Xi)w_i = \frac{T_i}{e(X_i)} + \frac{1 - T_i}{1 - e(X_i)}
通俗说明：每个样本按照“自己这种条件在现实里多稀有”被复制若干份。低概率参加却参加了的同学身价倍增，高概率参加却没参加的同学也身价倍增，最后两组在特征分布上被拉平。
  1. 倾向得分 $e(X_i)$第 $i$ 名同学报名补习班的预测概率，来自逻辑回归等模型。
    e(Xi)=P(Ti=1∣Xi)e(X_i) = P(T_i = 1 \mid X_i)
  2. 处理组权重当 $T_i = 1$ 时，权重为 $1 / e(X_i)$。在低概率人群里报了名的同学权重被放大，因为他们在现实中“稀有”，却代表了一大群“低概率但没报名”的人。
    Ti=1⇒wi=1e(Xi)T_i = 1 \Rightarrow w_i = \frac{1}{e(X_i)}
  3. 对照组权重当 $T_i = 0$ 时，权重为 $1 / (1 - e(X_i))$。高概率却没报名的同学权重被放大，因为他们在替身选拔中稀缺。
    Ti=0⇒wi=11−e(Xi)T_i = 0 \Rightarrow w_i = \frac{1}{1 - e(X_i)}
  4. 权重相加$T_i$ 只能取一个值，所以两项中只有一项非零。$w_i$ 就是该样本在构造“伪人群”时应被复制多少份。

工程实践应用

王老师把整套“找替身”流程总结成了一份标准工作手册，任何老师拿到手都能照做。工程上也是如此，匹配方法不是一次性的手工操作，而是可复制的数据流程。

一个标准的匹配流程包含四步：数据预处理（清洗缺失值、选择协变量、处理共线性）→ 估计倾向得分（逻辑回归、梯度提升等）→ 执行匹配（选算法、设卡尺、定放回方式）→ 匹配后检验（SMD、方差比、ATT）。任何一步偷工减料，都可能让因果结论变味。

流程的最终产物是平均处理效应 ATT 的估计。它的计算简单却严谨：每个处理组样本，减去它替身的观测结果，再取平均——这就是“替身法”的最终答卷：

手把手带完这一程，王老师的工作手册已经像一份“因果推断菜谱”：起步于反事实思维，在潜在结果框架下选料，用倾向得分掌勺，在平衡性检验中调味。掌握这套功夫，下次面对“补习班到底有没有用”这类问题，你也能给出有底气的回答。

ATT^=1NT∑i∈T(Yi−Yh(i))\widehat{ATT} = \frac{1}{N_T} \sum_{i \in T} \left( Y_i - Y_{h(i)} \right)
通俗说明：把每个报名同学的成绩，减去 TA 的替身（没报名的相似同学）的成绩，再对所有报名同学取平均。差值的平均值，就是补习班带来的平均提升。
  1. 处理组样本量 $N_T$报名组同学的人数。
    NT=∑i=1NTiN_T = \sum_{i=1}^{N} T_i
  2. 观测结果 $Y_i$第 $i$ 个报名同学的真实期末成绩，对应潜在结果 $Y_i(1)$。
  3. 替身结果 $Y_{h(i)}$替身同学的成绩，作为 $Y_i(0)$ 的近似。这是整个匹配流程中“看不见的平行宇宙”的唯一代笔。
    Yh(i)≈Yi(0)Y_{h(i)} \approx Y_i(0)
  4. 平均效应 $\widehat{ATT}$逐对做差后取平均。它代表“报名组同学平均比'没报名的自己'高出多少分”，这就是对补习班因果效应的估计。

AI 应用场景

电商营销优惠券效果评估

阶段：因果效应估计 / 用户增长分析

解决的问题：平台想评估“满100减20优惠券”带来的增量复购率，但用户是否领券是自选的——常购用户更可能领券，直接对比领券与未领券用户的复购率会严重高估优惠券的效果，就像“报名组本来就爱学习”一样。用倾向得分匹配，为每个领券用户匹配一个不领券但购物习惯相似的“影子用户”，就能得到较干净的增量估计。

具体案例：某电商平台向10万用户发放了优惠券。数据分析师先用逻辑回归估计领券概率（特征：客单价、品类偏好、活跃度、注册时长），再做1:1最近邻匹配。匹配后两组在关键协变量上的SMD均降至0.1以下，最终估计优惠券带来的复购率增量仅为1.8%，而直接对比显示的5.5%是高估的。基于这个更真实的数字，业务方避免了过度补贴的投放决策。

药物真实世界疗效评估

阶段：真实世界证据研究 / 药物流行病学

解决的问题：随机对照试验受伦理和成本限制，而真实世界中医生倾向于给重症患者开新药，导致用药组和未用药组的病情基线不齐。用匹配方法构建可比的观察队列，能辅助判断新药在真实人群中的疗效。

具体案例：某医药研究团队分析电子病历数据，评估一种降压药对心血管事件的影响。他们用包含年龄、血压、合并症、用药史等30多个变量的倾向得分做卡尺内匹配，匹配后两组基线SMD全部小于0.1，最终估计的效应值与后续发表的RCT结果方向一致。这一分析为药品上市后监测提供了有力证据。

Python 演示

python44 行
import numpy as npfrom sklearn.linear_model import LogisticRegressionfrom sklearn.neighbors import NearestNeighbors # 生成模拟数据: 是否参加补习班(处理)与期末成绩(结果)np.random.seed(42)n = 500base_score = np.random.normal(70, 10, n)      # 基础成绩(协变量)study_hour = np.random.normal(5, 2, n)        # 每周学习时间(协变量)logit = 0.08 * base_score + 0.3 * study_hour - 7.0treat_prob = 1.0 / (1.0 + np.exp(-logit))     # 倾向得分真值T = np.random.binomial(1, treat_prob)         # 是否参加补习班Y = 55 + 6.5 * T + 0.35 * base_score + 0.8 * study_hour + np.random.normal(0, 4, n) # 第一步: 用逻辑回归估计倾向得分 e(X) = P(T=1|X)X = np.column_stack([base_score, study_hour])model = LogisticRegression()model.fit(X, T)propensity = model.predict_proba(X)[:, 1] # 第二步: 在倾向得分上做 1:1 最近邻匹配(无放回)treated = np.where(T == 1)[0]control = np.where(T == 0)[0]nn = NearestNeighbors(n_neighbors=1, metric='euclidean')nn.fit(propensity[control].reshape(-1, 1))_, indices = nn.kneighbors(propensity[treated].reshape(-1, 1))matched_control = control[indices.flatten()] # 第三步: 计算平均处理效应 ATTatt = np.mean(Y[treated] - Y[matched_control])print("ATT = %.2f" % att) # 第四步: 匹配前后协变量平衡性(标准化差异 SMD)def smd(var, idx1, idx2):    diff = np.mean(var[idx1]) - np.mean(var[idx2])    pooled_sd = np.sqrt((np.var(var[idx1]) + np.var(var[idx2])) / 2)    return diff / pooled_sd print("base_score SMD before=%.3f after=%.3f" % (    smd(base_score, treated, control),    smd(base_score, treated, matched_control)))print("study_hour SMD before=%.3f after=%.3f" % (    smd(study_hour, treated, control),    smd(study_hour, treated, matched_control)))
目的：演示因果推断中最经典的“倾向得分匹配”全流程，从模拟自选择偏差数据到输出ATT与平衡性指标，可直接运行观察匹配如何消除混杂。
  1. logit = 0.08 * base_score + 0.3 * study_hour - 7.0构造“参加概率”与协变量的真实关系，让模拟数据天然带有自选择偏差。
  2. model = LogisticRegression()`、`model.fit(X, T)用逻辑回归估计倾向得分，这是匹配的“画像模型”。
  3. propensity = model.predict_proba(X)[:, 1]提取每个样本参加补习班的预测概率，即倾向得分。
  4. nn.fit(propensity[control].reshape(-1, 1))只对对照组构建最近邻索引，避免处理组进入候选池。
  5. nn.kneighbors(propensity[treated].reshape(-1, 1))为每个处理组样本找最近的对照组样本，返回距离和索引。
  6. matched_control = control[indices.flatten()]把近邻索引映射回对照组的原始样本编号。
  7. att = np.mean(Y[treated] - Y[matched_control])逐对做差取平均，得到补习班的净效应（ATT）。
  8. def smd(var, idx1, idx2)标准化差异函数，用合并标准差消除量纲，验证匹配后协变量是否均衡。
  9. print("base_score SMD before=%.3f after=%.3f" % ...)打印匹配前后SMD对比，看到SMD显著下降即匹配有效。

常见误区

误区用了匹配方法，处理组和对照组就完全可比了，可以直接当成随机对照实验（RCT）来解释结果。

正解匹配只能平衡“可观测”的协变量——也就是你放入了匹配模型的那几个变量。任何遗漏的、不可观测的混杂因子（如学习动机、天赋基因）仍然可能让两组不平衡。匹配本质上是“条件随机化”的近似，而不是真正的随机化。就好比给补习班同学找替身，只能根据档案上能看到的特征找，但档案上看不到“这孩子其实特别自律”。所以匹配后的因果解释，永远要附加“假设没有不可观测混杂”的前提。

为何常见：因为匹配的流程看起来像“把两组调齐了”，尤其看到SMD全部很低之后，很容易产生“实验已完成”的错觉。

误区倾向得分模型预测越准，匹配效果就越好，所以要堆尽可能多的特征、把AUC刷得越高越好。

正解倾向得分的作用是“平衡”而非“预测”。如果一个变量（比如“是否在补习机构有熟人”）几乎完美预测谁报名，那么报名者和未报名者在倾向得分上几乎没有重叠，匹配会直接失败——这违反了重叠假设。倾向得分模型应选与结果相关、与处理相关的混杂变量，而非所有变量；过度拟合会导致倾向得分两极分化，加权估计的方差爆炸。

为何常见：因为大家习惯性地认为“预测准=模型好”，这是一种监督学习思维被错误迁移到因果推断上的典型表现。

误区无放回匹配每个对照组样本只用一次，看起来很“干净”，结果一定比有放回匹配更可信。

正解无放回匹配确实避免了同一对照被重复使用，但会引入“匹配顺序”偏差——先被匹配的处理组抢走了最好的替身，排在后面的只能挑剩下的。同时大量找不到替身的处理组样本被丢弃，降低了样本效率。有放回匹配允许重复使用优质对照，偏差通常更小，但方差更大。实践中常用“有放回+卡尺限制”来兼顾两者。

为何常见：因为直觉上“复用”听起来不严谨，但匹配的偏差-方差权衡比直觉复杂得多。

误区5000个用户全部匹配成功，一定比只匹配1000对更可靠——样本量越大算出的效应越准。

正解匹配后估计量的偏差取决于匹配质量，而不是样本量。如果为了保住样本量而放宽卡尺，允许“半个像”的替身入队，产生的混杂偏差可能非常可观。相反，在严格卡尺内匹配，哪怕损失大量样本，只要保留的样本重叠度高，估计反而更可信。这就像找替身——硬凑5000对“半个像”的同学，不如凑1000对“双胞胎”。

为何常见：因为“样本量越大越好”是预测建模的惯性思维，被错误迁移到了因果推断里。

误区匹配完成就等于大功告成，直接拿两组结果的平均值相减就得到了因果效应。

正解匹配后必须先做平衡性检验（SMD、方差比），确认协变量均衡达标；如果不达标，需要回头调整匹配规格（换距离、收紧卡尺、换算法）。此外，估算ATT时还可以进一步结合回归调整，形成“匹配+回归”的双重保障，减小残余不平衡带来的偏差。

为何常见：因为匹配的“找替身”过程很直观，做完后人们容易忘记：替身像不像，需要数据说了算，而不是肉眼说了算。

面试题

Q1. 匹配方法主要用于解决观测研究中的什么问题？

单选题 · easy

  • A.数据缺失问题
  • B.自选择偏差问题← 正确答案
  • C.多重共线性问题
  • D.样本量不足问题

答案：B。观测研究中，个体是否接受处理往往由自身特征决定，导致处理组与对照组在干预前就不可比，这就是自选择偏差。匹配通过构造相似的对照组来缓解它。它不解决数据缺失、共线性或样本量不足的问题。

Q2. 在潜在结果框架中，平均处理效应 ATE 的定义是？

单选题 · easy

  • A.处理组结果的平均值
  • B.对照组结果的平均值
  • C.处理组均值减对照组均值← 正确答案
  • D.两组潜在结果的均值之和

答案：C。ATE 是全体人群两个潜在结果均值之差 $\mathbb{E}[Y(1)]-\mathbb{E}[Y(0)]$，衡量处理在整个人群中的平均因果效应。A 和 B 只是单一组的均值，D 是求和，均无因果含义。

Q3. 倾向得分 e(X) 指的是？

单选题 · mid

  • A.处理组样本的比例
  • B.给定X下接受处理的概率← 正确答案
  • C.结果变量Y的预测值
  • D.协变量X的均值

答案：B。倾向得分是“在给定协变量 X 下样本被分配到处理组的条件概率” $P(T=1|X)$。它是一个平衡分数：只要潜在结果在给定 X 时独立于 T，那么给定倾向得分也独立。A/C/D 都是易混淆的错误定义。

Q4. 以下哪些属于常见的匹配算法？

多选题 · mid

  • A.最邻近匹配← 正确答案
  • B.分层匹配← 正确答案
  • C.核匹配← 正确答案
  • D.梯度下降

答案：ABC。最邻近、分层、核匹配都是常用的匹配算法，各自对应不同的“找替身”策略。梯度下降是优化算法，与匹配无关，属于干扰项。

Q5. 标准化差异 SMD 主要用于？

单选题 · mid

  • A.评估匹配后的协变量平衡性← 正确答案
  • B.检验回归模型的显著性
  • C.计算倾向得分的准确率
  • D.比较处理组的样本量

答案：A。SMD 比较匹配后两组在每个协变量上的均值差与合并标准差之比，经验上小于 0.1 视为均衡。它衡量的是平衡性，而非预测精度或假设检验显著性。

Q6. 为什么匹配无法消除不可观测混杂？

单选题 · hard

  • A.因为匹配需要足够的样本量支持
  • B.因为匹配只依赖可观测协变量X构建相似度← 正确答案
  • C.因为匹配算法本身带有随机误差
  • D.因为倾向得分无法被准确估计

答案：B。匹配（包括倾向得分匹配）只能在可观测协变量 X 上构造平衡。如果存在同时影响处理分配和结果的未观测变量（如学习动机），匹配后两组在该变量上仍然不均衡，因果效应依旧有偏。这与样本量、算法随机误差或倾向得分估计精度无关。

Q7. 关于有放回匹配，下列说法正确的有？

多选题 · mid

  • A.对照组样本可以被重复使用← 正确答案
  • B.估计方差通常比无放回匹配更大← 正确答案
  • C.匹配偏差通常比无放回匹配更小← 正确答案
  • D.完全避免了样本丢弃

答案：ABC。有放回匹配允许同一对照组样本匹配多个处理组样本（A 对），好处是每个处理组总能找到更近的替身、匹配偏差更小（C 对），代价是方差增大（B 对）。它并不能完全避免样本丢弃，卡尺限制下仍可能丢弃样本（D 错）。

Q8. 卡尺匹配中“卡尺”的作用是什么？

单选题 · easy

  • A.限制匹配距离的上限防止替身过差← 正确答案
  • B.增加匹配样本的数量
  • C.提升倾向得分的预测精度
  • D.对结果变量做归一化

答案：A。卡尺是一个距离阈值，只有距离小于阈值的对照样本才能成为匹配候选。它相当于给“找替身”设定相似度下限，宁缺毋滥。B 是它的反面效果，C/D 与其作用无关。

Q9. 双重稳健估计的优势在于？

多选题 · extreme

  • A.倾向得分与结果模型只需一个正确← 正确答案
  • B.同时利用两个模型，效率通常更好← 正确答案
  • C.可以完全消除不可观测混杂
  • D.不需要任何模型假设

答案：AB。双重稳健估计结合了倾向得分加权与结果回归，只要两个模型中有一个被正确设定，估计就是一致的（A 对），同时利用两个模型通常能提高效率（B 对）。但它同样不能消除不可观测混杂（C 错），也依赖模型设定（D 错）。

Q10. 最近邻匹配中“无放回”的主要缺点是？

单选题 · hard

  • A.对照组样本会被重复使用
  • B.匹配顺序影响结果，先匹配者抢占最优替身← 正确答案
  • C.倾向得分模型无法估计
  • D.无法计算处理组ATT

答案：B。无放回匹配按扫描顺序为每个处理组样本分配一个尚未被使用的对照组样本，排在后面的处理组样本可选的替身变少、匹配质量下降，因此结果依赖顺序。A 是有放回的特点，C/D 与放回方式无关。