Outils de recherche › Propensity Score

Propensity Score (PSM / IPTW)

A mainstream method for controlling confounding in observational research: estimate the propensity score by logistic regression, then use 1:1 caliper matching (PSM) or inverse-probability-of-treatment weighting (IPTW) to balance the covariate distribution between treated and control groups. It gives covariate balance (standardised mean difference, SMD) before/after matching/weighting and a Love plot, with an optional outcome effect. Calcul local dans le navigateur ; aucune donnée n'est envoyée.

① Data

Paste data with a header: first row = column names, then one record per row (Tab/comma-separated). The treatment and outcome columns are coded 0/1; covariates are numeric (dummy-code categorical variables first).

Mode d'emploi et méthodologie

Comment choisir entre PSM et IPTW ?

Le PSM (appariement) est intuitif et facile à présenter comme échantillon apparié, mais écarte les sujets non appariables, change la population cible et réduit l'effectif ; l'IPTW (pondération) conserve tout le monde et estime l'ATE, mais est sensible aux poids extrêmes (lorsque le score de propension est proche de 0 ou 1). On les utilise souvent ensemble pour se corroborer.

Pourquoi le SMD est-il meilleur que la valeur P pour juger l'équilibre ?

La valeur P des différences de covariables entre groupes dépend de la taille d'échantillon (même de minuscules différences sont significatives sur de grands n) ; le SMD n'en dépend pas et caractérise directement l'ampleur standardisée de la différence. <0,1 est en général considéré comme bien équilibré : métrique recommandée pour l'appariement/pondération.

Comment choisir les covariables du modèle de score de propension ?

Incluez les facteurs de confusion liés au critère (y compris les variables pré-traitement liées au critère) ; n'incluez pas les variables intermédiaires survenant après le traitement, ni celles liées seulement au traitement et non au critère. La sélection doit reposer sur la connaissance du domaine et un diagramme causal.

Le score de propension peut-il supprimer toute confusion ?

Non. Il ne peut équilibrer que les covariables mesurées et incluses dans le modèle, et est impuissant face à la confusion non mesurée — différence fondamentale avec la randomisation. Les conclusions doivent inclure une analyse de sensibilité (p. ex. E-value) pour montrer la robustesse à la confusion non mesurée.