今年9月，JMP產品更新至最新版本19。
此次更新為 JMP Pro 和 JMP 學生版新增了一個名為「因果處理效應」的平台，讓您可以使用傾向分數配對進行分析。
在本文中，我們將透過一個例子來解釋如何使用這個「因果處理效應」平台進行傾向得分配對。
傾向得分配對範例
為了研究某種醫療方法的有效性，我們收集了 181 名患者的數據。每位患者被分為「接受醫療治療」或「未接受醫療治療」兩類，並評估了治療結果（有效或無效）。
與治療和結果相關的患者特徵將作為協變量，包括性別、年齡、吸煙史、BMI 和嚴重程度評分。
結果（結果） ："Y：結果"（1：有效，0：無效）
處理方式："T: 處理方式"（1: 處理（治療組），0: 未處理（對照組））
協變數：「X1:Sex」、「X2:Age」、「X3:Smoking」、「X4:BMI」、「X5:Severity Score」
可從本部落格下載此資料（JMP 格式）（PM_example.jmp）。
啟動因果治療效應平台
根據以上數據，執行以下操作：
- 選擇“分析”>“擬合模型”，然後將“模型規格”視窗右上角的方法變更為“因果處理效應” 。
- 如下圖所示，指定與 [Y] 和 [Treatment] 對應的欄位。此外，開啟「處理模型」標籤，並使用「新增」按鈕指定協變數（X1 至 X5）。
- 點擊運行。
注意：如果為 Y 指定名目（或有序）尺度列，則類別數必須為 2。此外，處理變數也必須是具有兩個類別的名目（有序）尺度列。 （不能使用三個或更多類別。）
在出現的“擬合因果處理效應”報告中，展開“其他傾向得分方法”，然後從“傾向得分匹配方法”中選擇“最近鄰”。
然後，您可以如下指定傾向評分法的各種選項：
選項的含義如下所述。
每次觀察的配對數：指定一個治療受試者應配對多少個對照受試者。
預設值“1”表示一對一匹配，“2”表示一對二匹配。
最小和最大傾向分數：設定用於配對的傾向分數的最小值和最大值。由於傾向得分的範圍為 0 到 1，因此預設為使用所有觀測值進行配對。
卡尺：表示待配對觀測值之間「傾向分數的最大允許差異」。實際上，容差的計算方法是將指定的卡尺值乘以「匹配統計量的共同標準差的合併估計值」。例如，如果估計的標準差為 0.1，而卡尺值指定為 0.2，則容差為 0.02（= 0.2 × 0.1）。超出容差範圍的觀測值將被排除在匹配之外。
配對統計：您可以指定「傾向分數的Logit值」（預設）或「傾向分數」。如果您指定“傾向分數的Logit值”，則配對將使用傾向分數的logit轉換值，而不是傾向分數本身。
有放回匹配：如果選取此項，則對照組中的相同觀測值可以重複用於多個處理組的觀測值。如果未選取此項，則已使用過一次的對照組觀測值將不再重複使用。通常，有放回抽樣會增加可配對的樣本數。
目前，請保留預設設置，然後點擊左側的「運行」。
匹配結果
查看報告「傾向評分配對摘要」。
“匹配參數”顯示您剛剛指定的選項的值。
「按治療分組的傾向分數分佈」顯示了每個治療組（=1）和對照組（=0）的傾向分數的logit分佈。藍點表示匹配的觀測值，紅點表示落在卡尺範圍之外的未匹配（排除）觀測值。
同時，系統會輸出一個新的資料表，總結匹配結果。表顯示了匹配樣本的狀態。匹配對顯示為“匹配 ID”。在本例中，治療組和對照組共創建了 68 對配對樣本。
注意：如果在模型報告中選擇“將因果效應列保存到表中”，則顯示估計因果效應的列（包括傾向得分、傾向得分的logit值以及行是否匹配）將保存到原始數據表中。
匹配數據分析
最終報告《匹配數據分析》提供了有關擬合匹配數據的模型的資訊。
本文所使用的模型為邏輯迴歸模型，結果變數為 Y，處理因素為固定效應，配對 ID 為隨機效應。在傾向評分配對中，評分相近的處理組和對照組會被配對，因此同一 ID 內的觀測值不能被視為獨立，這種情況透過將其視為隨機效應來解決。
查看“固定效應的參數估計”，項 Treatment[0-1] 的參數估計值為 -1.663。此項中顯示的 [0-1] 表示“對照組 (=0) 對處理組 (=1) 的影響”，顯示對照組的 logit 值（效應機率）比處理組低 1.663。
估計值 (-1.663) 的 95% 信賴區間為 [-2.554, -0.772]，不包含 0，且 p 值很小，為 0.003，因此有顯著差異。
換句話說，可以得出因果推斷，進行醫療手術會顯著增加取得正面結果的機率。
在“二項式”報告左側的紅色三角形按鈕中選擇“[邊際預測圖] > [輪廓圖]”，即可獲得各組的“有效”預測機率。對照組的預測機率為 0.117，治療組的預測機率為 0.411，顯示該治療預計有約 30% 的效果。
如果我們取處理估計值（= -1.663）的符號的倒數，並將該值放在指數的肩部，我們得到
exp(1.663) = 5.28
這顯示了在「存在療效」這一標準下，治療組相對於對照組的優勢比。換句話說，接受治療後，療效的幾率比對照組高出約5.3倍。
即使 Y 是連續變數
到目前為止的例子中，Y 都是二元名義變量，但當Y 是連續變數時，也可以使用類似的操作來執行傾向分數配對。
JMP 範例資料「血壓治療.jmp」是使用連續變數「給藥後收縮壓」作為 Y 的範例。
在這種情況下，假設 Y 服從常態分佈，將線性混合模型擬合到匹配的資料。
作者：Naohiro Masukawa（JMP 日本）
Naohiro Masukawa - JMP 使用者社區
