【摘要】：研究背景:隨機(jī)對(duì)照試驗(yàn)(Randomized Controlled Trial,RCT)被認(rèn)為是證據(jù)等級(jí)最高的研究設(shè)計(jì),是研究因果效應(yīng)(Causal Effect)的金標(biāo)準(zhǔn)。但RCT研究并不能解決醫(yī)學(xué)研究中的所有問(wèn)題。由于觀察性研究(observational study)不對(duì)研究對(duì)象進(jìn)行隨機(jī)分組,并且相對(duì)RCT更加節(jié)省費(fèi)用和時(shí)間,因此越來(lái)越受到生物醫(yī)學(xué)科研人員的關(guān)注。但觀察性研究的研究對(duì)象基線變量在各個(gè)分組間存在著明顯差異,存在混雜偏倚,從而影響處理效應(yīng)估計(jì)(estimation of treatment effects)的準(zhǔn)確性。傾向性評(píng)分法(Propensity Score,PS)是常見(jiàn)的可以用來(lái)控制可觀測(cè)混雜的方法,其中,傾向性評(píng)分匹配法(Propensity Score Matching,PSM)應(yīng)用最為廣泛。PSM的基本思想是將PS相同或相近的處理組與對(duì)照組對(duì)象進(jìn)行匹配,從而使得匹配后兩組對(duì)象基線協(xié)變量均衡可比,控制混雜效應(yīng)對(duì)處理效應(yīng)估計(jì)的偏倚。為了控制匹配質(zhì)量,只有處理組與對(duì)照組對(duì)象的PS距離小于設(shè)定好的一個(gè)值(卡鉗值,caliper)時(shí),才能形成匹配,該匹配方法稱為傾向性評(píng)分卡鉗匹配(Propensity Score Caliper Matching,PSCM)。此時(shí)由于部分處理組對(duì)象無(wú)法再對(duì)照組中找到PS距離小于卡鉗值的對(duì)象從而排除匹配,因此會(huì)損失部分的樣本。樣本量損失的多少與卡鉗值設(shè)置的大小有關(guān)。傳統(tǒng)的PSM使用的是PS的點(diǎn)估計(jì),未考慮抽樣誤差,損失了部分傾向性評(píng)分的信息。因此有學(xué)者提出使用傾向性評(píng)分的置信區(qū)間(confidence Interval,CI)進(jìn)行匹配,稱為傾向性評(píng)分區(qū)間匹配(Propensity Score Interval Matching,PSIM)。PSIM能使匹配率得到顯著提升,尤其是在樣本量較小的情況下。但可能導(dǎo)致匹配后組間協(xié)變量均衡性變差�；谶\(yùn)籌學(xué)整數(shù)規(guī)劃問(wèn)題中的指派問(wèn)題(assignment problem)基本思想所構(gòu)建的全局最優(yōu)匹配(global optimal matching),著眼于使所有形成配對(duì)對(duì)象的傾向性評(píng)分距離之和達(dá)到最小或傾向性評(píng)分置信區(qū)間重合度之和達(dá)到最大,從而提高匹配質(zhì)量,增加組間協(xié)變量的均衡性。因此,本研究將全局最優(yōu)匹配算法用于優(yōu)化PSIM,構(gòu)建全局最優(yōu)的傾向性評(píng)分區(qū)間匹配(Global Optimal Propensity Score Interval Matching,GOPSIM)算法,在增加匹配率的同時(shí)進(jìn)一步平衡組間協(xié)變量,并將該算法擴(kuò)展到處理因素為無(wú)序三分類的情形,以滿足實(shí)際研究中的需要。研究目的:觀察性研究中存在較強(qiáng)混雜效應(yīng)或樣本量較小的情形下,使用PSCM會(huì)損失較多樣本。若不使用卡鉗匹配,組間協(xié)變量的均衡性就可能較差。本研究針對(duì)這一系列問(wèn)題,提出能提高匹配率、提升效應(yīng)估計(jì)準(zhǔn)確度以及增加統(tǒng)計(jì)效率的PSIM方法。并將能進(jìn)一步優(yōu)化匹配質(zhì)量,提升匹配后基線均衡性的基于“指派問(wèn)題”的全局最優(yōu)算法應(yīng)用于PSIM中。并將該匹配算法從處理因素為兩分類擴(kuò)展到無(wú)序三分類的情形。通過(guò)數(shù)據(jù)模擬研究,探索最優(yōu)的PSIM的卡鉗重合度,以及評(píng)價(jià)全局最優(yōu)傾向性評(píng)分區(qū)間匹配的估計(jì)效應(yīng)的準(zhǔn)確性和精確性,從而構(gòu)建最優(yōu)的匹配算法。再將優(yōu)化后的匹配算法應(yīng)用于第五次全國(guó)衛(wèi)生服務(wù)調(diào)查(上海地區(qū))的實(shí)例研究中。研究方法:1.匹配算法構(gòu)建本研究分別針對(duì)對(duì)兩分類和無(wú)序三分類兩種處理因素類別數(shù),從優(yōu)化性能(局部最優(yōu)、全局最優(yōu))、匹配方法(點(diǎn)估計(jì)匹配、置信區(qū)間匹配)和卡鉗設(shè)置情況(卡鉗值、卡鉗區(qū)間)等3個(gè)方面的不同水平組合進(jìn)行匹配算法的構(gòu)建,各構(gòu)建2*2*2=8種匹配算法,共計(jì)16種。2.模擬數(shù)據(jù)集生成(1)兩分類處理因素首先生成自變量,根據(jù)變量關(guān)系矩陣生成18個(gè)自變量,其中9個(gè)服從發(fā)生事件率為0.5的伯努利分布的兩分類自變量X_1-X_9,以及9個(gè)服從均數(shù)為0,方差為1的正態(tài)分布連續(xù)性自變量X_1 _0-X_1 _8。使用logit函數(shù)和伯努利函數(shù),并根據(jù)混雜效應(yīng)的三種強(qiáng)度生成兩分類處理變量,調(diào)整常數(shù)項(xiàng)使接受處理的對(duì)象比例控制在30%左右。最后,根據(jù)結(jié)局變量和處理變量與協(xié)變量的相關(guān)關(guān)系,使用logit函數(shù)和伯努利函數(shù)生成兩分類結(jié)局變量,調(diào)整常數(shù)項(xiàng)使發(fā)生結(jié)局的比例控制在20%左右。兩分類處理因素的模擬研究設(shè)置了3種樣本量大小(200、500和1000)、3種混雜效應(yīng)大小、6種處理效應(yīng)大小共3*3*6=54種情形。每個(gè)情形生成1000個(gè)數(shù)據(jù)集,共產(chǎn)生了54,000個(gè)模擬數(shù)據(jù)集。(2)無(wú)序三分類處理因素自變量的生成跟處理因素為兩分類一致。使用logit函數(shù)和多項(xiàng)分布函數(shù),并根據(jù)混雜效應(yīng)的三種強(qiáng)度生成三分類處理變量,調(diào)整常數(shù)項(xiàng)使三個(gè)處理水平發(fā)生的比例控制在2:3:5左右。最后根據(jù)處理變量、協(xié)變量和結(jié)局變量的關(guān)系,logit函數(shù)和伯努利函數(shù)生成兩分類的結(jié)局變量,調(diào)整常數(shù)項(xiàng)使結(jié)局變量發(fā)生的比例控制在20%左右。無(wú)序三分類處理因素的模擬研究設(shè)置了2種樣本量(500和1000)、3中混雜效應(yīng)大小、兩種處理效應(yīng)大小,共2*3*2=12種情形。每種情形生成1000個(gè)數(shù)據(jù)集共12,000個(gè)模擬數(shù)據(jù)集。3.匹配算法的評(píng)價(jià)本研究根據(jù)以下7種評(píng)價(jià)指標(biāo)來(lái)評(píng)價(jià)不同匹配算法的表現(xiàn)性能,包括:處理效應(yīng)估計(jì)的絕對(duì)偏倚(absolute bias)、處理效應(yīng)估計(jì)的相對(duì)偏倚(percent bias)、處理效應(yīng)估計(jì)的方差(variance)、處理效應(yīng)估計(jì)的均方誤差(mean squared error)、處理效應(yīng)估計(jì)的95%置信區(qū)間覆蓋率(coverage of 95%CI)、匹配率和協(xié)變量組間標(biāo)準(zhǔn)化差異(standardized difference)。使用一般線性模型(general linear model,GLM)估計(jì)不同匹配方法7個(gè)評(píng)價(jià)指標(biāo)的邊際均數(shù)(marginal means),從而判斷不同匹配方法的匹配性能的優(yōu)劣。4.實(shí)例分析以上海區(qū)第五次國(guó)家衛(wèi)生服務(wù)調(diào)查數(shù)據(jù)作為實(shí)例分析部分的資料來(lái)源。處理因素為二分類的實(shí)例為上海市郊區(qū)65歲以上獨(dú)居老人與非獨(dú)居老人的自評(píng)健康狀況差異;處理因素為無(wú)序三分類的實(shí)例為上海市某區(qū)參保三種不同基本醫(yī)療保險(xiǎn)的65歲以上老年女性居民的衛(wèi)生服務(wù)利用情況比較分析。研究結(jié)果:1.模擬研究結(jié)果(1)傾向性評(píng)分區(qū)間匹配(1)處理因素為兩分類兩分類處理的局部最優(yōu)匹配共四種,分別是兩分類傾向性評(píng)分最鄰近匹配(PSNNM2)、傾向性評(píng)分卡鉗匹配(PSCM2)、傾向性評(píng)分最大區(qū)間重合度匹配(PSMIOM2)和傾向性評(píng)分區(qū)間匹配(PSIM2)。這4種匹配方法均能很大程度上降低處理效應(yīng)的估計(jì)偏倚,并使得協(xié)變量在組間相對(duì)均衡。在未進(jìn)行匹配時(shí),處理效應(yīng)估計(jì)的絕對(duì)偏倚和相對(duì)偏倚均很大。PSNNM2、最優(yōu)卡鉗值的PSCM2和PSMIOM2較其他方法絕對(duì)偏倚和相對(duì)偏倚均較大。其余匹配方法均能達(dá)到非常好的處理效應(yīng)估計(jì)準(zhǔn)確性。除了PSMIOM2外,其余匹配方法均能使協(xié)變量達(dá)到均衡狀態(tài)。PSIM2絕對(duì)偏倚的絕對(duì)值在大多數(shù)的卡鉗區(qū)間下均小于最優(yōu)卡鉗匹配,且有較高的匹配率。隨著卡鉗區(qū)間的減小,絕對(duì)偏倚也隨之增加,當(dāng)卡鉗區(qū)間為0.60時(shí)絕對(duì)偏倚最接近0。此外,隨著卡鉗區(qū)間的增加,匹配率的逐漸下降。相反地,組間均衡性卻增加。匹配率和協(xié)變量的組間均衡性互相矛盾,匹配率的增加會(huì)使協(xié)變量組間均衡性變差。(2)處理因素為無(wú)序三分類無(wú)序三分類處理的局部最優(yōu)匹配共四種,分別是處理因素為無(wú)序三分類傾向性評(píng)分最鄰近匹配(PSNNM3)、傾向性評(píng)分卡鉗匹配(PSCM3)、傾向性評(píng)分最大區(qū)間重合度匹配(PSMIOM3)和傾向性評(píng)分區(qū)間匹配(PSIM3)。對(duì)于不同卡鉗區(qū)間的PSIM3,隨著卡鉗區(qū)間的增加,協(xié)變量的平均標(biāo)準(zhǔn)化差異隨之降低。相應(yīng)地,匹配率也會(huì)隨之下降。當(dāng)實(shí)際數(shù)據(jù)的三個(gè)處理組的基線協(xié)變量差異較大時(shí),模擬研究結(jié)果顯示,卡鉗區(qū)間設(shè)置為2.8時(shí),可以更好地控制組間協(xié)變量的均衡性。反之,當(dāng)基線協(xié)變量較均衡時(shí),可以選取2.4作為卡鉗區(qū)間來(lái)保證較高的匹配率,使得更多的對(duì)象可以形成匹配。(2)全局最優(yōu)傾向性評(píng)分匹配(1)處理因素為兩分類變量?jī)煞诸惖娜肿顑?yōu)傾向性匹配共四種:兩分類處理全局最優(yōu)傾向性評(píng)分最鄰近匹配(GOPSNNM2)、全局最優(yōu)傾向性評(píng)分卡鉗匹配(GOPSCM2)、全局最優(yōu)傾向性評(píng)分最大區(qū)間重合度匹配(GOPSMIOM2)和全局最優(yōu)傾向性評(píng)分區(qū)間匹配(GOPSIM2)。GOPSMIOM2的處理效應(yīng)估計(jì)的絕對(duì)偏倚和相對(duì)偏倚均較大,但其處理效應(yīng)估計(jì)的方差與其他匹配方法差不多。由于偏倚較大的原因,該匹配方法的均方誤差較大、處理效應(yīng)估計(jì)的95%置信區(qū)間覆蓋率較低、協(xié)變量的組間均衡性較差。在各種卡鉗區(qū)間重合度的GOPSIM2中,隨之卡鉗值的增加,處理效應(yīng)估計(jì)的絕對(duì)偏倚也隨之增加。匹配率和協(xié)變量平均標(biāo)準(zhǔn)化差異均隨著卡鉗區(qū)間重合度的增加而增加。當(dāng)卡鉗區(qū)間重合度為0.45時(shí),匹配率較低,此時(shí)的平均標(biāo)準(zhǔn)化差異最小當(dāng)卡鉗區(qū)間重合度為0.90時(shí),匹配率較高,此時(shí)的協(xié)變量平均標(biāo)準(zhǔn)化差異為5.02%,也遠(yuǎn)遠(yuǎn)小于10%的閾值�？偟膩�(lái)看,所有匹配方法均能得到一個(gè)偏倚較小的處理效應(yīng)估計(jì)。絕對(duì)偏倚最大的匹配方法是GOPSMIOM2,最小的是GOPSIM2-60。相對(duì)偏倚與絕對(duì)偏倚相類似。各個(gè)匹配方法的處理效應(yīng)估計(jì)的方差均較小且很接近。基線協(xié)變量的平均標(biāo)準(zhǔn)化差異和匹配率呈正比關(guān)系。在沒(méi)有進(jìn)行卡鉗區(qū)間篩選之前,協(xié)變量的平均標(biāo)準(zhǔn)化差異較大。通過(guò)卡鉗區(qū)間的篩選,協(xié)變量的平均標(biāo)準(zhǔn)化差異顯著下降。隨著卡鉗區(qū)間重合度的增加,平均標(biāo)準(zhǔn)化差異逐漸下降。匹配率也隨之減小。總體來(lái)看,GOPSIM2-90的標(biāo)準(zhǔn)化差異較小,匹配率較高。(2)處理因素為無(wú)序三分類變量在GOPSCM3和GOPSNNM3中,不同匹配方法得到的處理效應(yīng)估計(jì)的絕對(duì)偏倚和相對(duì)偏倚相對(duì)接近。絕對(duì)偏倚最大的匹配方法為卡鉗值0.01的GOPSCM3。絕對(duì)偏倚最小的匹配方法是卡鉗值0.02的GOPSCM3。處理效應(yīng)估計(jì)的方差與偏倚的大致呈反比,偏倚越小方差越大。不同匹配方法間方差的差異不大。基線協(xié)變量的平均標(biāo)準(zhǔn)化差異和匹配率呈正比,匹配率越高,平均標(biāo)準(zhǔn)化差異也越大。GOPSNNM3的匹配率100.00%,隨著卡鉗值從0.5減小到0.01,匹配率從99.04%下降到56.47%,平均標(biāo)準(zhǔn)化差異從18.62%下降為6.44%。除了卡鉗值為0.01的GOPSCM3,其余所有匹配方法協(xié)變量平均標(biāo)準(zhǔn)化差異小于10%,可認(rèn)為協(xié)變量均衡可比。在GOPSMOIM3和GOPSIM3中,絕對(duì)偏倚最大的匹配方法是GOPSMIOM3(0.096),最小的是GOPSIM3-75(0.069)。相對(duì)偏倚與絕對(duì)偏倚相類似,也是GOPSMIOM最大(5.903%),GOPSIM3-75最小(4.384%)。各個(gè)匹配方法的處理效應(yīng)估計(jì)的方差均較小,基本在0.075附近。由于GOPSMIOM3的處理效應(yīng)的偏倚和方差均較大,因此其處理效應(yīng)估計(jì)的均方誤差也最大(5.094)。7種卡鉗區(qū)間的GOPSIM3的均方誤差較接近�；�協(xié)變量的平均標(biāo)準(zhǔn)化差異和匹配率呈正比關(guān)系。在沒(méi)有進(jìn)行卡鉗區(qū)間篩選之前,協(xié)變量的平均標(biāo)準(zhǔn)化差異較大(16.14%),大于了10%的推薦閾值。通過(guò)卡鉗區(qū)間的篩選,協(xié)變量的平均標(biāo)準(zhǔn)化差異顯著下降�？傮w來(lái)看,GOPSIM3的標(biāo)準(zhǔn)化差異較小,匹配率較高。2.實(shí)例研究結(jié)果(1)上海市郊區(qū)65歲以上空巢老年居民自評(píng)健康狀況研究排除了協(xié)變量或處理變量存在缺失的居民,最終477名獨(dú)居老人和902名非獨(dú)居老人納入傾向性評(píng)分估計(jì)的模型。PSNNM2、PSMIOM2、GOPSNNM2和GOPSMIOM2的匹配率均為100%,GOPSCM2的匹配率最低,為38.99%,PSIM2匹配率最高45.49%。協(xié)變量平均標(biāo)準(zhǔn)化差異(Standardized Difference,SD)在匹配前為23.01%,四種沒(méi)有設(shè)置卡鉗值和卡鉗區(qū)間,因此,這四種方法的協(xié)變量平均SD比較大,均大于10%。PSCM2的平均SD最小為5.28%。使用Wilcoxon秩和檢驗(yàn)比較獨(dú)居老人和非獨(dú)居老人的自評(píng)健康狀況,在匹配前,獨(dú)居老人和非獨(dú)居老人的自評(píng)健康差異有統(tǒng)計(jì)學(xué)意義,P0.0001。但在進(jìn)行PSM后,8種匹配方法的結(jié)果均為獨(dú)居老人和非獨(dú)居老人的自評(píng)健康狀況差異無(wú)統(tǒng)計(jì)學(xué)意義(P值均大于0.05)。區(qū)間匹配能比點(diǎn)估計(jì)的匹配增加一定的匹配率,例如把PSCM2的匹配率從41.51%提升到PSIM2的45.49%,把GOPSNNM2的38.99%提升到GOPSIM2的44.86%。但是,協(xié)變量的標(biāo)準(zhǔn)化差異變化不大,增加了不到2%。說(shuō)明不論是否聯(lián)合和全局最優(yōu)匹配的算法,區(qū)間匹配能在幾乎不影響協(xié)變量組間均衡性的情況下,一定程度的提升匹配率,尤其是在樣本量比較小,或者兩個(gè)處理組間協(xié)變量分布差異較大時(shí),優(yōu)勢(shì)更加明顯。(2)上海市某區(qū)老年女性居民醫(yī)保類型對(duì)衛(wèi)生服務(wù)利用的影響本實(shí)例研究對(duì)象納入標(biāo)準(zhǔn)為上海市某區(qū)65歲以上老年女性居民,若其基本醫(yī)療保險(xiǎn)參保情況缺失則排除本實(shí)例研究。通過(guò)整理數(shù)據(jù),本實(shí)例共納入了532名參保城鎮(zhèn)職工基本醫(yī)療保險(xiǎn)居民、343民城鎮(zhèn)居民基本醫(yī)療保險(xiǎn)參保居民以及235名新農(nóng)村合作醫(yī)療系統(tǒng)參保居民,共1110人。PSNNM3、PSMIOM3、GOPSNNM3和GOPSMIOM3的匹配率為100%。但這四種匹配方法的協(xié)變量均衡性較差,均大于了10%,但顯著地低于匹配前的27.88%。PSIM3的匹配率在其余的四種匹配方法中最高,達(dá)到了58.88%。GOPSCM3的匹配率最低,僅為42.26%。通過(guò)卡鉗值或卡鉗區(qū)間的控制,這四種匹配方法的協(xié)變量均衡性有了很大的提升,協(xié)變量平均SD均小于了10%。其中GOPSCM3的協(xié)變量均衡性最好,平均SD僅為6.42%。在匹配前,由于存在大量混雜偏倚,未能檢驗(yàn)出三組間的兩周就診率的差異。但在經(jīng)過(guò)PSM后,PSNNM3、PSIM3、GOPSNNM3和GOPSMIOM3卡方檢驗(yàn)的P值均小于0.05,認(rèn)為參保三種醫(yī)保類型的居民兩周就診率差異有統(tǒng)計(jì)學(xué)意義。與模擬研究相類似,PSNNM3、PSMIOM3、GOPSNNM3和GOPSMIOM3四種匹配方法沒(méi)有設(shè)置卡鉗值或卡鉗區(qū)間,匹配率為100%,但這四種方法的協(xié)變量均衡性就稍差一些。其余四種方法設(shè)置了卡鉗值或卡鉗區(qū)間,因此協(xié)變量均衡性有所提升。使用PSNNM3匹配有統(tǒng)計(jì)學(xué)意義,而設(shè)置了卡鉗值后PSCM3就沒(méi)有統(tǒng)計(jì)學(xué)意義了。這可能是由于設(shè)置了卡鉗值后導(dǎo)致了樣本量的損失,使得檢驗(yàn)效率降低。但是,使用了區(qū)間匹配后,PSIM3的匹配率比PSCM3高出了一些,提升了部分的檢驗(yàn)效率,因此又檢驗(yàn)出了統(tǒng)計(jì)學(xué)差異。研究結(jié)論:卡鉗區(qū)間為0.60的PSIM2在探索的16種卡鉗區(qū)間的PSIM2中有著最優(yōu)的表現(xiàn)。因此,通過(guò)本研究的模擬實(shí)驗(yàn),推薦在進(jìn)行PSM時(shí),尤其是樣本量比較小的時(shí)候,使用卡鉗區(qū)間為0.60的PSIM2能得到較好的匹配。隨著卡鉗值的減小或卡鉗區(qū)間重合度的增加,PSCM3或PSIM3的組間協(xié)變量均衡性會(huì)變的更均衡,但是匹配率會(huì)隨之下降。通過(guò)權(quán)衡兩者,并且結(jié)合處理效應(yīng)估計(jì)的指標(biāo),本研究推薦使用卡鉗區(qū)間為2.6的PSIM3進(jìn)行處理效應(yīng)為無(wú)序三分類的PSM。通過(guò)實(shí)例研究,進(jìn)一步驗(yàn)證了匹配算法有著較好的表現(xiàn)性能。經(jīng)過(guò)8種兩分類傾向性評(píng)分匹配分析,上海郊區(qū)65歲以上獨(dú)居與非獨(dú)居老年女性居民的自評(píng)見(jiàn)狀況差異均無(wú)統(tǒng)計(jì)學(xué)意義,敏感性分析的結(jié)果也顯示差異無(wú)統(tǒng)計(jì)學(xué)意義。使用8種無(wú)序三分類傾向性評(píng)分匹配分析上海市某區(qū)65歲以上老年女性居民醫(yī)保類型對(duì)兩周就診率是否存在差異。經(jīng)過(guò)PSNNM3、PSIM3、GOPSNNM3和GOPSMIOM3后,假設(shè)檢驗(yàn)P值小于0.05,說(shuō)明參保三種基本醫(yī)療保險(xiǎn)的居民的兩周就診率差異有統(tǒng)計(jì)學(xué)意義。敏感性分析結(jié)果也得到類似的結(jié)果。
【圖文】：

-22-圖 1 本研究構(gòu)建的匹配算法關(guān)系圖（二）模擬數(shù)據(jù)集的產(chǎn)生本研究使用蒙特卡羅（Monte Carlo）數(shù)據(jù)模擬技術(shù)，模擬產(chǎn)生研究所需的數(shù)據(jù)集。模擬研究（simulation study）指的是用計(jì)算機(jī)強(qiáng)大的處理能力來(lái)評(píng)估各種統(tǒng)計(jì)方法的表現(xiàn)性能的研究方法[24]。貼合實(shí)際研究數(shù)據(jù)的復(fù)雜程度，首先隨機(jī)產(chǎn)生 18 個(gè)協(xié)變量，其中 9 個(gè)為兩分類變量，9 個(gè)為連續(xù)型變量。再根據(jù)這 18 個(gè)協(xié)變量與處理變量的關(guān)聯(lián)程度產(chǎn)生處理變量。本研究考慮了處理變量為兩分類和無(wú)序三分類兩種情形。最后根據(jù)協(xié)變量、處理變量與結(jié)局變量的關(guān)聯(lián)程度產(chǎn)生兩分類的結(jié)局變量。模擬數(shù)據(jù)集具

（三）匹配算法的評(píng)價(jià)在本研究中采用處理效應(yīng)估計(jì)的絕對(duì)偏倚、處理效應(yīng)估計(jì)的相對(duì)偏倚、處理效應(yīng)估計(jì)的方差、處理效應(yīng)估計(jì)的均方誤差、處理效應(yīng)估計(jì)的 95%置信區(qū)間覆蓋率、匹配率和匹配后樣本的基線協(xié)變量的均衡性這 7 種評(píng)價(jià)指標(biāo)來(lái)評(píng)價(jià)各種匹配算法在各種數(shù)據(jù)情形下的表現(xiàn)性能。（四）實(shí)例應(yīng)用所構(gòu)建的匹配算法應(yīng)用于第五次國(guó)家衛(wèi)生服務(wù)調(diào)查數(shù)據(jù)(上海市)。探索上海郊區(qū)65歲以上獨(dú)居與非獨(dú)居老人（兩分類）的自評(píng)健康水平是否存在統(tǒng)計(jì)學(xué)差異，，以及三種不同醫(yī)保類型（三分類）的居民對(duì)于衛(wèi)生服務(wù)利用（兩周門診就診率）是否存在統(tǒng)計(jì)學(xué)差異。以期用真實(shí)的案例研究來(lái)評(píng)價(jià)和比較本研究所探索的各種傾向性評(píng)分匹配的表現(xiàn)性能以及適用情形。二、技術(shù)路線
【學(xué)位授予單位】：中國(guó)人民解放軍海軍軍醫(yī)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2019
【分類號(hào)】：O221.4;R195.1

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 曲明;全局最優(yōu)的法式分段線性建模[J];電子學(xué)報(bào);1989年03期

2 葉小勇;雷勇;侯海軍;;蟻群算法在全局最優(yōu)路徑尋優(yōu)中的應(yīng)用[J];系統(tǒng)仿真學(xué)報(bào);2007年24期

3 常扣扣;火久元;梅凱;;一種帶搜索因子的全局最優(yōu)人工蜂群算法[J];重慶理工大學(xué)學(xué)報(bào)(自然科學(xué));2017年06期

4 李歡;柳麗娜;;一類特殊六次規(guī)劃問(wèn)題的全局最優(yōu)充分條件[J];湖北民族學(xué)院學(xué)報(bào)(自然科學(xué)版);2018年04期

5 何墉;李春娟;孫廣東;;Buck變換器的全局最優(yōu)滑�？刂破髟O(shè)計(jì)[J];洛陽(yáng)理工學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年03期

6 陳農(nóng);非線性最優(yōu)解在氣動(dòng)參數(shù)辨識(shí)中的應(yīng)用[J];飛行力學(xué);2002年01期

7 陳金輝;韓媛媛;張國(guó)瑞;董杰;;一種基于全局最優(yōu)MPPT的混合控制策略研究[J];電力電子技術(shù);2017年11期

8 黃敏;江渝;毛安;姜琪;;基于全局最優(yōu)位置自適應(yīng)選取與局部搜索的多目標(biāo)粒子群優(yōu)化算法[J];計(jì)算機(jī)應(yīng)用;2014年04期

9 陳東彥;余永龍;胡軍;;具有相關(guān)噪聲和不確定觀測(cè)系統(tǒng)的全局最優(yōu)Kalman濾波[J];哈爾濱理工大學(xué)學(xué)報(bào);2015年04期

10 李連鋒,王廣雄,姚遠(yuǎn);全局最優(yōu)魯棒控制器設(shè)計(jì)[J];控制理論與應(yīng)用;2001年02期

相關(guān)會(huì)議論文 前6條

1 徐滇生;毛緒瑾;;遺傳算法在自控領(lǐng)域的應(yīng)用初探[A];1992年控制理論及其應(yīng)用年會(huì)論文集（下）[C];1992年

2 劉志宏;胡永明;施工;;特征統(tǒng)計(jì)算法及其在多極值優(yōu)化問(wèn)題上的應(yīng)用[A];全國(guó)計(jì)算物理學(xué)會(huì)第六屆年會(huì)和學(xué)術(shù)交流會(huì)論文摘要集[C];2007年

3 張德欣;周含冰;楊佳;陳元友;;約束條件下電子裝備多目標(biāo)分配的蟻群優(yōu)化[A];全國(guó)第五屆信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議專刊(第一冊(cè))[C];2011年

4 焦寨軍;沈兵;李紅江;;幾種遺傳算法在艦船電力系統(tǒng)網(wǎng)絡(luò)重構(gòu)中應(yīng)用及比較[A];現(xiàn)代船舶機(jī)電維修技術(shù)（2005）[C];2005年

5 陳俊風(fēng);任子武;范新南;;一種基于改進(jìn)單純形法和粒子群算法的混合優(yōu)化算法[A];第25屆中國(guó)控制會(huì)議論文集（中冊(cè)）[C];2006年

6 羅文彩;陳小前;王振國(guó);;多方法協(xié)作優(yōu)化方法研究[A];2008’“先進(jìn)集成技術(shù)”院士論壇暨第二屆儀表、自動(dòng)化與先進(jìn)集成技術(shù)大會(huì)論文集[C];2008年

相關(guān)博士學(xué)位論文 前4條

1 郭軼斌;分類資料全局最優(yōu)傾向性評(píng)分區(qū)間匹配的研究與應(yīng)用[D];中國(guó)人民解放軍海軍軍醫(yī)大學(xué);2019年

2 田君楊;基于矩量理論的電力系統(tǒng)全局優(yōu)化算法研究[D];廣西大學(xué);2014年

3 周自維;基于立體視覺(jué)的環(huán)境構(gòu)建及機(jī)器人路徑規(guī)劃研究[D];哈爾濱工業(yè)大學(xué);2014年

4 鄭建冬;基于單數(shù)碼相機(jī)的三維攝影測(cè)量理論與關(guān)鍵技術(shù)研究[D];南京航空航天大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 游琛;改進(jìn)的非概率全局最優(yōu)解法及其在梁橋可靠度評(píng)估中的應(yīng)用[D];武漢工程大學(xué);2017年

2 唐成;運(yùn)輸優(yōu)化問(wèn)題中常見(jiàn)啟發(fā)式算法比較與研究[D];西南交通大學(xué);2014年

3 田東平;一種結(jié)合混沌搜索的自適應(yīng)遺傳算法[D];上海師范大學(xué);2007年

4 鐘珍;關(guān)于圖像和視頻彩色化算法的研究與實(shí)現(xiàn)[D];上海交通大學(xué);2011年

5 管婷婷;多目標(biāo)粒子群算法在物流配送中的應(yīng)用研究[D];南昌大學(xué);2012年

6 王霄;基于多智能體進(jìn)化算法的聚類及其在圖像分割中的應(yīng)用[D];西安電子科技大學(xué);2014年

7 龐峰;模擬退火算法的原理及算法在優(yōu)化問(wèn)題上的應(yīng)用[D];吉林大學(xué);2006年

8 高博;基于精英策略的混合粒子蟻群算法改進(jìn)[D];燕山大學(xué);2011年

9 趙禮陽(yáng);求解幾類二層規(guī)劃最優(yōu)解的相關(guān)算法研究[D];重慶師范大學(xué);2016年

10 湯繼濤;全局智能優(yōu)化算法的研究[D];江南大學(xué);2014年

本文編號(hào)：2695234