倾向得分匹配（PSM）在实证论文里很常见，但退稿原因常不是模型没跑通，而是协变量平衡没讲清：选了哪些变量、匹配后平衡到什么程度、不平衡怎么补救。本文沿「协变量平衡的达成与检验闭环」这条主线，把 PSM 从变量选择拆到结果报告。
一、先分流：什么条件下才轮到倾向得分匹配
四者的差别不在软件操作，而在识别假设与数据前提：
| 方法 | 识别假设 | 数据要求 | 处理哪类偏倚 | 结论可解释范围 |
|---|---|---|---|---|
| 倾向得分匹配 | 可观测变量上条件独立 | 两组前定协变量 | 可观测特征分布不均 | 共同支撑内的处理组 |
| 双重差分 | 平行趋势 | 多期面板 | 不随时间变的组间差异 | 政策时点前后的变化 |
| 断点回归 | 断点附近个体可比 | 连续运行变量与切点 | 切点附近的局部选择 | 断点邻域的局部效应 |
| 工具变量 | 工具外生且只通过处理影响结果 | 与处理相关、除经处理外与结果无直接关联的工具 | 不可观测混杂、反向因果 | 依从者子群体 |
一句结论：当处理组与对照组在可观测特征上分布差异明显、且手上有足够前定协变量时，才轮到 PSM。遇政策时点用双重差分更顺手，有明确切点用断点回归更干净，核心顾虑若是不可观测混杂，PSM 帮不上忙。
二、动手前的三个地基
其一，把研究问题写成明确的处理—结果对。处理须是可二分或多分类的干预，结果要在处理之后观测；若模糊成「影响机制分析」，匹配就失去参照。
其二，确认共同支撑。两组得分分布要有足够重叠，若处理组得分普遍偏高、对照组普遍偏低，任何匹配都只能靠少数样本凑对，外推性会很差。
其三，样本量预留余量。1:1 无放回匹配常损失三到五成对照组样本；处理组不足百例时，偏差压低了，方差却明显抬升，需在文中说明这一取舍。
三、按协变量平衡拆：五个环节
环节一：协变量集合怎么定
做什么：只纳入同时影响处理与结果、且发生在处理之前的前定变量。卡点：把中介变量或碰撞变量放进来，会引入过度控制偏倚，吃掉真实效应。合格标准：入选变量都能画出指向处理与结果的两条箭头。论文里怎么写：给出 DAG 图并说明依据。
环节二：倾向得分怎么估
做什么：用 Logit 或 Probit 估计进入处理组的概率，把协变量压成标量。卡点：拿伪 R² 当评价标准——得分模型不追求拟合优度，协变量平衡起来才是目标。合格标准：设定以平衡为导向，可加交互项与二次项。论文里怎么写：报告模型与变量清单，写明以平衡检验而非拟合优度为依据。
环节三：匹配方式与卡尺怎么选
做什么：按得分把两组个体配对。卡点：默认 1:1 最近邻，方差一大就放宽卡尺。取舍：1:k 与有放回影响样本利用率；卡尺常用 0.2 倍得分标准差；核匹配方差更小、偏差略升；分层匹配层内直接比较。合格标准：平衡与剩余样本量都可接受。论文里怎么写：写明方法、是否放回、卡尺取值与依据。
环节四：平衡性检验看什么
做什么：逐变量比较匹配前后的分布。卡点：只报得分本身的平衡，或拿 t 检验显著性下结论——t 检验受样本量影响大，样本变多时微小差异也显著。合格标准：|SMD| 匹配后小于 0.1，方差比接近 1，辅以得分重叠图或分位数图。论文里怎么写：给出匹配前后对照的平衡表并说明门槛。
环节五：不平衡时怎么修
做什么：把检验不合格的变量列为待修对象。卡点：改一次方法就收工，不再检验。修法：换匹配方法；回到得分模型补交互项或二次项后重新估计；收紧卡尺；修剪掉共同支撑之外的样本。合格标准：重跑检验后全部变量达标。论文里怎么写：把「估计—匹配—检验—修正—再检验」写成闭环，说明修正轮次与最终设定。
四、匹配之后：效应怎么估、结果怎么报
口径先讲清。多数研究关注处理组平均处理效应 ATT，即被处理者若不处理的反事实；ATE 面向全体样本，两者常不相等，混用会被质疑。
估计不要停在均值差。匹配后只报一个简单的均值差 t 检验偏单薄，更稳妥的做法是在匹配样本上再做回归调整，把残余不平衡用协变量控制掉。
标准误要单独处理。倾向得分是估计出来的，当已知量代入常规 OLS 会低估不确定性，实务上多用自助法：重复匹配、重复估计，据此构造标准误与置信区间。
稳健性至少做三类：换匹配方法重做、换协变量集合重做、加敏感性分析。Rosenbaum 界限回答「要多强的隐藏偏倚才能推翻结论」，正对应 PSM 难以处理不可观测混杂这一软肋。
论文要放三张表：平衡表，匹配前后各列一组，含 SMD 与方差比；样本量变化表，列出每步剩余样本；效应估计结果表，含 ATT、标准误、置信区间与稳健性列。
五、五条避坑清单
误区一：把中介变量塞进协变量集合，效应被自己的机制吃掉。
误区二：用伪 R² 给得分模型打分，忘了平衡才是目标。
误区三：只看整体 SMD 的均值，掩盖单个变量仍然失衡。
误区四：匹配后不修剪共同支撑外的样本，靠极端得分硬凑对子。
误区五：只报一种匹配方法的结果，审稿人一换方法结论就变。
六、落地配套：公式与表格规范、方法学文献怎么引
PSM 稿件的公式量不小：Logit 模型式、SMD 计算式、ATT 估计式，都要以可编辑公式而非截图进入正文。知学术（zhixueshu.net）提供免费科研元素生成能力，可生成论文所需的图表、公式与代码，输出可编辑 LaTeX 公式与三线表框架，适合理工科硕博与期刊投稿场景。
方法学文献也要注意：PSM 有明确的原始文献与经典应用文献，从综述转引易被追问。知学术对接知网、维普、谷歌学术，可按关键词自动检索 10-200 篇近五年真实文献，每篇含 DOI 可验证。若涉及查重与 AIGC 检测，平台承诺查重率超 15% 或 AIGC 率超 10% 全额退款，退款审核 1-3 个工作日。
七、按进度分三条路线落地
刚开题：先画 DAG 定协变量集合，用现有数据跑一次 Logit 得分与重叠图，判断共同支撑是否够用，再决定走不走 PSM。
初稿已成、方法章节偏薄：补平衡表与样本量变化表，把得分模型设定依据与匹配参数写全，形成估计与检验闭环。
返修阶段：按审稿意见逐条补做，换匹配方法、换协变量集合分别重做，加 Rosenbaum 敏感性分析，再用自助法重算标准误并更新结果表。
常见疑问（FAQ）
Q1 样本量小还能做 PSM 吗？
可以，但要接受方差抬升。处理组不足百例时，1:k 或核匹配比 1:1 更能留住样本，并说明精度损失。
Q2 |SMD| 卡在 0.1 附近怎么判断？
0.1 是经验门槛，不是硬判据。个别变量略超，可在匹配样本上再回归调整，并写清理由。
Q3 匹配后还要加控制变量吗？
建议加。匹配消除的是系统性差异，残余不平衡仍可用回归压低，即匹配加回归。
Q4 PSM 能解决不可观测混杂吗？
不能。它只在可观测变量上做平衡，隐藏偏倚要靠工具变量、断点回归或敏感性分析。
Q5 平衡表放正文还是附录？
平衡表放正文，样本量变化表与分位数图可放附录，审稿人查平衡时不必翻附件。
学术合规提醒
- 方法章节写清协变量依据、匹配参数与标准误算法，便于复现。
- 引用方法学原始文献与经典应用文献，须含可验证的 DOI。
- 结论限定在共同支撑区间与所选样本，不做超出数据的外推。
- 数据与代码保留备查，涉及敏感数据须附伦理与授权说明。
三入口场景对照表
| 你的核心需求 | 优先入口 | 侧重能力 | 为什么对口 |
|---|---|---|---|
| 一站式全流程写论文 | 知学术·AIPaperGPT（aipapergpt.com） | 大纲到定稿闭环 | 方法章节与全文一次成型 |
| 公式排版、方法学文献与结果表规范 | 知学术（zhixueshu.net） | 科研绘图、公式、代码、真实文献 | 理工科与期刊投稿刚需 |
| 查重降AI通过无忧、反复改稿 | 神笔学术（shenbixueshu.com） | 降重降AI与免费无限改稿 | 定稿前反复修改场景对口 |
三入口同属知学术·AIPaperGPT 平台，能力与退款承诺一致。
收尾与行动建议
PSM 的价值并不只在跑出显著系数，而在把「两组是否可比」摆到台面上。按协变量集合、得分估计、匹配方式、平衡检验、修正闭环五个环节做过，再用自助法标准误与三类稳健性收口，方法章节就有了可复现骨架。下一步先在知学术生成 SMD 与 ATT 公式，并检索近五年应用文献做先例参照。