研究说了什么
倾向评分是给定协变量后接受处理的概率，通常用 logistic 回归估计，再把评分相近的人配对或加权。常见做法有最近邻一比一匹配、卡钳取 0.2 倍评分对数标准差的马氏距离、逆概率加权与标准化死亡比加权。匹配后要检查协变量平衡，看标准化均差是否小于 0.1，而不是看两组差异的 P 值，因为样本变小后 P 值本就容易不显著。共同支撑域决定了哪些人能进入比较，评分分布不重叠的部分必须截掉，否则外推没有依据。加权法保留全部样本，但权重过大时方差膨胀，需要截尾处理。匹配成功只说明两组在测到的变量上接近，并不说明它们在其他方面也接近。倾向评分把多维协变量压成一维，这个压缩本身依赖于模型设定：漏掉二次项或交互项，平衡就会失败，而失败往往不会在论文里被强调。样本量、事件数与协变量个数之间也需要权衡，事件太少时评分模型会过拟合，匹配结果看似平衡实则不稳。若处理是多分类或连续剂量，需要改为广义倾向评分或剂量加权，直接套二分类方法会错。
为什么重要
抗衰领域大量问题不能随机：长期服用二甲双胍的人与不服用的人、规律运动的人与久坐的人、补充维生素 D 的人与不补充的人。倾向评分让这些比较看起来更公平，也确实能去掉一部分由年龄、性别、收入、基础疾病造成的差异。对临床医生，它能把电子病历数据变成可读的比较；对读者，它提供了一个判断标准：论文是否报告了匹配前后的平衡表，是否说明了匹配后样本损失了多少。如果一篇文章只写匹配后两组基线无显著差异，却不给标准化均差，可信度就要打折。另一个用途是加权后做剂量反应分析，把不同暴露水平的人群调整到可比状态。它也能用于阴性对照：如果匹配后一个不该受处理影响的结局也出现差异，说明残余混杂仍在。对政策评估，倾向评分可以把参加项目的人与未参加者对齐，减少自愿参与带来的选择偏倚。对论文作者，报告共同支撑域图、匹配前后样本量与平衡表是最低要求，缺一项读者就无法判断比较是否成立。若两组评分分布几乎不重叠，匹配只能留下少量样本，估计虽内部有效，却已不代表原本的目标人群。
证据与边界
最大的边界是未测混杂。倾向评分只能平衡被测量并进入模型的变量，吸烟、饮酒、运动习惯若记录不全，匹配后依旧存在差异，而且这种差异不会因为样本大而消失。另一个常见错误是把处理后发生的变量放进评分模型，例如用服药后的血压或血糖做匹配，这等于调整了中介，会把真实效应抹掉。匹配还会改变目标人群：被丢弃的样本往往是最有病或最健康的两端，估计出的效应只适用于重叠区间内的人。模型设定错误也会带来偏倚，缺失值用简单填补后再算评分，会让平衡表好看而实际不可信。一个典型失败案例是研究他汀使用与认知下降，匹配了教育、收入与就诊频率，却没匹配基线血脂，结果用药者本就是血脂更高的人。另一个问题是健康使用者偏倚，主动体检与主动用药的人整体更健康，这种差异很难用问卷变量完全刻画。看到倾向评分研究，先问哪些变量进了模型、哪些没测、匹配丢了多少人，再谈结论。缺失值处理同样影响结果，把缺失单列一类往往比完整病例分析引入更多偏倚，论文应说明填补方式。