倾向评分加权(IPTW)后结果不稳？可能是你的权重出了问题（R语言诊断与稳定权重教程）

倾向评分加权结果不稳定？深度解析权重计算与R语言实战优化

当你在R语言中完成倾向评分逆概率加权(IPTW)分析后，发现模型结果波动剧烈或某些样本权重异常大时，这往往不是数据本身的问题，而是权重计算方法的选择与诊断环节存在优化空间。本文将带你深入理解不稳定权重与稳定权重的核心差异，并通过R语言实战演示如何系统性地诊断和优化权重分布。

1. 权重不稳定现象的根源剖析

在观察性研究中，我们常遇到处理组和对照组基线特征分布不均衡的情况。倾向评分加权通过为每个样本分配一个权重，构建一个"虚拟人群"来模拟随机对照试验(RCT)的效果。但实际操作中，许多研究者只关注加权后的结果，却忽视了权重本身的分布特征。

不稳定权重的数学本质源自Robins提出的经典公式：

• 处理组权重：Wt = 1/PS
• 对照组权重：Wc = 1/(1-PS)

其中PS是通过logistic回归估计的倾向评分。这种计算方式存在两个固有缺陷：

1. 人群规模失真：加权后的虚拟人群总数通常不等于原始样本量
2. 极端权重问题：当PS接近0或1时，权重会趋向无穷大

# R中计算不稳定权重的示例代码
unstable_weights <- ifelse(treatment == 1, 1/ps, 1/(1-ps))

相比之下，Hernán提出的稳定权重公式通过引入边际处理概率进行校正：

• 处理组权重：Wt = Pt/PS
• 对照组权重：Wc = (1-Pt)/(1-PS)

其中Pt是总体处理率。这种调整保持了加权后人群规模不变，同时有效压缩了权重范围。

2. 权重诊断的四大可视化方法

在R中，我们可以通过多种图形化方法系统评估权重质量。以下是四种核心诊断技术：

2.1 权重