倾向得分匹配法是通过对样本建模（logit模型）得到倾向性得分，通过倾向性得分为试验组组在对照组中找到最接近的样本，从而进行研究的。
倾向得分匹配在真实世界临床研究用途越来越广泛，它是一种事后推动组间比较均衡化的方法，控制混杂偏倚。那么匹配完了后，应该用什么方法呢？
观察性研究，当我们数据已经均衡可比了，我们应该怎么去分析呢？
倾向得分匹配后，出现了两种现象：第一，样本量减少了；第二，匹配带来了数据的聚集性，造成数据不独立。
这里针对“生存事件资料”，提出几种解决数据不独立、样本量减少的办法。生存事件资料倾向得分匹配后，可开展分层Cox回归、稳健Cox回归、Cox 脆弱模型（Frailty model）回归。在Cox回归应用上，我看大多数人还用普通的Cox回归。其实，最推荐的应该是稳健法Cox回归方法。
接下来通过一份是实操数据集分别向大家展示匹配后回归分析的R语言代码与风暴统计平台的便捷式操作！
一、实操案例介绍
数据集来源于R自带survival包的数据集gbsg，该数据集包含1984-1989年德国乳腺癌研究小组(GBSG)进行的720例淋巴结阳性乳腺癌患者试验的患者记录;它保留了686例患者预后变量的完整数据。本次实操涉及的变量说明如下。
二、R语言代码
在R语言中，稳健法Cox回归方法，，它同样在survival包的conph函数中，增加了cluster参数设置，这个参数设置了，你就知道它的好处了。
coxph(Surv(rfstime, status)~hormon,cluster = subclass,data=gbsg)除此之外，一些学者推荐了其它的方法，有一种是分层Cox回归，另外就是脆弱模型。分层Cox回归，Cox方程中增加strata参数设置
coxph(Surv(rfstime, status)~hormon+strata(subclass),data=gbsg)脆弱模型，Cox方程中增加frailty参数设置
coxph(Surv(rfstime, status)~hormon+strata(frailty),data=gbsg)cox三种回归模型，结果有一定的差异。一些文献，包括我，推荐稳健法Cox回归模型。
三、风暴统计实操
在风暴统计平台，目前完成倾向性得分匹配后，可以一站式解决各类Cox回归！以R代码为基础，但是操作更加便捷简单！有需要各位可以试一试！
https://shiny.medsta.cn/psmcox/
1.倾向性得分匹配
在之前的文章中，就为大家详细介绍了风暴统计平台进行PSM分析的实操全流程，包括匹配前后的差异性三线表、概率密度分析图、SMD分析图等，匹配后数据与分析结果均支持下载！可以点击下方链接了解详情！
倾向得分匹配如何开展？非常便捷的工具来了，分分钟形成一篇论文！
2.绘制生存曲线图
这里我们想要研究激素治疗（hormon）对乳腺癌患者生存时间的影响。分别选入生存时间变量、生存结局变量、分组变量，数据集可以是匹配前也可以是匹配后。
选择完毕后，右侧直接给出KM曲线！最右侧菜单栏还可以调整图片的配色、字体及其他要素等，即使是新手小白也可以绘制出不输R语言的精美图像。
3.匹配后的回归分析
①回归模型的选择
这里直接勾选模型即可，比R代码更便捷简单！
②回归变量的选择
这里需要选入我们研究的暴露因素，及匹配后仍不均衡的变量。
例如我们想要研究激素治疗（hormon）对乳腺癌患者生存时间的影响，在匹配后，其他变量都均衡的情况下，只需要纳入激素治疗（hormon）这一个变量即可。
右侧立即给出匹配后单因素、多因素及单+多三种结果的三线表结果！
③下载保存结果
分析结束后，可以直接将分析结果下载下来，直接是三线表形式，一步到位！
以上就是本次更新的全部内容了，如果关于网站建设，您有其他建议，欢迎留言哦！