因果处理模型
本例演示如何使用“拟合模型”平台中的“因果处理”特质分析新型降压药对收缩压水平的影响。本例中的数据为模拟数据，用来表示一项观察性研究，其中包含每位受试者的生物学和行为学信息。处理变量表示受试者是否服药。假设未随机分配处理。
1. 选择帮助 > 样本数据文件夹，然后打开 Blood Pressure Treatment.jmp。
2. 选择分析 > 拟合模型。
3. 从“选择列”列表中选择治疗后收缩压，然后点击 Y。
4. 从“特质”列表中，选择因果处理。
5. 从“选择列”列表中选择处理，然后点击处理。
6. 选择年龄、基线收缩压、糖尿病、BMI、体育活动和饮食质量，然后点击“响应模型”选项卡上的添加。
图 14.2 显示“响应模型”选项卡的已完成“拟合模型”启动窗口
7. 选择处理模型选项卡。
8. 从年龄一直选择到保险覆盖范围，然后点击添加。
图 14.3 显示“处理模型”选项卡的已完成“拟合模型”启动窗口
9. 点击运行。
“模型 1”报表包含“因果效应分析”表，其中显示两个“潜在结果均值”估计值和 ATE 估计值。干预水平 0 下的“潜在结果均值”估计值显示：样本中无任何观测接受治疗时，收缩压 (SBP) 的期望值。干预水平 1 下的“潜在结果均值”估计值显示：样本中所有观测均接受治疗时，收缩压 (SBP) 的期望值。ATE 即这两个值之间的差值。ATE 估计值为 -9.25，其 95% 置信区间为 -10.46 至 -8.042。在适当的因果假设前提下，可以得出结论：与控制组相比，新药将收缩压降低了平均 9.25 毫米汞柱。
图 14.4 “模型”报表中的“因果效应估计值”表
10. 点击“拟合因果处理”红色小三角并选择显示提示和解释选项。
类似的解释显示在表下方以及“模型 1”报表顶部“分析调查结果”的下方。
在“因果假设检查”部分中，“正性”密度图显示处理组和控制组的倾向得分分布。图下方的解释文本说明如何利用该图检查正性违规行为。需警惕倾向得分接近 0 或 1 的情况。应该考虑是否包含具有极端得分的观测。
Figure 14.5 中的“协变量平衡”图显示处理模型指定的每个变量在控制组和处理组之间的绝对标准化均值差 (ASMD)。红色“原始”点显示控制组和处理组在这些协变量上具有不同特征。蓝色点显示如何通过 IPW 调整减少这些差异。经过 IPW 调整后，处理组和控制组在协变量（不仅仅是处理变量）的所有水平上应具有相似性，就好像处理是随机分配的一样。
图 14.5 模型报表中的协变量平衡图
