Propensity Score Matching

Was versteht man unter Propensity Score Matching?

Propensity Score Matching (PSM) ist ein statistisches Verfahren, das in Beobachtungsstudien eingesetzt wird, um den Effekt einer Behandlung oder Intervention möglichst unverzerrte zu schätzen – obwohl keine zufällige Zuweisung zu Gruppen stattgefunden hat. Der Kern des Verfahrens ist der sogenannte Propensity Score: Er gibt die geschätzte Wahrscheinlichkeit an, dass eine Person – basierend auf ihren beobachteten Merkmalen – der Behandlungsgruppe zugeordnet wird.

Dabei steht X für einen Vektor beobachteter Kovariaten (z. B. Alter, Geschlecht, Vorerkrankungen) und T ist die binäre Behandlungsvariable (1 = behandelt, 0 = nicht behandelt). Der Propensity Score wird in der Regel über eine logistische Regression geschätzt.

Im Matching-Schritt werden Personen aus der Behandlungsgruppe mit Personen aus der Kontrollgruppe zusammengeführt, die einen möglichst ähnlichen Propensity Score aufweisen. Ziel ist es, Vergleichspaare zu bilden, die sich in ihren beobachteten Eigenschaften kaum unterscheiden – ähnlich wie in einem randomisierten Experiment.

Warum ist Propensity Score Matching für statistische Analysen wichtig?

In der Praxis sind randomisierte kontrollierte Studien (RCTs) oft nicht durchführbar – aus ethischen, logistischen oder finanziellen Gründen. Beobachtungsdaten hingegen leiden unter Selektionsverzerrung: Personen in der Behandlungsgruppe unterscheiden sich systematisch von denen in der Kontrollgruppe. Ein einfacher Gruppenvergleich würde dann nicht den kausalen Effekt der Behandlung messen, sondern auch die Unterschiede in den Ausgangsbedingungen abbilden.

PSM reduziert diese Verzerrung, indem es eine ausgewogene Vergleichsgruppe konstruiert. Nach dem Matching sollten sich die gematchten Gruppen in den beobachteten Kovariaten nicht mehr wesentlich unterscheiden – das lässt sich durch sogenannte Balance-Checks (z. B. standardisierte Mittelwertdifferenzen) überprüfen.

Praxisbeispiel zu Propensity Score Matching

Eine Forscherin untersucht, ob die Teilnahme an einem freiwilligen Mentoring-Programm den Studienerfolg verbessert. Da die Teilnahme freiwillig war, sind die Gruppen nicht vergleichbar: Teilnehmende sind im Schnitt älter, weiblicher und haben bessere Abiturnoten.

Sie schätzt zunächst für jede Person den Propensity Score mithilfe einer logistischen Regression, in die Alter, Geschlecht und Abiturnote einfließen. Anschließend wird jede Person aus der Mentoring-Gruppe mit einer Person aus der Nicht-Mentoring-Gruppe gematcht, die einen sehr ähnlichen Score aufweist.

Nach dem Matching sind die Gruppen in diesen Merkmalen nahezu ausgeglichen. Der Vergleich des Studienerfolgs zwischen den gematchten Gruppen liefert nun eine deutlich bessere Schätzung des tatsächlichen Mentoring-Effekts als ein einfacher Gruppenvergleich ohne Matching.