一句话定义：倾向得分匹配（Propensity Score Matching，简称 PSM）是一种在观察性数据中，先算出"每个人接受处理的概率"，再把概率相近的处理组和对照组个体配对，从而模拟随机对照试验的分析方法。
为什么需要它
判断"做了 X 会不会带来更好的结果"，最干净的做法是随机对照试验（RCT）：抛硬币决定谁进处理组、谁进对照组。这样一来，两组在可见和不可见的特征上都大致平衡，结果差异才能归因于 X。
但现实里大多数数据不是这么来的。比如"用了新功能的用户，留存是不是更高？"——很可能不是功能有效，而是本来就活跃的人更愿意去点新功能。这种"处理组和对照组天生不同"的问题叫混杂（confounding）。
核心思路：把一堆特征压成一个数
PSM 的做法分三步：
1. 估计倾向得分：用逻辑回归之类的模型，根据一堆处理前的特征（年龄、历史活跃度、消费记录……），预测"这个人接受处理的概率"。这个概率就是倾向得分。
2. 配对：给处理组每个人，在对照组里找一个得分最接近的人，配成对。得分相近，意味着"背景相似"。
3. 比较：在配好对的样本上比较结果差异。
打个比方：想比较"上过补习班"和"没上过"的学生成绩。直接比平均分不公平，因为上补习班的孩子往往成绩底子本来就更好。于是先算出"一个学生有多大概率去上补习班"——用家庭收入、父母学历、之前成绩来预测——然后从没上补习班的里面，挑出一个"上补习班的概率几乎一样"的孩子来对照。相当于给每个孩子找了个背景相近的替身。
和相邻概念的区别
| 方法 | 核心想法 | 适用场景 |
|---|---|---|
| 随机对照试验（RCT） | 随机分配，从源头切断混杂 | 有条件做实验时 |
| 回归/协变量调整 | 把混杂变量塞进模型一起拟合 | 变量少、关系简单 |
| 倾向得分匹配 | 用"接受处理的概率"配对，构造可比的对照组 | 观察性数据、混杂变量多 |
和回归相比，PSM 的好处是能直接检查"配完之后两组到底像不像"（平衡性检验），也不用假设结果和协变量一定是线性关系。但它只平衡记录在数据里的变量；如果是"孩子自觉性"这种没被记录的因素在起作用，匹配也救不了——这正是它和 RCT 的根本差距。
对从业者的实际意义
做因果推断（causal inference）时，PSM 常用于评估活动、功能上线、投放的增量效果。三个实操要点：估计倾向得分只能用处理前的变量，用处理后的指标去预测是信息泄漏；要检查匹配后的标准化均值差，别配完还是不像；要限定共同支撑域，得分太极端的人两边的对应物根本不存在，硬配只会添乱。
对普通职场人，它提醒一件事：看到"做了某事的人结果更好"这类结论时，先问一句"这两拨人一开始就可比吗"。PSM 就是把这个疑问摆到台面上量化的办法，但它不是万能药——随机试验仍然是金标准。