倾向性得分匹配后，生存时间资料要如何分析？

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。