傾向分數配對（propensity score matching）

當處置組與未處置組同時在許多背景變數上不同，直接比較它們的原始結果並不公平。傾向分數配對把所有這些不平衡壓縮成單一數字——在給定共變量下，一個個體接受處置的估計機率——再把每個處置個體配上一個傾向分數幾乎相同的未處置個體。在這樣配成的對子裡，兩組平均看起來就像處置是隨機指派的，於是它們的結果之差就估計了因果效應。

其理據是 Rosenbaum 與 Rubin 的結果：傾向分數是一個平衡分數——只要無混淆與重疊（overlap）成立，對純量 e(x) = P(T=1 given X=x) 取條件，能達到與對整個向量 X 取條件相同的共變量平衡。實作上先估 e(x)（邏輯斯迴歸或彈性學習器），再做配對（最近鄰、卡尺 caliper 或一對多），然後在讀取處置與控制的結果差距之前，務必檢查配對後共變量分布是否真的平衡了。

它直覺好用、應用廣泛，卻在已知的幾個地方很脆弱：它只調整有測到的混淆因子、會丟掉配不上的個體，而且當模型設定錯誤時，配對反而可能加大不平衡。現代作法常偏好逆傾向加權，或結合傾向模型與結果模型的雙重穩健估計量，讓兩者中任一個出錯都不必然使答案偏誤。