目前，本人写的第二个R包pm3包的1.4版本已经正式在CRAN上线，用于3组倾向评分匹配，只能3组不能多也不能少。
可以使用以下代码安装
install.packages("pm3")
什么是倾向性评分匹配？倾向评分匹配（Propensity Score Matching，简称PSM）是一种统计学方法，用于处理观察研究（Observational Study）的数据，在SCI文章中应用非常广泛。在观察研究中，由于种种原因，数据偏差（bias）和混杂变量（confounding variable）较多，倾向评分匹配的方法正是为了减少这些偏差和混杂变量的影响，以便对实验组和对照组进行更合理的比较。
为什么需要做倾向评分匹配？
我们知道RCT的证据力度高，是因为对患者进行了严格的筛选。我们的回顾性研究都是过去的数据，很难像RCT一样进行严格的筛选出两组患者基线相近的基础资料，但我们可以通过倾向评分匹配把回归性的数据进行筛选，把基线资料相近的患者进行匹配，得到近似RCT的效果。
应用场景
1.基线资料不平
2.开展病例对照研究病阳性例数较少，如罕见病研究
3.将众多混杂因素变为一个变量：倾向值
以下为一个实例，没进行匹配前两组患者基线资料相差很大，进行倾向评分匹配后，基线资料近似一致了
1.4版本版本修正了上一个版本的一些错误，上次版本的教程写得不是很满意，这次我从新写一下我们先来看一下pm3函数
pm3 <-function(data,x,y,covs,factor,CALIP)
这里有6个参数，data就是你的数据，x就是你要比较匹配的变量，你可以使用字符也可以使用数字，但是你如果使用数字来表示的话必须是1,2,3，使用0,1,2或者其他的数列都会报错。我们这里是race，y是你要比较的结局变量，covs是协变量的意思，填入你模型模型中的协变量，也就是你要匹配的基线指标，包括连续的和分类的，factor填入变量后会把你数据中的分类变量转成因子，CALIP是卡钳的意思，不填的话默认是0.5.下面我继续以R包自带的早产数据来演示一下，先导入R包和数据
library(pm3)
bc<-prematurity
这是一个关于早产低体重儿的数据（公众号回复：早产数据，也可以获得该数据），低于2500g被认为是低体重儿。数据解释如下：low 是否是小于2500g早产低体重儿，age 母亲的年龄，lwt 末次月经体重，race 种族，smoke 孕期抽烟，ptl 早产史（计数），ht 有高血压病史，ui 子宫过敏，ftv 早孕时看医生的次数，bwt 新生儿体重数值。
假设我们研究的是有不同种族（race）对生出低体重儿（low）的影响。需要对3个种族进行基线资料倾向评分匹配
现在我们不需要像既往一样进行一大堆复杂操作，直接一句话代码，就搞定了
g<-pm3(data=bc,x="race",y="low",covs=c("age","lwt","ptl"),factor=c("ui","low"))
在上一个版本中，factor变量最少要取2个，现在没有限制了，取一个也可以生成数据。重要的事说两遍，x就是你要比较匹配的变量，你可以使用字符也可以使用数字，但是你如果使用数字来表示的话必须是1,2,3，使用0,1,2或者其他的数列都会报错。
g<-pm3(data=bc,x="race",y="low",covs=c("age","lwt","ptl"),factor=c("ui"))
我们把mbc提取出来
mbc<-g[["mbc"]]
进行匹配，这里就过一遍代码了，详细的可以看上一篇
library(tableone)
allVars <-c("age", "lwt", "ptl","ht")
fvars<-c("ht")
tab2 <- CreateTableOne(vars = allVars, strata = "race" ,
data = bc, factorVars=fvars,addOverall = TRUE )
print(tab2,smd = TRUE)
tab1 <- CreateTableOne(vars = allVars, strata = "race" ,
data = mbc, factorVars=fvars,addOverall = TRUE )
print(tab1,smd = TRUE)
在上一个版本中，有粉丝遇到过错误
Error in if ((absDist12 + absDist13) < mindis) { : missing value where TRUE/FALSE needed
在本次R包也进行了修正，消除了错误，这是使用粉丝数据进行的匹配
我们可以看到，匹配后效果很好，大部分变量基本上都P大于0.05了。由于pm3包使用的是for循环进行匹配，速度还是有点慢，我试了一下，数据量在1万的数据大概需要1分钟左右，接下来想使用apply函数来改写它，让它速度更快点，再来就是看看优化一下代码，开发1:2:2的匹配功能。