当您在观察性数据中评估某项举措的效果，但处理组与对照组在背景特征上存在显著差异时，请使用此方法。它通过模拟“类似”个体间的对比，剥离混杂变量干扰，为您还原更接近真实的因果效应。
解决观察性数据的选择偏差
在没有随机分组的情况下，直接对比处理组与对照组的均值往往会误导决策。倾向得分匹配的核心逻辑是通过 Logistic 回归计算每个个体进入处理组的概率（即倾向得分），并据此寻找具有相似倾向得分的配对样本。
通过这种配对方式，Lattice 能够构建一个人工的“准实验”环境，使得匹配后的两组样本在已知的混杂变量分布上保持一致，从而更精准地估算平均处理效应（ATT）。
内置平衡性校验（Balance Check）
因果推断的关键不在于计算结果本身，而在于假设的验证。在倾向得分匹配过程中，平台会自动计算每个变量在匹配前后的标准差平均值（SMD）。
如果匹配后任一变量的 SMD 仍超过 0.1，系统将触发平衡性警告。这不仅是学术上的严谨要求，更是在提示您：当前数据可能未充分覆盖所有混杂因素，因果解读需保持审慎。
评估样本的代表性
若匹配过程中剔除了过多的样本（超过 10%），说明处理组与对照组之间的重叠度不足。这种情况被称为共同支撑（Common Support）缺失。
Lattice 会监控这一指标，并明确告知您当前的结论是否具有外推性。当共同支撑较弱时，我们建议您不要将结果视为群体的普遍规律，并检查数据样本的基础质量。
严谨的置信区间计算
为了应对非参数匹配过程带来的不确定性，本方法默认采用 bootstrap 自助采样法计算 95% 置信区间与 p 值。这种方式通过重复抽样评估结果的稳定性，确保您看到的每一个数字都有可靠的统计支持。
1 · Intent → method
An LLM picks causal_psm from a fixed catalog.
2 · Method → numbers
Deterministic Python engine runs the math. Same input → same output.
3 · Numbers → plain language
A second LLM translates the result into your domain’s vocabulary.
为什么匹配后还需要查看 SMD 平衡性？
即使匹配完成，如果某项特征在匹配后的 SMD 值仍大于 0.1，说明该维度的组间差异依然显著，此时直接解读因果效应可能会产生偏差。Lattice 会在倾向得分匹配中内置此检查，提醒您关注条件独立性假设的有效性。
如果出现“共同支撑域弱”（Support Concern），意味着什么？
这表示有超过 10% 的处理组样本在对照组中找不到对应的相似匹配。在这种情况下，匹配出的结果仅代表那部分“可匹配样本”的效应，不能直接推及整个处理群体。建议审视数据分布或调整匹配逻辑。
Tool 输入字段
Schema for causal_psm not exported yet (run pnpm export:registry).