我有一个约 4.7K 记录的数据集，专注于具有 60 个特征的二进制分类。第 1 类有 1554 条记录，第 2 类有 3558 条记录。
现在我想找出影响疾病存在与否的结果的风险因素。这是一个监督学习问题
我了解人们进行匹配以确保两个类具有相似的分布，以便比较结果可靠。
1）我看到人们通常根据年龄等人口统计数据进行匹配。如果我们保持年龄不变，是否可以推断出哪些因素真正影响结果。我这样理解正确吗？
2）如果我将所有变量都放在逻辑回归模型中，那不是混淆了吗？为什么我必须进行匹配？
3) 在 60 个特征中，我想基于 4 个变量进行匹配。如何为我的完整数据集执行此操作？有没有python包可以做到这一点？
有人可以帮助我如何做到这一点吗？
看来（如果我理解正确的话）您想模拟一些混杂因素的因果效应在某些结果上通过使用 Logit。如果这是正确的，如果你知道结果，你应该只使用 Logit 没问题，因为在这种情况下（如果你能够控制所有相关的混杂因素)，你可以确定的边际效应在.
我想您在问题中指的是“倾向得分匹配”（PSM）。此技术用于“预测”您不确定是否存在某些情况的情况 会接受治疗（或者) 并且您尝试“预测”这个结果。换句话说：倾向得分是在给定某些条件下接受治疗的条件（预测）概率.
但是，如果您观察到，如果你没有理由相信存在偏见，您应该可以使用普通的 Logit。在这里，澄清您的问题实际上是什么对您来说非常重要（这从您的问题中不清楚）。所以如果治疗（) 是非随机的，您可以考虑使用 PSM 来“纠正”这种偏差。如果没有，您可以使用普通的 Logit。
PSM 用于计量经济学和相关领域。因此，据我所知，没有现成的 Python 实现。但是，您可以看看这篇文章。或者，如果您不介意使用 R，请查看this。
无论如何：PSM 有它的优点和缺点。由于近年来匹配取得了巨大进展，因此它也有点过时了。所以对你来说最重要的事情是——在我看来——如果你真的需要“调整”治疗/未治疗的（因此，如果您有理由相信数据生成过程是有偏见的或非随机的）。