倾向评分已成为观察性研究中混杂因素调整的常用方法。基本思想是模拟接受治疗或暴露的概率如何取决于混杂因素，即要治疗的“倾向”。
首先要注意的是，人们不会认为倾向评分在RCT中起作用。如上所述，倾向评分用于调整观察性研究中的混淆。在RCT中，随机化确保治疗和其他基线变量在统计学上是独立的，即没有混淆。那么倾向得分有什么用呢？
治疗加权方法的逆概率
在论文中，Williamson，Forbes和White描述了如何使用倾向得分来获得效率提高的治疗效果评估（较小的标准误差）。该方法与标准方法相同，其中人们估计倾向评分模型，然后拟合通过倾向评分的倒数加权的结果模型。因此，在第一步中，我们拟合二元治疗指标的模型，基线变量作为协变量。通常我们会使用逻辑回归模型进行建模。
从拟合的倾向评分模型中，我们获得试验中每个受试者的估计接受治疗的概率（而不是对照）。对于二元结果，我们可以拟合逻辑或对数链接回归来估计比值比或风险比。
模拟研究
对于实际的方法，我们可以使用二元结果和正态分布的基线变量进行小型模拟研究。我们使用逻辑回归模型生成。然后，我们使用基线变量（未调整的分析）估算优势比，然后实施IPTW估算器：
###模拟研究
nSim < - 1000
n < - 1000
unadjustedEst < - array（0，dim = nSim）
IPTW_Est < - array（0，dim = nSim）
for（i in 1：nSim）{
z < - 1 *（runif（n）<0.5）
x < - rnorm（n）
xb < - x + z
prob < - exp（xb）/（1 + exp（xb））
y < - 1 *（runif（n）<prob）
未调整的< - glm（y~z，family = binomial）
#IPTW估算
#first我们适合倾向评分模型
propModel < - glm（z~x，family = binomial）
fitted_p < - 拟合（propModel）
#calculate权重
wgt < - 1 / fitted_p
wgt [z == 0] < - 1 /（1-fitted_p [z == 0]）
iptwMod < - glm（y~z，family = binomial，weight = wgt）
IPTW_Est [i] < - iptwMod $ coef [2]
}然后，我们通过观察1000个模拟中的平均值和经验值SD来查看两个估算器的性能：
> mean（unadjustedEst） [1] 0.8392246 > sd（unadjustedEst） [1] 0.1353718 > > mean（IPTW_Est） [1] 0.8364911 > sd（IPTW_Est） [1] 0.1220977
我们首先注意到平均对数比值比处理效果估计值约为0.84，而不是数据生成机制中使用的值1。这是因为0.84是边际优势比，而1是条件优势比。
接下来，我们看到IPTW估计器在重复样本中的变量小于标准的未调整估计器。因此，我们通过使用基线变量获得了效率。
