12月20日和21日，由研究生院和金莎app官网联合举办的专题课程《Propensity Score Analysis》（倾向值分析）在学景酒店MBA204教室圆满结束。课程由现任美国华盛顿圣路易斯大学Frank J. Bruno杰出教授，西安交通大学长江学者讲座教授，美国社会工作社会福利科学院院士郭申阳教授主讲。来自金莎app官网、会计学院、经济研究中心等院部的80余位老师和研究生聆听了两天的课程。开课前，校学科办主任马玉林教授、金莎app官网执行经理李国锋教授分别对郭教授来我司开设研究生短期课程表示欢迎与感谢。 

在随后两天授课时间里，郭教授分别就倾向值分析方法的历史发展、反事实理论框架及其假定、倾向值匹配原理及相关模型和匹配值估计等当面进行了详细的讲授，并与听课师生进行了热烈交流，解答了师生们关于倾向值分析的诸多提问。听课老师和同学们都表示这种短期集中授课方式效果良好，能真正做到听的懂原理、学的会应用！

在观察研究或不含随机化的研究中进行因果关系推断颇具有挑战性。由于种种原因，数据偏差（bias）和混杂因素（confounding variable）较多且不可避免。为了减少这些偏差和混杂因素的影响，倾向值分析(Propensity Score Analysis)已被证明是使用非实验数据(Non-experimental Data)或观测数据(Observational Data)进行干预效应评估时的有用、新颖且具创造性的一类统计方法。其理论框架是“反事实推断模型”，它假定任何因果分析都面临着观测到的和未被观测到的结果。如果我们说“A是导致B的原因”，用的是一种“事实陈述法”；如果我们问：没有A，那么B的结果将会怎样呢（其实A已经发生了）？对于处在干预状态(treatment condition)的成员而言，反事实就是处在控制状态(condition of control)下的潜在结果(potential outcome)；反之，对于处在控制状态的成员而言，反事实就是处在干预状态下的潜在结果。显然，这些潜在结果是我们无法观测到的，或说它们是缺失的，需要做进一步的研究。这种方法最早由Paul Rosenbaum和Donald Rubin于1983年提出的，一般常用于医学、公共卫生、经济学和社会学等领域。