我没用过 Mahalanobis matching (只有初步概念)，但原理应该是一样的，都是一种衡量距离 (pscore) 的方法！

好的，我再研究一下，谢谢！

在使用`psmatch2`命令进行倾向得分匹配（PSM）时，你观察到匹配后生成的`n1`和`n2`变量总是连续的，这实际上是因为`psmatch2`命令在匹配过程中确实为每个匹配组自动分配了连续的ID。这些ID并不表示数据点在原始数据集中的位置或顺序，而是表示匹配后的组编号。

当你使用`neighbor(2)`选项时，这意味着你选择了1:2最近邻匹配法，即每一个处理组（实验组）单位将与对照组中两个最接近的单位进行匹配。因此，对于每个处理组单位，命令会找到两个最相似的控制组单位，并为这三者分配一个共同的连续ID。

然而，“随机生成”这个描述并不完全准确，在PSM过程中，`psmatch2`是基于倾向得分和你指定的匹配选项（如caliper, common等）来寻找匹配对象。这意味着即使在每次运行命令时，由于初始排序或随机种子的不同，匹配结果可能会有轻微变化，但一旦设定好相同的随机种子并保持其他条件不变，匹配结果应该是可重复的。

如果你希望看到不同的匹配结果，可以尝试调整`psmatch2`中的参数设置，比如改变caliper大小、使用不同的匹配算法（如核密度估计或局部线性回归）或是引入更多的匹配变量。当然，在进行这些更改前，请确保它们符合你研究设计的需求和假设检验的有效性。

在处理PSM结果时，重要的是要评估匹配质量，检查标准化均值差异、平衡测试以及最终模型的统计显著性和效应大小，以确保匹配有效地消除了选择偏见，并且你的分析结果是稳健可靠的。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用