见微知著，月晕而风。科学研究最重要的意义和最令人振奋的收获，莫过于找出事物发展和变化的真正原因。有很多现象和关联似乎显而易见，然而证明这些“简单”的现象和关联的过程，可能极其消耗人力和物力。在20世纪30年代之前，匹配法（也称控制法）在因果研究中占据了压倒性的地位，科学家认为只有将实验组和对照组的所有情况都尽可能接近，才能两组间的差异是否归于处理因素。但是，在要让实验组和对照组之前的特征（混杂）尽可能匹配，不仅难以操作，而且会消耗大量资源，尤其在很多情况下，很多因素是试验者难以去控制的。

在伊利诺伊大学的莫柔地块（University of Illinois , Morrow Plots），Fisher通过“分割地块实验”（( Split-Plot Experiment ），成功证明了一个在今天看来可能极其简单，但却耗费了几代科学家上百年努力的结论：土壤的质量是农业生产率最关键的决定因素（Soil quality is a vital component of agricultural productivity）。并开拓了如今广为人知的方差分析(ANOVA），将随机实验法纳入了因果分析的殿堂，成为因果分析的金标准。

在卫生领域，随机临床试验（RCT）是应用随机实验法最典型的例子。为了证明某种处理（或因素）的作用，将研究对象随机分组并进行前瞻性的研究，可以最大程度上确保已知和未知的混杂因素对各组的影响均衡，阐明处理因素的真实效应。但RCT对研究对象严格的纳入和排除标准，无疑会影响研究结果的外推，同时费用和组织困难问题很多时候都是让人难以承受的。此外，很多研究问题无法做到随机，甚至有些情况下的随机是违反伦理道德的。

而非随机对照研究（如观察性研究和非随机干预研究）能够较好地耐受RCT中存在的问题，在实际应用中更为广泛。如何利用非随机化研究的资料探究因果，一直是流行病学和统计学研究中非常关注的问题。传统的控制混杂的方法如分层、匹配等控制的混杂因素有限，多因素分析的方法在概念上“控制了其他因素，探究某一因素的影响”，依然无法控制混杂因素所导致的偏性。在这种情况下，倾向值分析（Propensity score analysis）的理论和实践不断丰富，并在流行病学、经济学、社会科学等领域得到广泛应用。

举一个简单的例子。我们常认为重点学校的对于学生学习能力的提升是优于一般学校的。如果把学校类型视为处理因素，而结局指标为入学后成绩的改变量。那么不同学校间学生成绩改变量的差异，究竟是因为学校不同（处理因素，简单理解为师资、设施等条件的综合），还是因为考入重点学校的学生，本身就比一般学校的学生更聪明，更勤奋，家长的受教育水平更高，对教育的投资更大（混杂因素）？如果控制这些混杂因素以后，学校对成绩的影响，是否就会发生很大变化？学生进入何种学校学习（接受不同处理）的概率是不同的，受到了很多因素的影响，而这些因素同时可能也会影响结局，导致分析处理效应时的偏性。

倾向值就是研究的个体在一定可观测到的协变量（混杂）存在的情况下，接受某种干预的可能性。而倾向评分析，就是利用倾向值从对照组中为处理组中的每个个体寻找一个或多个背景特征相同或相似的个体作为对照，使两组的混杂因素的分布也趋于均衡，实现类似于随机化设计中的随机分配干预的目的。