逆概率加权出现极端权重，投稿时怎样交代诊断和处理？

观察性研究用逆概率加权平衡治疗组和对照组后，结果看似有了“随机试验感”。但如果少数人拿到极大权重，估计可能主要由几条记录推动。投稿时不能只写“使用倾向评分加权并调整协变量”；还要告诉读者权重为何变大、处理前后分布如何，以及结论是否依赖所选的截尾规则。

先展示治疗选择是否有重叠

方法段列出倾向评分模型使用的基线变量、变量测量时间、缺失值处理、权重的定义和稳定化方式。结果图表展示两组倾向评分的分布及共同支持区域；若某类患者几乎只接受一种治疗，就不能简单靠赋予另一组极大权重来制造可比性。报告权重的最小值、分位数、最大值，及超过预定阈值的人数。只有加权后协变量差异变小还不够，需同时看是否牺牲了大量有效信息，以及关键协变量在重要亚组里仍不平衡。

自拟例子中，500名患者里有三人权重超过50，其余多数在0.5到3之间。若一名患者的结局变化就明显改写治疗效应，主结论的稳定性需要检验。作者可以按预先设定的分位数截尾、改用重叠人群估计，或报告不同模型规格的敏感性分析；尤其改用重叠人群估计会改变关注的人群，不能只把结果最显著的一版称为“最终分析”。被截尾的人数、阈值与权重分布变化应与结果一起提供。

平衡图与效应表要能互相解释

建议给出加权前后标准化差异，并说明没有被纳入权重模型的重要变量如何处理。若权重极端来自数据录入错误，核对和更正记录；若来自真实的治疗选择限制，讨论正值性不足及外推边界。稳定化或截尾后重新估计时，说明区间计算如何考虑权重估计与样本结构。结论部分不要只因一个模型的P值跨过某个阈值就宣布稳健，需比较效应方向、大小和精度在合理方案间的变化。

逆概率加权的原始方法论文建议展示协变量平衡、倾向评分重叠和权重分布；关于边际结构模型权重构建的论文进一步提醒极端权重与正值性、模型设定和截尾敏感性有关。STROBE也要求描述统计方法和偏倚控制。它们并未给所有研究一个通用的“权重大于多少必须删除”的阈值，选择应结合设计与目标人群。

投稿前检查分析脚本是否先看结果才改截尾点，权重图与正文最大值是否一致，极端权重者是否集中在某个临床亚群。那三名权重超过50的患者仍是实际受试者；只要三个人的权重足以左右结果，读者就需要在稿件里看见这件事。

参考信息：逆概率加权诊断和权重构建的原始方法论文；STROBE观察性研究报告指南。