傾向評分匹配，簡稱PSM，是使用非實驗資料或觀測資料進行干預效應分析的一類統計方法。傾向得分匹配的理論框架是“反事實推斷模型”。“反事實推斷模型”假定任何因果分析的研究物件都有兩種條件下的結果：觀測到的和未被觀測到的結果。如果我們說“A是導致B的原因”，用的就是一種“事實陳述法”。

傾向評分匹配法適用於兩類情形。 第一，在觀察研究中，對照組與實驗組中可直接比較的個體數量很少。在這種情形下，實驗組和對照組的交集很小，比如治療組健康狀況最好的10%人群與非治療組健康狀況最差的10%人群是相似的，如果將這兩個重合的子集進行比較，就會得出非常偏倚的結論。 第二，由於衡量個體特徵的引數很多，所以想從對照組中選出一個跟實驗組在各項引數上都相同或相近的子集作對比變得非常困難。在一般的匹配方法中，我們只需要控制一兩個變數（如年齡、性別等）即可，就可以很容易從對照組中選出一個擁有相同特徵的子集，以便與實驗組進行對比。但是在某型情形下，衡量個體特徵的變數會非常多，這時想選出一個理想的子集變得非常困難。經常出現的情形是，控制了某些變數，但是在其他變數上差異很大，以至於無法將實驗組和對照組進行比較。

傾向評分匹配透過使用邏輯迴歸模型來決定評分。