目的探討神經網絡（neural networks，NN）在傾向分數值估計中的應用價值，并與基于 logistic 回歸（logistic regression，LR）的傾向分數方法進行比較，檢驗其統計性能。方法采用 SAS 9.2 軟件，生成包含 10 個定性/定量協變量、1 個結局變量（定量）、1 個分組變量（二分類）的數據集，模擬當 5 種處理因素與協變量存在非線性關系和交互作用的情形，設定樣本量分別為 500、1 000、2 000、5 000、10 000。在納入部分協變量（與處理因素和結局變量同時有關及只與結局變量有關，即 LR1 或 NN1）或納入全部協變量（同時有關、只與結局有關、只與處理因素有關，即 LR2 或 NN2）情況下分別采用 LR 和 NN 估計傾向分數值。比較不同模型中平均處理效應（average treatment effect，ATE）估計值的標準誤、偏倚、均方誤差。結果基于 NN 的傾向分數法估計 ATE 的 95% 可信區間較 LR 更窄。隨著處理因素與協變量關系復雜程度的增加，ATE 的標準誤、偏倚、均方誤差逐漸增加，LR1 與 NN1 的 ATE 的標準誤、偏倚、均方誤差小于 LR2 與 NN2。當只采用與結局變量有關的協變量估計傾向分數時，NN 通常較 LR 產生的 ATE 估計值的偏倚更小。隨著樣本量的增加，兩種方法估計的 ATE 估計值的標準誤和均方誤差逐漸減少。結論當處理因素與協變量之間存在潛在復雜關系時，基于 NN 的傾向分數法可能會產生更小的偏倚和更精確的 ATE。