用途：当存在可信随机 A/B 实验之外的非随机运营干预时，用倾向得分匹配估计干预对接受者的平均处理效应（ATT），减少把干预前既有差异误归因于干预的选择偏差。说明上需区分：倾向预测回答谁可能付费/流失/参与，PSM 回答干预是否帮助了接受者。
主要能力：默认估计量 ATT，1:1 无放回最近邻匹配，卡钳为倾向得分 logit 的 0.2 个标准差；协变量覆盖人口、活跃、进度、历史付费与既往干预暴露。输出 matched_pairs.csv、scored_users.csv、report.json，含匹配用户、倾向得分、平衡诊断、ATT、近似置信区间、局限与运营建议。接受至少 70% 处理组被匹配、匹配后各协变量绝对标准化均差低于 0.10。
使用方式：先确认三项业务问题——评估哪个干预、哪个结果指标应改善、干预何时发生；再明确处理组、候选对照组、干预前特征窗口、干预后结果窗口与合格人群。数据按每用户一行构建，含稳定用户 ID、二元处理指示、干预或索引时间、干预前数值协变量，结果列可选（缺省则只能匹配与诊断、不得估计 ATT）。运行示例：python3 scripts/psm.py --input <users.csv> --id-col user_id --treatment-col treatment --outcome-col revenue_7d --covariates level,login_days,pay_amount_pre7d,vip,prior_campaigns --output-dir <output-dir> --ratio 1 --caliper 0.2 --max-covariate-missing-rate 0.10。支持 CSV/TSV、表格、数据库/仓库、Notebook/Python、AE/TE 等环境。
限制：不适用于已有可信随机实验、仅需预测、干预时点无法确定、缺少可靠干预前协变量、共同支撑不足，或干预在公会/服务器层面外溢的情形。PSM 仅调整可观测差异，不得称为因果证明；使用放回匹配时脚本给出的近似标准误与置信区间为空。处理组至少 100 人、候选对照至少 200 人；主要协变量缺失率原则上不高于 5%，5%–10% 需说明，超过 10% 应停止并重新设计。