Propensity Scores：用于刻画用户or样本$i$受到$Treatment$的概率，本质上是用于描述选定为实验组和对照组的样本除了$Treatment$外其他特征是否可认为是一致的，我们可以将倾向性得分看作是在特征空间上执行某种降维操作。它将X中的所有特征压缩到一个Treatment倾向上，具体见下面的例子

假定Brad Pitt有一个双胞胎的哥哥，兄弟俩哪都一样：Brad1和Brad2一起起床，吃一样的事物，进行同样强度的体能锻炼等等。有一天，Brad 1 碰巧从街上的促销员那里得到了最后一打Soylent饮料，但Brad 2没有这样的好运气。所以Soylent只出现在了Brad1的食谱上。在这种情况下，可以认为，双胞胎此后出现的任何行为差异就是这个饮料造成的。

将这种情景带入现实世界，我们用下面的方法来估计Soylent对健康的影响：

• 对于每一个喝Soylent的人来说，找到一个各方面都比较接近他的不喝这个饮料的人。比如我们会将喝Soylent的Jay-Z和不喝Soylent的Kanye当做一组，或者喝Soylent的Keira 配对不喝Soylent的Knightley这样。

• 接下来我们就观察二者的不同之处来量化soylent的影响。

然而，在实践时找到两个非常相近的双胞胎是很困难的，如果Jay-Z比Kanye平均多睡一个小时，那么怎么保证二者真的很接近呢？

Propensity modeling（倾向建模）就是这种双胞胎匹配过程的简化。我们并不是根据所有的变量来匹配两个个体，而是根据一个简单的数字来匹配所有用户-----他们喝soylent的可能性（“倾向”）