近年来关于因果推断的研究在持续发展,并在自然科学、社会科学等领域得到充分实践。由于传统因果推断模型在现实应用中存在许多不足,如倾向得分匹配(PSM)模型是以大样本为基础的,在样本量较小的情况下,通过PSM也仍然会存在部分协变量不平衡的情况,因此PSM模型无法给出有效的因果推断。目前有部分机器学习领域的学者提出一些结合生成式对抗网络(GAN)的因果推断方法,以优化PSM模型的表现。本文在PSM基础上提出结合GAN的一个新模型——GPSM模型。模型核心在于:通过GAN学习原有数据集的分布,生成更多分布相似的样本,结合原有样本和生成样本进行倾向得分匹配,从而解决传统PSM模型在小样本情况下的局限性,控制选择性误差。GPSM模型主要由两个子模型组成:第一个子模型是基于GAN的样本生成模型。由两个神经网络组成,分别为生成器G和判别器D。通过生成器和判别器的相互对抗学习,生成新的模拟样本,从而拓展样本的数量。该子模型的输出与真实样本数据结合,作为第二个子模型的输入。第二个子模型是基于PSM的样本匹配模型。该模型通过Logistic回归计算各个样本的倾向得分,并利用倾向得分将处理组与对照组之间具有相同特征的样本进行匹配,即将处理组对象的反事实状态近似为匹配的对照组对象,并通过对比两者的目标结果差异来对处理的因果效应进行评估。本文最后以某肾病试验药的有效性证明为实验背景,对GPSM模型进行实证分析。利用本文提出的GPSM模型评估试验药对肾病治疗效果的影响,并对比GPSM模型与传统PSM模型的因果推断过程和结果。根据平均处理效应的估计量及假设检验结果,认为该试验药对于治疗有显著作用。实证表明GPSM模型的协变量平衡性、模型稳健性均优于传统PSM模型,并且随着引用的生成样本量越多,GPSM模型的综合表现越好。