推荐信（Letter of Recommendation, LOR），一直被公认为能够影响Match结果的关键因素之一。

但，在2015年（含）以前，我们对推荐信的认知，一直停留在经验科学的水平上。只能笼统地说：“美国临床医生的推荐信有效”。即便如此，我们每年都会观察到，同样是“美国临床医生的推荐信”，对最终match影响的结果有相当大的差别。这促使我们必须进一步研究这份“无法看到的成绩单”，研究其中更具体、更定量的问题，比如：

• “什么样的推荐信有效？”

• “推荐信效能大小比较？”

• “推荐性获得与结果的性价比”

然而，因为绝大多数情况下，推荐信的内容既不可知也不可见，这阻挠了我们用常规方式（如相似于对USMLE考试成绩的研究方法）去明确量化研究推荐信与Match的关系。（详见：《【上篇】2017年【美国住院医师申请队列研究】基线数据：【硬实力】USMLE成绩（4项）》☜点击可阅读）

在2016年初颁布的“Match量表4.1”里，使用“临床轮转时间长短”和“强烈推荐行为（Endorsement）"这两种推荐信的最初级影响因素和最极端表现，替代了“美国临床医生的推荐信有效“这句经验性的陈述。如下图：

（▲ 来源于：《赴美行医：故事观点与指南》第 334页）

在2016年9月成稿，2017年5月出版的《赴美行医：故事观点与指南》的6.7节《话说“推荐信”》（第281~287页）中，进一步创造性地为大家提供了一份“推荐信含金量筛查表”，用来对这份“无法看到的成绩单”的“推荐信预测价值（V）”进行定量评估。

“推荐信含金量筛查表”中，将推荐信的内容要素分成“客观因素”与“主观因素”两部分。因为主观部分是极难预知预测和评估的，所以我们仅仅对客观部分进行讨论。目的，是减少推荐信产生的风险。

客观因素包括：产生推荐信的场景、被推荐者观察的时间长度、以及推荐人的业内地位，而主观因素是推荐信的具体内容。在书中，我们大胆提出了“推荐信预测价值”的假设：认为将推荐信客观因素量化后得出的分值跟面试数量相关。

以上部分，是我们根据2016年（含）之前收集到的证据，推出的“推荐信含金量筛查表”模型。这个模型是否准确？我们需要如何认识呢？

我们根据以上模型，把这49份数据带入计算。过程和结果如下：

将这些信息转换为分数，计算出每个人的推荐信预测价值（V）（注：这个预测价值是被调查者使用的3封或者是4封推荐信的平均值）。推荐信预测价值（V）理论上最低分为0.8，最高分为16分，实际观察到的最低分为4分，最高分为16分。我们把推荐信预测值平均数分为[2 ~ 7.9]，[8 ~ 11.9]，[12 ~ 16]三个组。

第一步，去除混杂因素（confounding bias），即USMLE成绩对推荐信的影响。

在衡量推荐信之前，有一个重大因素先要排除。就是：“是不是好的USMLE成绩会拿到好的推荐信呢？”

因为Step1和Step2CK成绩，往往是影响面试数的首要因素之一，如果不排除这个因素，我们看到的就将会是 成绩+推荐信 的多重作用下造成的对面试结果的影响，我们却误认为是推荐信这一单一因素造成的，这是不科学的。

通过以下科研手段，排除推荐信预测价值（V）和USMLE成绩的关系。

我们将Step1和Step2CK的成绩根据以下规则转化：

• ≦220=0

• 221~230=1

• 231~240=2

• 241~250=3

• 251~260=4

• ≥261=5

然后我们把Step1和Step2CK成绩的转化并相加之后，总分指数作为纵坐标。举例，李嘉华当年Step1 258分（转化后，为4），Step2CK 262分（转化后，为5），总分指数为9。所有49个样本都按照这个方式进行转化。

（结果如下图▼）

第二步：我们比较这三组人的面试数量。

由于每个人申请的项目数量是不一样的，我们使用“面试率”进行比较。面试率=100%×（面试数/申请数）

• V = [2 ~ 7.9]组有10人，平均面试率是6%

• V = [8 ~ 11.9]组有35人，平均面试率是10%

• V = [12 ~ 16]组有4人，平均面试率是21%

我们对三组的面试率进行ANOVA分析：

（结果如下图▼）

为了理解和操作的方便，我们可以认为：

• 推荐信含金量筛查表中，V > 12分以上的推荐信比V < 8分的推荐信在获得面试的几率上要多3.5倍。

• 在2017年队列研究的样本量基础上，V = [8 ~ 11.9]这个组与两端的组（V = [2 ~ 7.9]和V = [12 ~ 16]）暂时未出现统计差异。

我们从以上数据中可以再次验证一些过去的推论和假设，并且得到新知：

1. 推荐信可以独立影响面试数量（“Match量表4.1”中已指出过）

2. 推荐信的客观因素影响推荐信的强弱，并且影响面试数（对“Match量表4.1”中提出的假设的验证）

3. 争取获得12分以上的推荐信，避免使用8分以下的推荐信（对“Match量表4.1”中提出的假设的验证）

4. 非临床的推荐信最高得分是8分，在找不到更好的推荐信的前提下，可以考虑使用非临床的推荐信

5. 推荐信预测价值（V）落在同一个区间里面的两份推荐信，可以认为他们的质量是相似的

• 如《赴美行医：故事观点与指南》的6.7节《话说“推荐信”》（第281~287页）中反复强调，推荐信的最终质量由客观因素和主观因素共同决定。因为主观部分多数情况下不可获得（waive掉了看推荐信的权利），所以上述研究是仅仅对于推荐信的客观因素进行评价的。

• 社会成就（比如科研成就），也可能成为对Match的最终结果有影响的因素。然而，社会成就方面的内容，一般是以“主观因素”方式写在信中的，不在上述推荐信预测价值（V）测评范围之内。

• 在使用推荐信时，建议灵活使用推荐信预测价值（V），综合判断推荐人的风格、属性、风评等可能影响最终效果的主观因素。

• 在临床轮转中，不妨多要推荐信。然后根据上述研究，混搭组合出一个最强的推荐信组合来。如果你犹豫哪个推荐信组合才是最有利的话，可以进一步咨询百歌医学顾问系统。