SMMR — Vol 34 Issue 12 · 2026-06-19¶

共 7 篇 · Statistical Methods in Medical Research
目录核对 ✅ 7 篇全部抓到（对照 OpenAlex 7 篇）

本期导览¶

自动生成：归纳本期主要主题与脉络，不打分、不排名。

本期论文聚焦于复杂数据结构与因果识别问题，大致聚成三条主线：因果识别与偏倚校正（涵盖中心特异性效应、溢出效应、选择偏倚界及组分交互）、试验疗效估计与外部数据融合（处理切换与增广估计），以及复杂设计下的关联估计与不确定性量化（双生子纵向标记与单研究Meta分析）。

因果识别与偏倚校正主线在本期推进了对异质性、网络干扰与未观测混杂的剥离：多中心试验中跨中心分布不同的效应修饰因子使得全局ATE失效，“中心特异性因果推断”通过弱化交互可忽略性并利用“无中心-结局关联”条件构造了更高效的标准化估计量；网络观察性研究中，“溢出效应与缺失结果”将逆概率加权扩展至删失场景以处理网络干扰下的结果缺失；针对选择偏倚，“选择偏倚下因果效应的sharp界”证明了既有敏感性参数的变分独立性并推导了可达的sharp界与改进界；而在充分组分原因框架下，“准工具变量识别充分因果交互”引入背景条件必需的准工具变量，实现了对交互概率的直接估计并提升了检验功效。

试验疗效估计与复杂设计主线分别从内部切换与外部借力切入精度提升：肿瘤试验中对照组的高切换率导致传统方法精度不足，“增广两阶段估计”通过强可交换性假设将内部未切换数据与外部真实世界数据构建“混合非切换臂”以降低偏差；而在流行病学复杂设计中，“双生子左截断生存与纵向标记”对比了LOCF、回归校准与联合建模在不同测量误差下的表现与数值稳定性；“单研究Meta分析”则基于大规模历史数据构建异质性经验先验进行贝叶斯更新，解决了单研究下不确定性低估问题。

与因果推断及识别假设最贴的优先看“中心特异性因果推断”（弱化可迁移性假设与效率提升）、“选择偏倚下因果效应的sharp界”（变分独立性与可达界）及“准工具变量识别充分因果交互”（突破下界检验限制）；关注试验数据融合与精度改进的优先看“增广两阶段估计”。

因果推断 (causal_inference, 5 篇)¶

1. 10.1177/09622802251380624 — Center-specific causal inference with multicenter trials—Interpreting trial evidence in the context of each participating center¶

作者: Sarah E. Robertson, Jon A. Steingrimsson, Nina R. Joyce, Elizabeth A. Stuart, Issa J. Dahabreh
期刊/来源: Statistical Methods in Medical Research
机构: Dartmouth College · Harvard University · John Brown University · Brown University · Johns Hopkins University
分类: vol 34 · issue 12 · pp 2330-2347
相关性 9/10 · novelty: new_method
摘要: 在多中心随机试验设定下，当效应修饰因子跨中心分布不同时，跨中心平均化的 ATE 不适用于任何单一中心人群，本文目标是识别中心特异性 ATE，关键假设为条件于基线协变量与处理后的中心-处理交互可忽略性（弱于传统方法）及可检验的"无中心-结局关联"条件。当存在中心-结局关联时，提出基于条件可忽略性的中心特异性标准化估计量；当该关联不存在时，利用该条件构造更高效的估计量，且所需识别假设比现有可迁移性方法更弱。模拟评估了所提估计量的有限样本表现，并以 HALT-C 试验数据做实证演示。对您有用：本文在多中心/可迁移性因果推断中给出了更弱的识别条件与效率提升，直接关联您 primary interest 中的因果识别理论与效率理论。
⚠️ 摘要不完整，待重跑（python -m research_news.rerun）
关键技术: center-specific standardization, transportability identification conditions, no center-outcome association testable condition, conditional ignorability in multicenter trials, efficiency gain under restricted conditions
为什么对您有用: 本文直接连接您 primary interest 中的因果识别理论与效率理论：在多中心试验的可迁移性/外推性设定下，给出了比传统 transportability 方法更弱的识别条件，并在"无中心-结局关联"条件下明确展示了效率提升。您可用 very_familiar 的因果推断估计理论审视其估计量的 influence function 构造，并用 moderately_familiar 的 semiparametric theory 验证其声称的效率优势是否达到 semiparametric efficiency bound。中期可做：若要深入其效率界推导与半参数最优性，需先在 moderately_familiar 的 semiparametric theory 上长肌肉（具体为多中心设定下带限制条件的 efficiency bound 计算）。

2. 10.1177/09622802251382586 — Assessing spillover effects: Handling missing outcomes in network-based studies¶

作者: TingFang Lee, Ashley L Buchanan, Natallia Katenka, Laura Forastiere, M Elizabeth Halloran, Georgios Nikolopoulos
期刊/来源: Statistical Methods in Medical Research
机构: New York University · University of Rhode Island · Yale University · University of Washington · Fred Hutch Cancer Center · Cancer Research And Biostatistics · University of Cyprus
分类: vol 34 · issue 12 · pp 2284-2301
相关性 9/10 · novelty: new_method
摘要: 本文研究网络因果推断中干预溢出效应（spillover effect）估计时结果变量缺失（因研究终止或受试者退出导致的删失）的问题。目标估计量为网络环境下个体未直接接受干预但受其网络邻居影响的因果效应。作者提出逆概率删失加权估计量（IPC-censoring-weighted estimator），扩展了针对网络观察性研究的逆概率加权估计量，以处理结果删失。理论部分证明了该估计量的相合性和渐近正态性，并给出渐近方差的闭合形式估计量。模拟研究表明，在样本量和连通子网络数量足够大时，有限样本性能良好。方法应用于2013-2015年雅典TRIP项目中社区警报对注射吸毒者及其联系人HIV风险行为的影响，发现增加联系人暴露比例可降低风险行为。这篇文章直接关联到您的主要兴趣——因果推断中的网络干预和缺失数据问题，可用您熟悉的非参数统计和估计理论框架分析该估计量的效率或扩展至更复杂的删失机制。
关键技术: Inverse probability censoring weighting, Network causal inference, Spillover effects estimation, Asymptotic normality, IPW extension
为什么对您有用: 本文直接聚焦于网络因果推断中结果缺失的识别与估计问题，属于您primary interest中causal inference的子方向（网络干预、溢出效应）。您武器库中very_familiar的估计理论和非参数统计可直接用于检验该估计量的效率是否最优、或推导更紧的收敛速率。同时，该文模拟和实证部分构成真实数据应用案例，可作为中期可做的基准：若您希望在缺失数据因果推断方向深入，需在 moderately_familiar 的identification theory in causal inference上进一步强化以拓展至更复杂的缺失机制。

3. 10.1177/09622802251374168 — Investigations of sharp bounds for causal effects under selection bias¶

作者: Stina Zetterstrom, Arvid Sjölander, Ingeborg Waernbaum
期刊/来源: Statistical Methods in Medical Research
机构: Uppsala University · Karolinska Institutet
分类: vol 34 · issue 12 · pp 2270-2283
相关性 9/10 · novelty: new_method
摘要: 本文研究选择偏误下因果效应的 sharp 界。首先证明已有文献中敏感性参数是变分独立的，这保证了边界分析中参数空间无冗余约束。其次，在特定条件下证明了这些界是 sharp 的，即它们可以达到。进一步，作者基于相同的敏感性参数推导了改进的界，但需要额外的选择概率信息。通过一个关于早餐进食对超重影响的实证例子展示了改进界的应用，并以数值实验验证了 sharp 与非 sharp 情况下的表现。这些结果对于因果推断中的敏感性分析提供了更精确的定量工具，可直接用于评估选择偏误的最大可能影响。与您的研究兴趣中因果推断的识别与敏感性分析方向高度相关。
关键技术: sensitivity analysis, sharp bounds, variation independence, selection bias, causal effect bounds
为什么对您有用: 本文直接对应您因果推断兴趣中的敏感性分析子方向，特别是选择偏误下的 sharp 界推导，与您在识别理论（moderately_familiar）中的工具可直接对接。中期可做：若您进一步熟悉变分独立性的边界框架，可将此类 sharp 界方法推广到其他因果 estimand（如 IV、mediation）的敏感性分析中，这需要先在 identification theory 上夯实基础。

4. 10.1177/09622802251376236 — On identification and estimation for sufficient cause interaction through a quasi-instrumental variable¶

作者: Pei-Hsuan Hsia, An-Shun Tai, Shih-Chen Fu, Sheng-Hsuan Lin
期刊/来源: Statistical Methods in Medical Research
机构: National Yang Ming Chiao Tung University · National Tsing Hua University · National Dong Hwa University
分类: vol 34 · issue 12 · pp 2237-2248
相关性 9/10 · novelty: new_method
摘要: 本文在充分组分原因模型（sufficient component cause model）框架下，研究如何识别和估计充分因果关系交互（sufficient cause interaction, SCI），即揭示两种暴露是否存在协同作用。现有VanderWeele和Robins的检验仅能评估SCI的下界，因自由度受限而检验功效较低。作者提出引入一个名为“准工具变量”（quasi-instrumental variable）的新因素，该变量是SCI背景条件所必需，从而实现了对个体存在SCI概率的直接估计。进一步开发了相应的假设检验方法，并证明其比现有经验检验具有更高的检验功效。方法核心在于通过准IV提供额外的识别条件，使得SCI的识别成为可能，估计可采用逆概率加权或回归调整。实证部分将方法应用于肠道细菌对帕金森病形成的协同效应估计，展示了实际可行性。对您而言，这篇论文针对因果推断中的机制交互（mechanistic interaction）问题提出了新的识别策略和检验方法，直接连接您在因果推断中关于识别理论和IV方法的研究兴趣。
关键技术: sufficient cause interaction, quasi-instrumental variable, hypothesis test for synergism, sufficient component cause model, empirical lower bound test
为什么对您有用: 这篇论文直接切入因果推断中的机制交互识别问题，属于您primary interest中“identification theory in causal inference”和“IV”子方向。它提出了“准工具变量”这一新识别策略，为SCI的估计和检验提供了自由度，类似工具变量的思想但用于不同的因果参数——这可以启发您思考如何用类似结构处理其他proximal CI或mediation中的识别问题。您的武器库中“identification theory in causal inference”（moderately_familiar）正是评估其识别假设强度与可检验性的核心工具，而“estimation theory in causal inference”（very_familiar）则可用于推导其估计量的渐近性质。中期可做：若您希望将准IV思想推广到更一般的交互效应框架，需要先在moderately_familiar的“identification theory”上深入掌握其完备性条件。

5. 10.1177/09622802251374838 — Augmented two-stage estimation for treatment switching in oncology trials: Leveraging external data for improved precision¶

作者: Harlan Campbell, Nicholas Latimer, Jeroen P Jansen, Shannon Cope
期刊/来源: Statistical Methods in Medical Research
机构: University of British Columbia · MD Precision (Canada) · University of Sheffield · University of California, San Francisco
分类: vol 34 · issue 12 · pp 2249-2269
相关性 8/10 · novelty: new_method
摘要: 肿瘤学随机对照试验中常允许对照组患者切换到实验组，这一做法虽符合伦理，却给长期疗效的准确估计带来困难。当切换率高或样本量有限时，常用的调整方法（如保序结构失效时间模型、逆概率删失加权和两阶段估计）往往产生不精确的估计。本文提出“增广两阶段估计”（ATSE），将试验中未切换患者的内部数据与外部真实世界数据结合，构建“混合非切换臂”，以期在无偏估计下提高精度。该方法要求两个强假设：给定所有观测协变量后，（1）患者切换决策与进展后生存独立；（2）试验人群与外部队列可交换。通过模拟研究，作者将ATSE与传统两阶段估计及纯外部对照臂方法进行比较。结果显示，当外部数据无未测量的混杂时，ATSE的偏差更小、精度更高；即使存在未测量混杂，其偏差也小于纯外部对照臂方法。这篇论文对您有价值：它直接关联因果推断中处理切换调整问题，并将外部数据结合入估计流程，可在您擅长的因果估计理论框架下进行敏感性分析或假设检验。
关键技术: augmented two-stage estimation, external control arm, rank-preserving structural failure time model, inverse probability of censoring weights, two-stage estimation, simulation-based evaluation
为什么对您有用: (1) 本工作属于因果推断领域中的切换调整（treatment switching）子问题，特别引入外部数据以提高精度，与您的primary interest（causal inference中结合外部数据的identification与estimation）直接对应。(2) 基于武器库中 very_familiar 的 estimation theory in causal inference，您可以分析ATSE的偏差公式、推导其influence function，并评估强假设的敏感性；而您在 moderately_familiar 的 identification theory 上可进一步研究交换性假设的可检验性。(3) follow-up 初步判断：中期可做——要真正将该方法扩展（如放松假设或构建正规推断），需先在 identification theory（处理外部数据交换性）上积累；但核心的偏差-精度权衡分析在现有工具下可立即开展。

流行病学 (epidemiology, 2 篇)¶

1. 10.1177/09622802251383643 — Modeling the effect of longitudinal markers on left-truncated time-to-event outcomes in twin studies¶

作者: Annah Muli, Mar Rodriguez-Girondo, Jeanine Houwing-Duistermaat
期刊/来源: Statistical Methods in Medical Research
机构: University of Leeds · Leiden University Medical Center · Radboud University Nijmegen
分类: vol 34 · issue 12 · pp 2313-2329
相关性 5/10 · novelty: application
摘要: 本文针对双胞胎研究中左截断且聚类生存数据下纵向生物标记物对生存结局的关联估计问题，提出了三种方法：末次观测结转（LOCF）、回归校准以及纵向与生存过程的联合建模（两阶段似然法）。模拟表明，LOCF仅在测量密集且无测量误差时表现良好；测量误差较小时回归校准更优；误差较大时联合建模优于校准方法，但存在数值不稳定性，此时校准可作为替补。将方法应用于TwinsUK数据（766名老年女性，138例骨折），估计骨密度作为纵向标记物对骨折发生率的影响；模型中包含共享伽马分布脆弱项以处理孪生对间骨折时间的相关性。结果中校准与联合建模估计的效应大于LOCF，可能源于不规则测量和微小的测量误差。本研究为复杂设计下纵向标记物与生存结局的关联建模提供了实用工具，直接对应您的次要兴趣——流行病学队列中纵向数据与生存分析的结合。
关键技术: joint modeling of longitudinal and survival outcomes, left truncation, clustered survival data, regression calibration, last observation carried forward, shared frailty model
为什么对您有用: 论文聚焦流行病学中双胞胎队列的纵向-生存关联估计，与您的次要兴趣流行病学应用直接相关。您对纵向因果推断中的时间依赖性暴露问题亦有兴趣，本文的三种估计策略（尤其是校准与联合建模）可作为处理测量误差和聚类结构的基准。当前您的武器库中非参数统计和估计理论可用来分析其模型假设（如比例风险、脆弱项分布）的敏感性，但未掌握纵向因果识别工具（如g-computation或MSM），因此属于中期可做：需先在纵向因果推断方法上补充。

2. 10.1177/09622802251380628 — Meta-analysis with a single study¶

作者: Erik van Zwet, Witold Wiȩcek, Andrew Gelman
期刊/来源: Statistical Methods in Medical Research
机构: Leiden University Medical Center · University of Chicago · Columbia University
分类: vol 34 · issue 12 · pp 2302-2312
相关性 3/10 · novelty: new_method
摘要: 在随机效应meta分析中，当只有一项研究时，研究间异质性无法被观测，若直接将研究层面效应视为总体效应会导致不确定性低估。本文提出一种经验贝叶斯方法来解决该问题：首先基于Cochrane系统评价数据库中1635项meta分析的历史数据，估计总体效应和异质性的联合分布；然后利用该分布作为先验，对单研究数据进行贝叶斯更新。通过合成数据验证和交叉验证，研究者发现所提出的贝叶斯“单研究meta分析”显著优于朴素假定效应不变的估计。异质性先验能更好量化不确定性，效应先验则大幅降低均方误差——对总体效应估计而言该改进等价于样本量翻倍。本文是流行病学meta分析领域的方法论实证，其利用大规模数据库构建经验先验的思路，可借鉴到因果推断中异质性调整（如工具变量或纵向分析），且您熟悉的高维渐近工具可用于分析此类先验分布的性质。
关键技术: empirical Bayes, random effects meta-analysis, heterogeneity estimation, cross-validation, prior distribution estimation
为什么对您有用: 本文属于流行病学应用方法论，符合您的次要兴趣。其核心经验贝叶斯框架利用大规模历史数据改善单研究推断，这种策略可与您熟悉的非参数统计和高维渐近工具结合，迁移至因果推断中的异质性处理（如IV或纵向数据中的效应异质性）。但直接扩展需先掌握贝叶斯计算（不在武器库中），故为暂不可做。

Maintained by 陈星宇 · Homepage · Source on GitHub