SMMR — Vol 34 Issue 10 · 2026-06-24¶

共 12 篇 · Statistical Methods in Medical Research
目录核对 ✅ 12 篇全部抓到（对照 OpenAlex 12 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。

这一期集中在三个主题：试验设计与因果识别（egocentric 网络设计、响应自适应随机化、聚类设计最优选择、序贯试验方差比较）、生存数据的复杂结构建模（治愈分数、区间删失、缺失协变量、复合终点）、以及应用导向的方法比较（ROC 曲线异质性变换、风险因素量化、生物等效性两阶段设计、疾病映射空间先验平滑）。十二篇论文中近半数涉及因果推断或试验设计，其余多在流行病学背景下解决具体分析问题。

试验设计主线最为密集。Design of egocentric network-based studies 在 interference 下利用 two-stage randomization 识别个体与溢出效应；Selecting the optimal longitudinal cluster randomized design 在 cost‑efficiency 框架下比较平行、交叉与步进楔形设计的样本量和功效；A note on response-adaptive randomization 从贝叶斯预测分布出发分配患者，兼顾伦理与推断性质；Group sequential designs for survival outcomes with adaptive randomization 将协变量调整自适应随机化与序贯监测结合，并用 overlap‑weighted log‑rank test 处理异质性；Inference procedures in sequential trial emulation 比较 sandwich、bootstrap、jackknife 在 IPW 估计边际风险差时的有限样本表现。这些论文从设计优化、分配规则、方差估计等角度回应了因果推断中的实际挑战。

生存数据建模是另一条线索。Optimal treatment regimes in the presence of a cure fraction 直接估计 ITR，目标兼顾治愈率与未治愈患者生存时间，并给出折中规则；Semiparametric regression analysis of interval‑censored failure time data with a cure subgroup 联合半参数非混合治愈模型与密度比缺失模型，处理区间删失、治愈亚群和不可忽略缺失三重困难；Health utility adjusted survival 将健康效用与生存时间整合为复合终点，作为非劣效试验的替代指标。Group sequential designs 和 STE 论文也以生存结局为对象，但更侧重推断流程而非建模。

因果推断研究者可优先浏览 Design of egocentric network、Selecting the optimal longitudinal cluster randomized design 以及 Inference procedures in sequential trial emulation（干扰、最优设计、方差比较）；半参数方法关注者适合阅读 Semiparametric regression analysis 和 Optimal treatment regimes（治愈模型、直接估计渐近性质）。

因果推断 (causal_inference, 5 篇)¶

1. 10.1177/09622802251357021 · arXiv — Design of egocentric network-based studies to estimate causal effects under interference¶

作者: Junhan Fang, Donna Spiegelman, Ashley L Buchanan, Laura Forastiere
期刊/来源: Statistical Methods in Medical Research
机构: Yale University · University of Rhode Island
分类: vol 34 · issue 10 · pp 2034-2052
相关性 8/10 · novelty: new_method
摘要: 在 interference 设定下，本文研究 egocentric network-based randomized design，目标是识别和估计 individual effect、spillover effect 和 overall effect 三个因果 estimand。作者采用 potential outcomes 框架，阐明了在 egocentric 设计下借用 two-stage randomized design identification 策略所需的 key assumptions（包括 no interference between index participants' networks 等条件）。估计方面，提出基于 block-diagonal covariance 结构的回归模型，可联合估计三类效应。核心贡献是推导了针对 single 和 joint hypothesis tests 的样本量公式，分析了网络密度、treatment proportion 等参数对 power 的影响。最后用 HIV prevention 的 peer education intervention 实例演示公式应用。对您在 longitudinal/clustered data 下的因果推断工作有参考价值。
关键技术: interference and spillover effects, egocentric network design, potential outcomes framework, block-diagonal regression, sample size calculation, joint hypothesis testing
为什么对您有用: (1) 连接到 causal inference 中的 interference / spillover 设定，是您 primary interest 中 longitudinal 和 causal identification 的自然延伸。(2) 您的 identification theory in causal inference（moderately_familiar）可直接审视本文的 identification assumptions 是否合理，M-estimation theory 可用于分析其 block-diagonal estimator 的效率性质。(3) 中期可做：本文是设计导向的应用因果工作，理论深度有限；若想切入 interference 文献，建议先在 moderately_familiar 的 identification theory 上补课网络干扰下的 standard identification 结果（如 Tchetgen Tchetgen 等人的工作），再考虑 efficiency 或 sensitivity analysis 的理论扩展。

2. 10.1177/09622802251338399 — Optimal treatment regimes in the presence of a cure fraction¶

作者: Chenrui Qi, Zicheng Lin, Baqun Zhang, Cunjie Lin, Zishu Zhan
期刊/来源: Statistical Methods in Medical Research
机构: Hong Kong University of Science and Technology · University of Hong Kong · Renmin University of China · Shanghai University of Finance and Economics · Southern Medical University
分类: vol 34 · issue 10 · pp 1935-1951
相关性 7/10 · novelty: new_method
摘要: 本文研究存在治愈分数（cure fraction）的生存数据中，如何估计最优个性化治疗规则（ITR）。传统方法假设所有患者最终都会经历事件，忽略了一部分患者可能被治愈，导致治疗规则估计偏误。作者提出直接估计方法，分别以最大化治愈率或未治愈患者平均生存时间为目标构建ITR，并利用外点算法求解约束优化问题，进一步提出两种兼顾治愈率与未治愈患者生存时间的折中规则：在控制治愈率不显著降低的前提下最大化生存时间，或在控制生存时间的前提下最大化治愈率。理论上证明了所提估计量的统计一致性及渐近性质，并通过模拟和实际食管癌数据验证了方法的有效性。该工作将ITR估计从完全发生事件的标准设定推广到存在治愈分数的实际场景，为临床决策提供了更全面的工具。对您有用：直接衔接您因果推断中个性化治疗规则估计的兴趣，且方法可迁移至流行病学中带有删失或治愈的生存分析应用。
关键技术: optimal treatment regimes, cure fraction, constrained estimation, exterior-point algorithm, survival analysis, direct estimation method
为什么对您有用: 本文直接关注因果推断中的个性化治疗规则估计，是您主要兴趣子方向。您武器库中的'estimation theory in causal inference'可用于分析该方法的识别与渐近效率；此外，您熟悉M-estimation理论，可进一步考察其估计量的半参数最优性。判断为立即可做：方法框架清晰，您已有的非参数与因果推断工具可直接复现或拓展到更复杂的治疗规则（如多阶段、动态）。

3. 10.1177/09622802251356594 · arXiv — Inference procedures in sequential trial emulation with survival outcomes: Comparing confidence intervals based on the sandwich variance estimator, bootstrap and jackknife¶

作者: Juliette M Limozin, Shaun R Seaman, Li Su
期刊/来源: Statistical Methods in Medical Research
分类: vol 34 · issue 10 · pp 2011-2033
相关性 7/10 · novelty: new_method
摘要: 在 sequential trial emulation (STE) 框架下，目标是估计生存结局的边际风险差 (marginal risk difference)，采用 IPW 处理时变混杂与删失，并基于 weighted structural models 进行估计。本文系统比较了四种方差估计方法构建置信区间的有限样本表现：sandwich variance estimator、nonparametric bootstrap、linearised estimating function (LEF) bootstrap 与 jackknife。模拟研究表明，在小样本、低事件率、低处理暴露率（STE 的典型场景）下，LEF bootstrap 的覆盖率优于 nonparametric bootstrap 和 sandwich estimator，且计算更快、对处理组不平衡更稳健；在大样本、中高事件率下，sandwich estimator 覆盖率最佳且计算最快。对您在因果推断的推断程序与 sensitivity analysis 方向有直接参考价值。
关键技术: sequential trial emulation, inverse probability weighting, sandwich variance estimator, linearised estimating function bootstrap, jackknife variance estimation, survival analysis
为什么对您有用: (1) 直接连接到因果推断中的 longitudinal/treatment effect estimation 与 inference 程序问题，特别是您关注的 sensitivity analysis 与估计理论。(2) 您的 very_familiar 武器库中的 estimation theory in causal inference 与 software development 可直接评估本文的模拟设计与 LEF bootstrap 实现细节；moderately_familiar 中的 semiparametric theory 可用于分析 LEF bootstrap 为何在小样本下优于 sandwich。(3) 立即可做：用 very_familiar 的 nonparametric statistics 与 minimax bounds 视角可验证本文模拟发现的边界条件，或扩展至您关心的 sensitivity analysis 场景。

4. 10.1177/09622802251360409 — Selecting the optimal longitudinal cluster randomized design with a continuous outcome: Parallel-arm, crossover, or stepped-wedge¶

作者: Jingxia Liu, Fan Li, Siobhan Sutcliffe, Graham A Colditz
期刊/来源: Statistical Methods in Medical Research
机构: Washington University in St. Louis · Yale University
分类: vol 34 · issue 10 · pp 2069-2090
相关性 6/10 · novelty: new_method
摘要: 本研究在cost-efficiency框架下比较三种纵向聚类随机试验设计（平行臂、多次周期交叉设计CRXO、步进楔形SW-CRT）的最优设计（OD）。目标是最小化达到预定功效的成本或固定预算下最大化功效。使用相同块交换相关结构的GEE估计处理效应，并开发每种设计的最低成本OD算法。结果表明最优封闭队列CRXO是全局最优设计，兼具最低成本和最大功效。建议在步进楔形设计中使用L = T-1个处理序列以降低成本。该比较为纵向聚类随机试验的设计选择提供了系统指导，直接关联到您对因果推断中纵向设计的兴趣，特别是在流行病学等领域的实际应用。
关键技术: generalized estimating equations (GEE), block exchangeable correlation, optimal design algorithms, cost-efficiency framework, closed-cohort vs repeat cross-sectional
为什么对您有用: 该论文直接比较了纵向聚类随机试验的常见设计（平行、交叉、步进楔形），属于您primary interest中因果推断的纵向设计子方向，特别是实验设计选择问题。您可以运用very_familiar中estimation theory in causal inference的知识（如GEE效率比较）来深入理解和验证其结果；同时，您的软件技能可用于复现和扩展其OD算法（例如在不同成本结构下的敏感性分析）。立即可做：您已有足够背景阅读并消化该论文，并结合自身纵向设计进行设计最优性评估。

5. 10.1177/09622802251360413 — A note on response-adaptive randomization from a Bayesian prediction viewpoint¶

作者: Alessandra Giovagnoli, Monia Lupparelli
期刊/来源: Statistical Methods in Medical Research
机构: University of Bologna · University of Florence
分类: vol 34 · issue 10 · pp 2053-2068
相关性 6/10 · novelty: new_method
摘要: 本文从贝叶斯预测分布的角度提出了一种新的响应自适应随机化规则，旨在将更多患者分配到当前“最佳”治疗组。该规则基于决策理论框架，结合累积数据和先验信息，通过预测未来结局来指导下一患者的分配。方法兼顾患者受益动机（伦理考虑）和推断目的（频率学派性质），并证明了所提规则的部分渐近性质。通过数值研究，将所提规则与著名的Thompson规则等进行比较，特别关注二元结局的情形。本文的方法直接涉及临床试验的随机化设计，其决策理论框架与因果推断中的最优分配问题有交叉。对于关注实验设计（如适应性设计）的研究者，本文提供了一种新的贝叶斯随机化视角，但技术路径（预测分布、决策理论）与您熟悉的半参/高维工具距离较远。
关键技术: Bayesian predictive distribution, decision-theoretic approach, response-adaptive randomization, Thompson sampling variant, asymptotic properties of adaptive designs
为什么对您有用: 本文触及因果推断中实验设计的核心问题——随机化策略的优化，但您的兴趣主要集中于 identification 与 estimation 而非设计。您的武器库中 'causal inference 中的 estimation theory' 可用来分析该规则下估计量的性质，但本文核心的贝叶斯预测机制并非您的熟悉方向。 follow-up 粗判：暂不可做——所需工具（贝叶斯决策论、预测分布计算）不在当前武器库中，且与您的 high-order U-stat / 半参效率主线关联弱。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 10.1177/09622802251356592 — Semiparametric regression analysis of interval-censored failure time data with a cure subgroup and nonignorable missing covariates¶

作者: Yichen Lou, Mingyue Du, Peijie Wang, Xinyuan Song
期刊/来源: Statistical Methods in Medical Research
机构: Chinese University of Hong Kong · Jilin University · Jilin Medical University
分类: vol 34 · issue 10 · pp 1994-2010
相关性 7/10 · novelty: new_method
摘要: 本文针对同时存在治愈分数和不可忽略缺失协变量的区间删失失效时间数据，提出联合半参数建模框架。具体设定为：失效时间用半参数非混合治愈模型刻画，缺失协变量用半参数密度比模型建模，从而处理区间删失、缺失和治愈亚群三重困难。估计方法采用两阶段似然极大化：首先通过EM算法求解参数部分，然后利用核或样条估计非参数累积基线风险函数，并证明估计量的相合性和渐近正态性。数值模拟展示了有限样本下的良好表现，并应用于一项阿尔茨海默病研究。该方法的核心技术包括profile似然与条件得分，但未明确讨论半参数效率界。对您来说，本文是半参数生存分析与缺失数据方法的一个典型应用，其模型结构可用于拓展至因果推断中的缺失协变量灵敏度分析。
关键技术: semiparametric nonmixture cure model, semiparametric density ratio model, two-step likelihood-based estimation, interval-censored failure time data, nonignorable missing covariates, joint modeling framework
为什么对您有用: 本文连接半参数与非参数理论中的缺失数据处理子方向，与您 moderately familiar 的 M-估计理论（可进一步分析其效率损失）和 nonparametric statistics 工具（用于非参数基线风险估计）直接对口。由于核心方法基于经典似然和两步估计，您可借助 very_familiar 的 estimation theory in causal inference 理解其识别步骤，但要严格验证其半参效率是否可达到，需要先深入 M-estimation theory（目前 moderately familiar）——因此属于中期可做：先补强 M-估计的渐近方差计算即可动手拓展。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)¶

1. 10.1177/09622802251340250 — Group sequential designs for survival outcomes with adaptive randomization¶

作者: Yaxian Chen, Yeonhee Park
期刊/来源: Statistical Methods in Medical Research
机构: University of Hong Kong · Sungkyunkwan University
分类: vol 34 · issue 10 · pp 1952-1967
相关性 5/10 · novelty: new_method
摘要: 在生存数据临床试验中，目标是构建结合协变量调整响应自适应随机化（CARA）与成组序贯设计的推断框架，estimand 为 treatment effect（通过 log-rank test 检验），关键假设是 Cox 比例风险模型。方法核心是提出 CARAS（Cox-based CARA for Survival），利用患者基线协变量和即时响应信息动态调整分配概率，以提升个体化伦理收益；同时引入 group sequential overlap-weighted log-rank test，通过 overlap weighting 解决 CARA 导致的入组时间异质性问题，从而在序贯监测下严格保护 type I error。理论贡献主要是证明了所提检验在 CARA 机制下的 type I error 控制与渐近性质，simulation 显示相比传统 RCT 和普通 response-adaptive 设计有更高的统计效率与临床获益。对您可能有用的是，这是假设检验与序贯设计在生存数据上的具体应用，涉及 type I error 控制这一核心议题。
关键技术: response-adaptive randomization, group sequential design, overlap-weighted log-rank test, Cox proportional hazards model, type I error control
为什么对您有用: （1）连接到 hypothesis testing 这一 primary interest 子方向，具体是临床试验中序贯设计的 type I error 控制问题。（2）本文属于应用导向的方法论文，技术深度相对有限，主要依赖 classical M-estimation 与 counting process martingale 理论；您武器库中的 very_familiar 工具（如 minimax bounds、high-dimensional asymptotics）对此问题过于高阶，而 moderately_familiar 的 semiparametric theory 可用于审视其 Cox 模型假设的稳健性。（3）暂不可做：核心机器（group sequential / alpha-spending / counting process theory）不在武器库中，需先补序贯设计与生存分析基础。

流行病学 (epidemiology, 5 篇)¶

1. 10.1177/09622802251354921 — Estimation of receiver operating characteristic curve when case and control require different transformations for normality¶

作者: Xiaoyu Cai, Wei Zhang, Huiyun Li, Zhaohai Li, Aiyi Liu
期刊/来源: Statistical Methods in Medical Research
机构: George Washington University · Chinese Academy of Sciences · National Center for Mathematics and Interdisciplinary Sciences · Academy of Mathematics and Systems Science · Beijing Institute of Technology · Eunice Kennedy Shriver National Institute of Child Health and Human Development
分类: vol 34 · issue 10 · pp 1982-1993
相关性 5/10 · novelty: minor
摘要: 本文针对生物标志物ROC曲线估计中，病例组与对照组需通过不同Box-Cox变换才能近似正态分布的问题展开。作者首先证明，若两组要求不同变换但仍强行使用常见Box-Cox变换方法，会产生显著偏倚。在此设定下，他们提出了一种参数方法：分别对两组估计各自的Box-Cox变换参数（通常用profile似然），然后在正态假设下推导ROC曲线的解析表达式及AUC的方差（通过Delta方法）。模拟研究与NHANES HIV数据实例表明，新方法比共同变换估计更接近非参数估计的基准，且AUC的置信区间覆盖更准确。本文方法学贡献中等，未引入更高阶的理论工具，但对生物医学诊断中处理异质性变换提供了实用条款。该工作属于流行病学应用方向，对于您关注流行病学的数据分析和因果推断工作有拓展阅读价值。
关键技术: Box-Cox transformation, separate transformations, parametric ROC curve, profile likelihood, delta method
为什么对您有用: 连接您secondary interest中的流行病学应用（诊断生物标志物评价）；本文使用的参数估计与变换策略虽简单，但可被您的非参数统计工具（very_familiar）进行稳健性检验或扩展，例如用核密度估计放松正态性假设；短期可做——凭借您已掌握的非参数方法和软件开发经验，可直接复现其仿真并尝试添加非参数替代方案。

2. 10.1177/09622802251327680 — Quantification of the influence of risk factors with application to cardiovascular diseases in subjects with type 1 diabetes¶

作者: Ornella Moro, Inger Torhild Gram, Maja-Lisa Løchen, Marit B Veierød, Ana Maria Wägner, Giovanni Sebastiani
期刊/来源: Statistical Methods in Medical Research
机构: Istituto per le Applicazioni del Calcolo Mauro Picone · University Hospital of North Norway · Centre for Arctic Gas Hydrate, Environment and Climate · UiT The Arctic University of Norway · University of Oslo · Universidad de Las Palmas de Gran Canaria · Hospital Universitario Insular de Gran Canaria · Sapienza University of Rome
分类: vol 34 · issue 10 · pp 1901-1919
相关性 4/10 · novelty: application
摘要: 该文针对1型糖尿病患者心血管疾病发生概率，提出一种综合参数模型来量化各独立危险因素的影响。方法核心是将三种不同估计方法的结果整合：一种采用无信息先验的贝叶斯方法；另外两种通过基于因子值聚合样本元素，其中一种使用模拟退火优化聚合准则。研究以线性模型为主要框架，同时给出非线性情形的处理。通过对挪威1型糖尿病人群的真实数据分析，得到了各风险因素对心血管风险的估计变化率，并识别出一个生物学激活现象。大规模模拟研究显示所提方法相比已知常用方法提高了估计准确性。虽然方法学上以传统参数模型和组合策略为主，但其面向流行病学常见风险预测问题，对应用型统计学者有参考价值。
关键技术: parametric modeling, Bayesian inference with non-informative prior, sample aggregation optimization, simulated annealing, simulation study validation
为什么对您有用: 本文属于流行病学领域的风险因素量化应用，与您的secondary interest（epidemiology）直接相关。方法学上组合贝叶斯与两种优化聚合策略，但核心建模思路仍沿用线性回归，未涉及您熟悉的因果推断、半参效率或高维技术。作为流行病学入门级方法论文，可快速阅读以了解领域常见的风险分析流程；武器库中的非参数统计和M估计框架已足够覆盖本文方法，无需额外工具储备。总体而言，本文的价值在于应用场景而非方法论创新，适合作为扩展应用视野的快速读物。

3. 10.1177/09622802251354925 — Model-based approach for two-stage group sequential or adaptive designs in bioequivalence studies using parallel and crossover designs¶

作者: Florence Loingeville, Manel Rakez, Thu Thuy Nguyen, Mark Donnelly, Lanyan Fang, Kevin Feng et al.
期刊/来源: Statistical Methods in Medical Research
机构: Université de Lille · Centre Hospitalier Universitaire de Lille · Inserm · Bordeaux Population Health · Délégation Paris 5 · Université Paris Cité · Sorbonne Paris Cité · Infection, Anti-microbiens, Modélisation, Evolution 等
分类: vol 34 · issue 10 · pp 1968-1981
相关性 3/10 · novelty: application
摘要: 该文研究生物等效性（BE）评估中采用两阶段组序贯（GS）或自适应设计（AD）的建模方法。传统方法使用非房室分析结合两单侧检验（NCA-TOST），而本文提出基于非线性混合效应模型的模型化TOST（MB-TOST）扩展至两阶段设计。在平行和交叉设计下，基于一室PK模型进行模拟，考察三个变异水平对初始样本量计算的影响。结果显示，NCA-TOST和MB-TOST在两阶段设计中均能合理控制第一类错误并维持足够的检验功效。两阶段设计尤其对高变异药物能显著减少总样本量，多数AD试验在阶段1即可停止。该文为BE试验设计提供了基于模型的可选方案，属于方法比较与应用性研究。
关键技术: TOST, group sequential design, adaptive design, nonlinear mixed effects model, simulation-based evaluation
为什么对您有用: 本文属于流行病学/临床试验设计中的应用统计工作，与你的secondary interest（epidemiology）中的数据集和应用因果分析方向相关；文中adaptive design和sample size re-estimation思路可借助你moderately_familiar的M-estimation理论进行拓展分析但未做理论推导；作为gateway reading了解sequential method在药代动力学BE中的实践有价值，但核心机器（非线性混合效应模型，序贯检验）不在你的武器库核心，暂不可做深入的方法论跟进。

4. 10.1177/09622802251338409 — Health utility adjusted survival: A composite endpoint for clinical trial designs¶

作者: Yangqing Deng, John de Almeida, Wei Xu
期刊/来源: Statistical Methods in Medical Research
机构: University Health Network · University of Toronto · Health Net
分类: vol 34 · issue 10 · pp 1920-1934
相关性 3/10 · novelty: new_method
摘要: 在临床试验中，总生存期常作为非劣效性试验的主要终点，但若治疗间生存无显著差异，临床医生还需比较健康效用。现有结合生存与生活质量的复合终点方法存在限制或缺乏理论框架。本文提出健康效用调整生存（HUS）方法，将纵向健康效用数据与生存时间整合为单一复合终点，并建立相应的统计分析框架、样本量计算与检验流程。通过基于PET-NECK试验汇总统计量的模拟研究，该方法在较小样本量下仍达到较高的检验效能，证明HUS可作为总生存期的替代终点用于未来临床试验设计与分析。本文属于应用导向的方法学论文，对其在流行病学队列研究中的适用性需进一步考察，但可作为复合终点设计的入门参考。
关键技术: composite endpoint, health utility adjusted survival, power analysis, sample size calculation, longitudinal health utility, clinical trial design
为什么对您有用: 论文方法直接服务于临床试验设计中的终点选择与样本量规划，属于流行病学应用方向，与您的次要兴趣”流行病学（应用、数据集、因果推断）”相匹配。虽然本文未涉及因果识别，但其复合终点框架可延伸至观察性研究中健康效用与生存的联合因果推断。技术上，您非常熟悉的非参数统计和估计理论（如生存分析中的Kaplan–Meier方法与IF校正）可用于评估该方法的稳健性与效率，但目前您对临床试验设计的复合终点文献尚不熟悉，属于中期可做：需要在 moderately_familiar 的 semiparametric theory 上加深对复合终点影响函数的理解后，方能提出理论改进。

5. 10.1177/09622802251362659 · arXiv — On prior smoothing with discrete spatial data in the context of disease mapping¶

作者: Garazi Retegui, Alan E Gelfand, Jaione Etxeberria, María Dolores Ugarte
期刊/来源: Statistical Methods in Medical Research
分类: vol 34 · issue 10 · pp 2091-2107
相关性 2/10 · novelty: application
摘要: 该论文聚焦于疾病映射（disease mapping）中不同空间先验（spatial priors）的平滑效应量化问题。在贝叶斯框架下，常用的马尔可夫随机场模型通过先验对区域相对风险进行平滑，但各类先验（如CAR、BYM、Leroux等）的平滑程度缺乏系统比较。作者提出了经验度量（empirical metrics）和理论度量（theoretical metrics），前者通过模拟与真实数据估计后验平滑量，后者基于先验参数预期平滑程度。利用西班牙半岛和英格兰的面板数据，结合人口风险集，对七种先验进行了模拟与实例分析。结果表明，不同先验及参数设置的平滑效果差异显著，理论度量与经验度量之间具有一致性。本文为流行病学中空间先验选择提供了定量依据，但其方法论本身未涉及因果推断或高维统计，属于应用统计方法比较。
关键技术: Markov random field, conditionally autoregressive (CAR) prior, BYM prior, Leroux prior, MCMC, spatial smoothing metrics
为什么对您有用: 本文属于流行病学领域的应用统计方法，虽然不直接对应研究者的主要兴趣（因果推断、高维统计等），但可作为流行病学中空间数据建模的一个切入点。研究者的武器库中'非参数统计'和'高维渐近'在此处并不直接适用；若想进入疾病映射方向，需要补充空间统计和MCMC基础知识（当前武器库对此覆盖较少）。本文更适合作为了解流行病学中贝叶斯空间平滑问题的入门读物，但无需花时间精读全文——其方法创新程度有限，且与核心统计方法（如DML、半参数效率）无交叉。

Maintained by 陈星宇 · Homepage · Source on GitHub