跳转至

CSDA — Vol 221 · 2026-07-14

  • 共 1 篇 · Computational Statistics & Data Analysis
  • 目录核对 ⚠️ 疑似漏 5 篇（对照 OpenAlex 8 篇）：10.1016/j.csda.2026.108368、10.1016/j.csda.2026.108372、10.1016/j.csda.2026.108382、10.1016/j.csda.2026.108386、10.1016/j.csda.2026.108388

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。

这一期仅收录一篇论文，主题聚焦于试验设计阶段的协变量分配优化，属于应用方法学范畴，与因果推断、高维统计等核心方向无直接交集。

该文在非线性混合效应模型（NLMEM）框架下，利用Fisher信息矩阵，通过高斯求积和copula建模实现协变量分配的快速确定性优化。其核心贡献在于将连续协变量划分为临床有意义的区间，并与离散协变量一同纳入带线性约束的凸优化问题，通过投影梯度下降求解。在药代动力学场景中，该方法可减少达到所需检验效能所需的受试者数量。

由于本期仅此一篇，且主题偏离因果推断、半参数效率或高维统计，若您关注上述方向，本期无优先阅读内容。

其他 (other, 1 篇)

1. 10.1016/j.csda.2026.108379 — Optimising covariate allocation at design stage using fisher information matrix for non-linear mixed effects models in pharmacometrics

  • 作者: Lucie Fayette, Karl Brendel, France Mentré
  • 期刊/来源: Computational Statistics & Data Analysis
  • 机构: Inserm · Ipsen (France) · Université Paris Cité · Sorbonne Université · Université Sorbonne Paris Nord · Sorbonne Paris Cité · Infection, Anti-microbiens, Modélisation, Evolution
  • 分类: vol 221 · pp 108379
  • 相关性 2/10 · novelty: application
  • 摘要: 本文提出在药物计量学非线性混合效应模型（NLMEM）中，于试验设计阶段优化协变量分配的新框架。目标是在已知NLMEM和协变量联合分布（来自既往研究）下，通过优化新试验受试者的协变量分配，提高参数估计精度和协变量效应统计检验的效能。方法基于Fisher信息矩阵，利用高斯求积和copula建模实现快速确定性计算。连续协变量域被划分为临床有意义的区间，与离散协变量类别一同优化比例，优化问题被表述为带线性约束的凸问题，通过投影梯度下降求解。在包含肾功能或肝功能生物标志物的药代动力学模型场景中，协变量优化可减少达到所需检验效能所需的受试者数量。本文属于应用方法学，对您的主要兴趣（因果推断、高维统计等）无直接技术连接，但试验设计中的信息矩阵优化思路在流行病学队列研究中可能有参考价值。
  • 关键技术: Fisher Information Matrix, Gaussian quadrature, copula modeling, projected gradient descent, non-linear mixed effects models
  • 为什么对您有用: 本文属于药物计量学应用，与您的主要兴趣（因果推断、高维统计、半参理论）无直接技术重叠。作为流行病学方向的gateway阅读，它展示了如何利用Fisher信息矩阵优化协变量分配以提升检验效能，但武器库中的非参统计和因果推断工具无法直接迁移。暂不可做——核心机器（NLMEM的Fisher信息矩阵优化）不在武器库中，且问题设定（试验设计阶段的协变量分配）与您关注的identification和estimation问题距离较远。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论