跳转至

StatMed — Vol 45 Issue 20-22 · 2026-10-12

  • 共 34 篇 · Statistics in Medicine

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。

这一期共 34 篇论文,主线大致可归为四类:因果推断与中介分析(约 8 篇)、临床试验设计与假设检验(约 8 篇)、高维与半参数建模(约 6 篇)、以及贝叶斯与生存/纵向数据应用(约 12 篇)。因果推断是本期最集中的主题,覆盖从高维中介、孟德尔随机化到个体化治疗效应校准的多个切面;临床试验设计则聚焦于多重性控制、自适应先验与事件驱动设计;高维方向以特征筛选和惩罚回归为主;其余论文多为方法在流行病学或生物医学数据上的应用。

因果推断主线中,高维中介分析是本期最突出的推进点。Deconfounded‐Debiased Estimation 一文针对普遍隐藏混杂下的高维中介,用差分系数策略结合正交化得分构造去偏估计,并给出渐近正态性与功效下界,直接回应了中介分析中混杂不可观测的核心难题。Context‐Stratified Mendelian Randomization 则从工具变量角度切入,利用区域暴露变异分层进行 MR,用 Cochran's Q 检验异质性,绕开了传统残差分层对模型假设的依赖。Forest Kernel Balancing 将树模型隐式核与平衡权重结合,在特征学习阶段纳入结局信息,属于 outcome-guided 协变量平衡的新尝试。Nonparametric Assessment of the Calibration of ITE 针对二元结局的 ITE 预测校准,构造累积预测误差随机过程并证明泛函中心极限定理,为反事实不可观测下的校准检验提供了非参数工具。Regression Not‐to‐the‐Mean 则用交错处理下的负权重现象说明常数效应模型与异质性效应的冲突,以实际数据展示该问题的后果,适合作为因果推断教学或方法警示的案例。

临床试验与假设检验方向,本期有几篇值得注意的方法论推进。Family‐Wise Error Rate Control in Clinical Trials With Overlapping Populations 指出在重叠人群的 FWER 控制中,齐性零假设下有效的临界值调整在异质抵消效应下失效,并提出替代方案,这直接关系到多重检验的理论边界。Adaptive Trial Designs for Assessing Predictiveness of a Biomarker 针对早期药物开发中的生物标志物预测性评估,设计了含中期分析的自适应框架,处理了扩展样本量与 I 类错误控制的权衡。Event‐Driven Type Design for Clinical Trials With Recurrent Events 则通过盲态监测稳健方差来触发试验终止,避免了对相关结构错误设定的依赖,对复发事件试验设计有实用价值。此外,Comparing Missing Data Strategies for Generalized Pairwise Comparisons 系统比较了七种缺失数据处理策略在 GPC 终点下的表现,发现不平衡缺失时部分策略 I 类错误率高达 0.378,为实际分析提供了稳健性选择的直接依据。

高维与半参数方向,Group Structure Guided Ultra‐High Dimensional Feature Screening 利用预测变量的分组结构(含重叠组)构造边际筛选统计量,在 Cox 框架下证明 Sure Screening 性质,适合有先验组信息的超高维生存数据。Quantile Tensor Regression 将非凸惩罚与分位数回归结合用于张量数据,兼顾稳健性与区域选择,并给出渐近性质。Shape‐Based Partially Linear Single‐Index Cox Model 将形状预测变量嵌入部分线性单指标 Cox 模型,用 sieve 或核方法处理非线性 Hilbert 空间中的协变量,是半参数生存建模的一个新扩展。Penalised Spline Estimation of Covariate‐Specific Time‐Dependent ROC Curves 则通过惩罚样条同时处理非比例风险和协变量非线性效应,为时依 ROC 估计提供了更灵活的框架。

若按主题优先阅读:因果推断方向,Deconfounded‐Debiased Estimation 与 Context‐Stratified MR 最贴近识别与效率问题;半参数方向,Shape‐Based SPLS-Cox 和 Penalised Spline ROC 值得关注;高维方向,Group Structure Guided Screening 与 Quantile Tensor Regression 提供了不同的惩罚与筛选思路;假设检验方向,FWER Control in Overlapping Populations 对多重检验理论有直接贡献。其余应用型论文(如 BART-ME、多水平网络 meta 回归、贝叶斯时空 fMRI 模型)虽方法常规,但可作为特定数据场景的建模参考。

因果推断 (causal_inference, 14 篇)

1. 10.1002/sim.70741 — Deconfounded‐Debiased Estimation and Inference for High‐Dimensional Mediation Analysis With Pervasive Hidden Confounders

  • 作者: Zhaoyang Li, Lulu Pan, Yongfu Yu, Guoyou Qin, Bo Fu
  • 期刊/来源: Statistics in Medicine
  • 机构: Fudan University · Shanghai Stomatological Hospital
  • 分类: vol 45 · issue 20-22
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究高维中介分析中,当暴露和中介均为高维且存在少量普遍隐藏混杂因子(同时影响暴露、中介和结局)时的估计与推断问题。目标是直接效应和间接效应的识别与推断,基于差分系数策略(difference-in-coefficients),无需已知隐藏混杂因子或稀疏精度矩阵假设。方法核心是去混杂(deconfounded)与去偏(debiased)估计,通过构造正交化得分或类似DML的机制校正高维性和隐藏混杂带来的偏差。作者建立了直接和间接效应估计量的渐近正态性,并开发了达到有效性下界和功效下界的假设检验程序。模拟实验表明在普遍隐藏混杂下有限样本性能优越,并应用于ADNI数据识别通过DNA甲基化影响阿尔茨海默病进展的血清代谢物。对您而言,该文将高维中介分析与隐藏混杂的敏感性/去偏方法结合,与您的因果推断(中介、纵向)和效率理论(DML)兴趣直接相关。
  • 关键技术: difference-in-coefficients, deconfounded-debiased estimation, high-dimensional mediation analysis, asymptotic normality, hypothesis testing, hidden confounders
  • 为什么对您有用: 该文直接切入您primary interest中的中介分析和隐藏混杂问题,且方法涉及去偏估计和渐近推断,与您的效率理论(DML)和因果推断(中介)高度相关。技术上,您可用very_familiar的估计理论(如正交化、cross-fitting)来审视其去偏机制,或用moderately_familiar的HOIF视角分析其高阶偏差校正。中期可做:若想深入,需在semiparametric theory上加强,以验证其效率下界声明的严谨性。

2. 10.1002/sim.70727 · arXiv — Context‐Stratified Mendelian Randomization: Exploiting Regional Exposure Variation to Explore Causal Effect Heterogeneity and Nonlinearity

  • 作者: Stephen Burgess, Benjamin A. R. Woolf, Amy M. Mason
  • 期刊/来源: Statistics in Medicine
  • 机构: University of Cambridge · MRC Biostatistics Unit · Medical Research Council · University of Bristol · MRC Integrative Epidemiology Unit
  • 分类: vol 45 · issue 20-22
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文提出一种新的孟德尔随机化(MR)方法——context-stratified MR,旨在利用暴露在不同亚组(如招募中心、地理区域或时间段)间的外生变异,来探索因果效应的异质性和非线性。与现有基于残差或双重排序的分层MR方法不同,该方法不依赖强且不可验证的模型假设,而是直接在每个context内进行独立的MR分析,并用Cochran's Q统计量和元回归评估估计值的异质性。模拟研究表明,在适当方法下,该方法能检测到真实的异质性,并在同质性下保持名义假阳性率。在UK Biobank的维生素D与冠心病风险的应用中,尽管各招募中心的维生素D分布存在区域差异,但未发现因果效应或异质性证据。该方法简单易实现,且只要context变量是外生的,就不受collider bias影响;但其功效和可解释性依赖于context间暴露分布的有意义外生变异。
  • 关键技术: Mendelian randomization, instrumental variables, Cochran's Q statistic, meta-regression, stratified analysis, collider bias
  • 为什么对您有用: 本文直接关联您的因果推断兴趣,特别是IV方法在流行病学中的应用。您可以用您非常熟悉的估计理论(如IV估计的渐近性质)来评估该方法的效率,或用您中等熟悉的识别理论来审视其外生性假设。这是一个中期可做的方向:需先加强在因果推断中异质性检验和元分析方法的掌握。

3. 10.1002/sim.70720 · arXiv — Forest Kernel Balancing Weights: Outcome‐Guided Features for Causal Inference

  • 作者: Andy A. Shen, Eli Ben‐Michael, Avi Feller, Luke Keele, Jared Murray
  • 期刊/来源: Statistics in Medicine
  • 机构: University of California, Berkeley · Carnegie Mellon University · University of Pennsylvania · The University of Texas at Austin
  • 分类: vol 45 · issue 20-22
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出 forest kernel balancing 方法,用于观测性因果推断中的协变量平衡。其核心思想是利用随机森林或 BART 等树模型隐式估计的核函数(基于观测在同一叶节点的共现频率)来捕捉对预测结局重要的非线性与交互特征,再对这些核的摘要进行平衡。与标准核平衡方法(如 kernel balancing)不同,该方法在特征学习阶段就纳入结局信息,从而更有效地处理混杂。模拟和实证研究表明,该方法在计算效率和统计性能上均优于不利用结局信息的标准核方法。对您而言,该方法将 outcome-guided 特征学习与平衡权重估计相结合,为因果推断中的协变量平衡提供了新思路,尤其适用于高维或复杂非线性混杂结构。
  • 关键技术: kernel balancing, random forests, BART, tree-based kernels, covariate balancing weights
  • 为什么对您有用: 本文直接关联您的主要兴趣——因果推断中的估计方法,特别是平衡权重与 outcome-guided 特征选择。您可运用 very_familiar 的非参数统计与因果推断估计理论,分析该方法的平衡误差与估计量渐近性质;也可用 moderately_familiar 的识别理论,探讨其在不同混杂结构下的适用性。中期可做:结合您对 higher-order U-statistics 的熟悉,分析树核估计的收敛速率及其对平衡权重的影响。

4. 10.1002/sim.70724 — Nonparametric Assessment of the Calibration of Individualized Treatment Effects

  • 作者: Mohsen Sadatsafavi, Jeroen Hoogland, Thomas P. A. Debray, John Petkau
  • 期刊/来源: Statistics in Medicine
  • 机构: University of British Columbia · Amsterdam University Medical Centers · Universitätsmedizin Göttingen
  • 分类: vol 45 · issue 20-22
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对随机试验中二元结局的个体化治疗效果(ITE)预测模型,提出评估其“中等校准”(moderate calibration)的非参数推断方法。中等校准要求条件平均处理效应等于预测值,但反事实结局不可观测且连续预测值需要正则化,此前缺乏相应的假设检验方法。作者构造了累积预测误差的随机过程,并证明其满足泛函中心极限定理,从而借助布朗运动性质进行渐近推断。具体提出两种构造过程的方法:基于预测风险的条件方法和基于边际替换的边际方法,均无需正则化或对治疗反应函数作函数形式假设。模拟研究验证了两种方法在检测不同形式失校准时的良好性质,案例研究提供了图形展示和结果解读建议。该方法对您有用之处在于,它提供了一种无需正则化即可检验ITE模型校准的推断框架,与您因果推断中估计与检验的兴趣直接相关,且其基于随机过程的构造思路可能启发您在高阶U统计量或半参数效率理论中的新问题。
  • 关键技术: functional central limit theorem, Brownian motion, cumulative prediction errors, nonparametric calibration test, randomized trial, R package cumulcalib
  • 为什么对您有用: 直接连接因果推断中ITE模型的评估与推断,特别是校准检验这一具体子方向;可用您非常熟悉的非参数统计和估计理论来审视其随机过程构造的合理性,并考虑是否能用您的高阶U统计量工具改进其有限样本性质;立即可做,因为核心工具(非参数、渐近理论)已在武器库中。

5. 10.1002/sim.70734 · arXiv — Regression Not‐to‐the‐Mean: An Oddity of Regression, Illustrated With the Risk of Overdose Deaths

  • 作者: Kelly C. Kung, Natasha K. Martin, Judith J. Lok
  • 期刊/来源: Statistics in Medicine
  • 机构: Boston University · University of California San Diego
  • 分类: vol 45 · issue 20-22
  • 相关性 6/10 · novelty: application
  • 摘要: 本文关注纵向设置中,在交错处理和异质性处理效应下,常数处理效应模型可能产生负权重的问题,导致估计的常数效应与异质性效应结论冲突。作者以美国媒体对毒品致杀人(DIH)起诉报道对意外药物过量死亡的影响为例,展示该问题在实际中的表现。他们在线性回归和逻辑回归模型中均发现负权重问题,线性链接下常数风险比为0.977(95% CI: [0.866, 1.101]),而不同处理时长的平均风险比为0.728(范围0.507–0.979);逻辑链接下常数风险比为1.064(95% CI: [0.972, 1.165]),平均风险比为0.739(范围0.538–1.008)。两种模型下常数效应均小于或符号不同于几乎所有异质性效应,表明负权重问题存在。作者强调在纵向设置中应用常数处理效应模型需谨慎。对您而言,该文直接关联您在因果推断中关于纵向数据和异质性处理效应的兴趣,且其负权重诊断方法可迁移至您的敏感性分析或mediation研究。
  • 关键技术: constant treatment effect model, negative weights, heterogeneous treatment effects, staggered treatment, risk ratio estimation, logistic regression
  • 为什么对您有用: 本文直接关联您primary interest中的causal inference,特别是纵向设置和异质性处理效应,且提供了负权重问题的实证诊断,可启发您对proximal CI或mediation中类似问题的思考。技术上,您very_familiar的estimation theory in causal inference可用来分析其权重分解,或扩展至更复杂的估计量。中期可做:需在moderately_familiar的identification theory上加深理解,以形式化负权重的识别条件。

6. 10.1002/sim.70739 — Bayesian Additive Regression Trees for Modeling Multiple Exposures With Measurement Error

  • 作者: Madeleine E. St. Ville, Yaeji Lim, Ruijin Lu, Katherine L. Grantz, Zhen Chen
  • 期刊/来源: Statistics in Medicine
  • 机构: National Institutes of Health · Eunice Kennedy Shriver National Institute of Child Health and Human Development · Chung-Ang University · Washington University in St. Louis
  • 分类: vol 45 · issue 20-22
  • 相关性 6/10 · novelty: application
  • 摘要: 本文提出 BART-ME 模型,在经典测量误差下灵活估计多个暴露-响应函数。与现有方法不同,BART-ME 能处理非线性、交互作用、相关暴露和相关测量误差,并利用重复测量估计误差方差-协方差结构。后验推断通过 Metropolis-within-Gibbs 算法实现,可估计暴露-响应函数、变量重要性和测量可靠性。模拟研究表明,即使重复测量稀疏,BART-ME 相比忽略测量误差的 Naïve BART 也能降低偏差并提高覆盖率。应用于 NICHD 胎儿生长研究的第一孕期超声数据时,BART-ME 识别出冠臀长度为胎龄分娩的最可靠预测因子,并揭示了被 Naïve 方法衰减的非线性模式。该方法为复杂暴露设置下的测量误差校正提供了通用框架。
  • 关键技术: Bayesian Additive Regression Trees, classical measurement error model, replicate measurements, Metropolis-within-Gibbs, exposure-response function estimation
  • 为什么对您有用: 本文属于因果推断中测量误差校正的应用,与您对因果推断(特别是纵向和暴露-响应估计)的兴趣直接相关。您可以用 very_familiar 的估计理论(如非参数回归的偏差-方差权衡)来评估 BART-ME 的偏差校正效果,并考虑将其与您熟悉的 semiparametric 效率理论结合,以推导更高效的估计量。中期可做:需在 moderately_familiar 的 identification theory 上加深理解,以处理更复杂的测量误差结构。

7. 10.1002/sim.70714 · arXiv — Bayesian Machine Learning for Estimating Optimal Dynamic Treatment Regimes With Ordinal Outcomes

  • 作者: Xinru Wang, Tanujit Chakraborty, Bibhas Chakraborty
  • 期刊/来源: Statistics in Medicine
  • 机构: National University of Singapore · Duke-NUS Medical School · Sorbonne Université · Sorbonne University Abu Dhabi · Duke University
  • 分类: vol 45 · issue 20-22
  • 相关性 6/10 · novelty: application
  • 摘要: 本文研究有序结局下的最优动态治疗策略(DTR)估计问题,目标是在给定患者历史和状态时,找到使期望有序结局最优的序贯决策规则。作者提出一种贝叶斯机器学习(BML)框架,首先引入有序贝叶斯加性回归树(OBART),将潜在连续变量框架嵌入传统BART以处理结局与预测变量间的非线性关联;随后将OBART纳入BML(BML-OBART)以估计最优DTR并量化参数不确定性。通过大量模拟研究比较了所提方法与现有方法的性能,并利用戒烟试验数据展示了实际应用。该方法为有序结局的DTR估计提供了新的非参数贝叶斯工具,但未涉及因果识别假设的敏感性分析。对您而言,该文连接了因果推断中的纵向/序贯治疗策略估计,其贝叶斯树模型与不确定性量化思路可借鉴于您熟悉的估计理论框架。
  • 关键技术: Bayesian additive regression trees (BART), latent variable framework, dynamic treatment regimes, ordinal outcomes, sequential decision rules
  • 为什么对您有用: 该文属于因果推断中动态治疗策略估计的应用型工作,直接关联您的主要兴趣中的'longitudinal'和'causal inference'子方向。您可用非常熟悉的'nonparametric statistics'和'minimax bounds'工具来审视其估计量的理论性质(如收敛速率),或用'identification theory'检查其因果假设的充分性。中期可做:若想深入贝叶斯非参数理论,需在'moderately_familiar'的M-estimation理论上加强。

8. 10.1002/sim.70710 — Dynamic Predictions and Predictimands for Salvage Therapy in Recurrent Prostate Cancer Using Joint Models

  • 作者: Lukas Owens, Dimitris Rizopoulos, Jonathan Fainberg, Sigrid Carlsson, Nicole Liso, Sean McBride et al.
  • 期刊/来源: Statistics in Medicine
  • 机构: Fred Hutch Cancer Center · Erasmus MC · Memorial Sloan Kettering Cancer Center · German Cancer Research Center · Lund University · University of Michigan
  • 分类: vol 45 · issue 20-22
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对前列腺癌生化复发(BCR)患者是否启动挽救性治疗(ST)的决策问题,在联合纵向-生存模型框架下提出动态反事实预测方法。由于纵向生物标志物PSA构成时变混杂,且治疗可能在BCR后延迟启动,作者明确定义了三种场景下的预测目标(predictimands):立即治疗、永不治疗、以及当PSA超过阈值时启动治疗的动态方案。方法上,基于联合模型估计治疗对PSA轨迹和转移风险的影响,并扩展已有动态预测的蒙特卡洛计算方案以纳入治疗时机。模拟研究验证了所提方法的性能,并在实际2075名患者数据上进行了应用演示。该方法可推广至存在时变治疗和生物标志物的广泛反事实预测问题,相关代码已封装在R包JMbayes2中。
  • 关键技术: joint longitudinal-survival model, counterfactual prediction, dynamic treatment regime, Monte Carlo integration, time-varying confounding
  • 为什么对您有用: 本文属于流行病学应用中的因果推断,直接连接您的secondary interest中的流行病学队列研究,且其处理时变混杂和反事实预测的思路可迁移至您的proximal CI或纵向因果推断工作。技术上,您可用very_familiar的软件开发和估计理论来复现或扩展其蒙特卡洛方案,属于中期可做(需在identification theory上稍加熟悉)。

9. 10.1002/sim.70728 — Multilevel Network Meta‐Regression With a Survival Outcome and an Application to Non‐Small Cell Lung Cancer

  • 作者: Ruofan Jia, Huangdi Yi, Zhaoyang Teng, Sammi Tang, Jiping Wang, Shuangge Ma
  • 期刊/来源: Statistics in Medicine
  • 机构: Chinese University of Hong Kong · Yale University
  • 分类: vol 45 · issue 20-22
  • 相关性 5/10 · novelty: application
  • 摘要: 本文在生物制药背景下,针对生存结局(time-to-event)的多水平网络meta回归(ML-NMR)进行方法学扩展。研究设定是:当直接比较A与B的数据不可得,但存在A与C的个体水平数据(IPD)和B与C的汇总水平数据(AgD)时,如何通过C进行间接比较,并推广到任意目标人群。现有ML-NMR多处理二分类和连续结局,对删失生存结局的研究很少,本文填补了这一空白。方法上,作者考虑多种常用参数生存模型(如指数、Weibull等),基于均值和中位生存时间构建贝叶斯估计框架,并处理AgD的边际似然。模拟研究显示所提方法表现良好。实证部分应用于早期非小细胞肺癌(NSCLC)的总生存期分析,利用SEER-Medicare数据,发现有限切除(LR)联合辅助化疗(ACT)相比单独LR或肺叶切除(不联合ACT)能延长生存期。对您而言,本文属于因果推断中网络meta分析的生存数据扩展,与您的纵向因果推断和流行病学应用兴趣相关,但其方法学新颖性有限,主要是将已有框架推广到新结局类型。
  • 关键技术: multilevel network meta-regression (ML-NMR), parametric survival models, Bayesian estimation, individual participant data (IPD) and aggregate data (AgD), marginal likelihood, SEER-Medicare data
  • 为什么对您有用: 本文属于因果推断中网络meta分析的生存数据扩展,与您的纵向因果推断和流行病学应用兴趣相关。您可以用非常熟悉的非参数统计和估计理论来审视其贝叶斯估计的渐近性质,或考虑用更高阶U统计量处理生存数据中的复杂相关性。中期可做:若想深入,需在贝叶斯计算上长肌肉(moderately_familiar中的M估计理论可辅助)。

10. 10.1002/sim.70726 — The Cox–Aalen Rate Model for Recurrent Events With an Informative Terminal Event

  • 作者: Mingzu Yue, Xin Chen, Jiaqi Chen, Liuquan Sun
  • 期刊/来源: Statistics in Medicine
  • 机构: Chinese Academy of Sciences · Academy of Mathematics and Systems Science · University of Chinese Academy of Sciences · Shanghai Lixin University of Accounting and Finance · South Central Minzu University
  • 分类: vol 45 · issue 20-22
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对带有信息性终止事件的复发事件数据,提出了一种 Cox–Aalen 率模型。在该模型中,协变量效应是加性、时变的,并通过一个潜变量非参数地依赖,从而灵活捕捉异质性;复发事件与终止事件之间的关联被完全非参数地建模,而终止事件则采用比例风险模型。估计采用估计方程方法,并利用核平滑技术估计方程中的条件期望。作者推导了所提估计量的渐近性质,并通过模拟研究评估了有限样本表现。最后,将方法应用于慢性心力衰竭患者的医疗费用数据。该方法为纵向随访中常见的复发事件与终止事件相关的情形提供了半参数建模框架,其非参数关联设定与您对纵向因果推断和半参数理论的兴趣直接相关。
  • 关键技术: Cox-Aalen model, estimating equations, kernel smoothing, informative terminal event, recurrent event data
  • 为什么对您有用: 本文属于纵向因果推断中复发事件与终止事件相关的建模问题,直接连接您的主要兴趣“causal inference (longitudinal)”和“semiparametric and nonparametric theory”。其非参数关联设定和估计方程方法,可用您非常熟悉的“nonparametric statistics”和“estimation theory in causal inference”来理解;中期可做的是,用您中等熟悉的“semiparametric theory”来审视其效率性,或考虑用“HOIF”改进估计。总体而言,这是一篇方法学论文,值得作为纵向事件数据建模的参考。

11. 10.1002/sim.70737 — Comparing Missing Data Strategies for Generalized Pairwise Comparisons in Randomized Clinical Trials: A Simulation Study

  • 作者: Ruben P. A. van Eijk, Ying Lu
  • 期刊/来源: Statistics in Medicine
  • 机构: University Medical Center Utrecht · Stanford Medicine · Stanford University
  • 分类: vol 45 · issue 20-22
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对随机临床试验中广义成对比较(GPC)这一复合终点分析方法,系统评估了七种缺失数据策略在存在删失和纵向数据缺失时的操作特性。通过模拟研究,基于肌萎缩侧索硬化症的自然史生成条件纵向和生存数据,并改变删失率、缺失程度、组间差异脱落及缺失与疾病严重度的相关性。结果显示,在组间缺失平衡时所有方法均无偏且控制了I类错误;但在不平衡时,部分策略的I类错误率高达0.378,而仅在最后一次共同访视时比较患者的策略始终维持名义水平(0.025±0.002)。多重插补虽能部分恢复功效并减少偏差,但在差异脱落场景下会膨胀I类错误。研究为监管背景下选择稳健的主分析策略提供了实用指导,强调了缺失机制对因果推断有效性的关键影响。
  • 关键技术: generalized pairwise comparisons, multiple imputation, last common visit, simulation study, type I error control, missing data mechanisms
  • 为什么对您有用: 该研究直接关联您对因果推断中纵向数据和缺失数据处理的兴趣,特别是临床试验中复合终点的估计与推断。您可运用非常熟悉的估计理论(如IPW或DR估计)来形式化这些缺失策略的偏差-方差权衡,并考虑用您的中等熟悉工具(如semiparametric theory)推导其渐近性质,从而为实际应用提供更严格的理论支撑。

12. 10.1002/sim.70719 — Adaptive Trial Designs for Assessing Predictiveness of a Biomarker in Early Phase Drug Development

  • 作者: Libby Daniells, Julia Geronimi, Hugo Hadjur, Sandrine Guilleminot, Pavel Mozgunov
  • 期刊/来源: Statistics in Medicine
  • 机构: University of Cambridge · MRC Biostatistics Unit · Institut de Recherches Internationales Servier (France)
  • 分类: vol 45 · issue 20-22
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对早期药物开发中生物标志物预测效应的评估问题,提出自适应试验设计。在预测性生物标志物识别中,常用方法如平均Kolmogorov-Smirnov方法(AKSA)在小样本且治疗组间不平衡时功效有限。作者提出在原始计划样本量处进行中期分析,根据结果决定是否宣告预测效应、提前终止或进入扩展阶段以增加样本量。框架解决了中期决策规则、扩展样本量大小与分配、I 类错误控制及最终分析功效提升等关键问题,并考虑生物标志物分布未知的影响。通过模拟研究评估了不同设计配置和效应场景下的功效、I 类错误及中期决策特性。结果可为包含中期分析的试验设计提供指导,实现统计高效且校准良好的决策。
  • 关键技术: adaptive enrichment, interim analysis, Average Kolmogorov-Smirnov Approach (AKSA), sample size re-estimation, Type I error control
  • 为什么对您有用: 本文属于因果推断中生物标志物预测效应评估的应用,与您的流行病学应用兴趣相关。您可以用非常熟悉的估计理论(如处理效应异质性)来审视其决策规则,中期可做的是将自适应设计思想与您的因果推断框架结合,但核心机器(如AKSA)不在武器库中,需先熟悉。

13. 10.1002/sim.70698 — Finite‐Sample Adjustments in Estimating Equations for Correlated Overdispersed Count Outcomes With Application to Cluster Randomized Trials

  • 作者: Ying Zhang, John S. Preisser
  • 期刊/来源: Statistics in Medicine
  • 机构: University of North Carolina at Chapel Hill
  • 分类: vol 45 · issue 20-22
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对集群随机试验中相关的过离散计数结局,扩展了广义估计方程(GEE)框架,在原有的均值和相关性配对估计方程基础上,加入第三个关于尺度参数的估计方程(3EE/MAEE),以改善小样本下的推断性能。通过模拟研究,3EE/MAEE 相比未校正版本显著降低了组内相关系数(ICC)的估计偏倚,并更好地维持了置信区间的名义覆盖率。文章还比较了多种偏倚校正的 sandwich 方差估计量,以及工作负二项(NB)和 Poisson 模型的表现。该方法被应用于一个真实的阶梯楔形集群随机试验,展示了其实用价值。对您而言,本文涉及纵向/集群数据下的因果推断和有限样本校正,与您的因果推断和流行病学应用兴趣直接相关。
  • 关键技术: generalized estimating equations (GEE), matrix-adjusted estimating equations (MAEE), bias-corrected sandwich variance estimators, cluster randomized trials, stepped wedge design
  • 为什么对您有用: 本文直接关联您的因果推断兴趣中的纵向/集群随机试验设定,以及流行病学应用中的集群数据。您可以用 very_familiar 的估计理论(如 M-估计)来审视其有限样本校正的理论性质,例如分析 3EE/MAEE 的渐近偏差是否达到预期阶数。中期可做:若想深入推导其高阶性质,需在 moderately_familiar 的 semiparametric theory 上加强。

14. 10.1002/sim.70722 — A Novel Method for the Fair Assessment of Healthcare Quality Measures and Providers Care Consistency

  • 作者: Cedric Neumann, Andrew Anthony Matas, Jeffrey Jamison Geppert
  • 期刊/来源: Statistics in Medicine
  • 机构: Battelle
  • 分类: vol 45 · issue 20-22
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对价值支付中医疗质量评估的稳定性与公平性问题,提出一个纵向Beta-Binomial模型,将测量层面的变异分解为抽样噪声、提供者内部年际执行变异和提供者间真实差异三部分,从而得到年不变的测量层面区分度指标和与患者量无关的提供者层面评估指标。模型采用贝叶斯框架,通过后验推断给出各指标的95%可信区间。应用于2021-2025年CMS两项心理健康质量指标(FUH-30和READM-30-IPF)的744个提供者数据,结果显示传统Beta-Binomial方法下FUH-30区分度更高,但分离执行变异后结论反转,因为FUH-30的年际不稳定是抽样噪声的三倍。该框架同时满足可区分性、公平性和可操作性三个要求,为质量测量选择提供更稳健的依据。对您而言,本文的纵向变异分解思路与您对纵向因果推断和测量误差的兴趣相关,其贝叶斯分层建模方法可借鉴于处理提供者层面的异质性和时间依赖性。
  • 关键技术: Longitudinal Beta-Binomial model, Bayesian hierarchical modeling, variance decomposition, posterior credible intervals, quality measure assessment
  • 为什么对您有用: 本文属于应用型论文,但涉及纵向数据建模和变异分解,与您的纵向因果推断兴趣相关。其核心方法(分离抽样噪声与执行变异)可视为一种测量误差处理,您可用熟悉的贝叶斯分层模型或M估计理论来审视其识别假设。作为流行病学或医疗质量评估的应用,其数据和分析流程有参考价值,但方法学新颖性有限。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)

1. 10.1002/sim.70725 — A Group Structure Guided Ultra‐High Dimensional Feature Screening for Survival Outcome

  • 作者: Jie He, Yiyu Li, Yan Hou
  • 期刊/来源: Statistics in Medicine
  • 机构: Nanjing University of Aeronautics and Astronautics · Innovation Academy for Precision Measurement Science and Technology, CAS · Peking University
  • 分类: vol 45 · issue 20-22
  • 相关性 5/10 · novelty: application
  • 摘要: 针对超高维生存数据,提出一种利用预测变量分组结构的特征筛选方法(GSG),可处理不相交和重叠的组结构,并扩展为整合多种分组方案的C-GSG。方法基于边际效用与组内聚合,在Cox模型框架下构造筛选统计量,并证明其满足Sure Screening性质。模拟显示,在信息性分组和较高删失率下,GSG优于忽略组结构的传统筛选方法。应用于TCGA乳腺癌数据,利用通路信息识别与生存相关的基因。该方法为高维生存分析中的特征筛选提供了利用先验组信息的实用工具,但理论深度有限。
  • 关键技术: feature screening, sure screening property, group structure, survival analysis, Cox model
  • 为什么对您有用: 本文属于高维统计与生存分析的交叉应用,与您的高维统计兴趣相关,但方法学新颖性一般。作为应用型论文,其利用组结构提升筛选效能的思路可迁移至您熟悉的因果推断中的变量选择问题。武器库中的非参数统计和极小极大界足以理解其理论,但无需深入。

2. 10.1002/sim.70732 — Quantile Tensor Regression for Integrative Genomic Analysis of Oesophageal Carcinoma

  • 作者: Shuo Liu, Wolfgang Karl Härdle, Jianxin Pan, Jian Hou, Tan Meng, Maozai Tian
  • 期刊/来源: Statistics in Medicine
  • 机构: Renmin University of China · Capital University of Economics and Business · Beijing Normal-Hong Kong Baptist University
  • 分类: vol 45 · issue 20-22
  • 相关性 5/10 · novelty: application
  • 摘要: 本文研究分位数张量回归,用于整合多组学数据预测食管癌临床结局,并着重解决区域选择问题。在张量系数上施加非凸惩罚以诱导稀疏性,从而识别影响临床反应的关键基因组区域,同时利用分位数回归应对重尾噪声和异常值。作者设计了针对非凸目标和张量结构的有效优化算法,并建立了所提非凸惩罚估计量的渐近性质。大量模拟验证了有限样本性能,食管癌数据应用展示了其实用价值。对您而言,该工作将高维张量回归与分位数稳健性结合,其非凸惩罚和渐近理论可能对您在高维统计与假设检验方面的兴趣有参考价值。
  • 关键技术: quantile regression, nonconvex penalty, tensor regression, sparsity, asymptotic theory
  • 为什么对您有用: 该论文属于高维统计与张量回归的交叉领域,与您的高维统计兴趣相关,但更偏向应用。其非凸惩罚估计量的渐近性质分析可能用到您熟悉的非参数统计工具,但核心是张量结构而非随机矩阵理论。作为应用导向的工作,可视为流行病学或基因组学方向的入门读物,但方法学新颖性一般。

非参数 / 半参数 (nonparam_semipara, 2 篇)

1. 10.1002/sim.70708 — Shape‐Based Partially Linear Single‐Index Cox Model for Alzheimer's Disease Conversion

  • 作者: Xuqiao Li, Qiuyan Zhou, Shengxian Ding, Wenliang Pan, Rongjie Liu, Ying Yan et al.
  • 期刊/来源: Statistics in Medicine
  • 机构: Tsinghua University · Sun Yat-sen University · Yale University · Chinese Academy of Sciences · Academy of Mathematics and Systems Science · University of Georgia
  • 分类: vol 45 · issue 20-22
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出 shape-based partially linear single-index Cox (SPLS-Cox) 模型,用于阿尔茨海默病(AD)转化时间预测,其中预测变量包括标量协变量和形状预测变量(如脑白质胼胝体轮廓),形状位于非线性 Hilbert 空间(shape space)。模型结合部分线性单指标结构与 Cox 比例风险框架,以放宽线性假设并提高效率。估计过程基于 sieve 或核方法处理形状协变量,并构建逐点置信带。通过 ADNI 数据中 372 名 MCI 患者(48 个月随访,161 例转化)的实证分析,发现胼胝体轮廓形状是 AD 转化的显著预测因子。模拟研究验证了有限样本性能。该工作对您可能有用:它展示了在生存分析框架下处理非线性协变量(形状)的半参数方法,与您的 semiparametric & nonparametric theory 兴趣相关,且其置信带构造涉及非参数推断的效率问题。
  • 关键技术: partially linear single-index model, Cox proportional hazards model, shape space, sieve estimation, pointwise confidence band
  • 为什么对您有用: 该论文属于半参数与非参数理论方向,具体是部分线性单指标 Cox 模型在形状协变量上的扩展,与您的 primary interest 中 semiparametric & nonparametric theory 直接相关。您可以用 very_familiar 的非参数统计和 minimax 界工具来审视其估计量的收敛速率和置信带的覆盖精度,例如检查 sieve 估计的偏差-方差权衡是否达到最优。中期可做:若想深入其理论证明,需在 moderately_familiar 的 semiparametric theory 上加强,特别是处理非线性 Hilbert 空间中的经验过程工具。

2. 10.1002/sim.70718 · arXiv — Penalised Spline Estimation of Covariate‐Specific Time‐Dependent ROC Curves

  • 作者: María Xosé Rodríguez‐Álvarez, Vanda Inácio
  • 期刊/来源: Statistics in Medicine
  • 机构: Universidade de Vigo · University of Edinburgh
  • 分类: vol 45 · issue 20-22
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对随时间变化的事件结局,提出一种基于惩罚样条的协变量特异性时依ROC曲线估计方法。在给定协变量和生物标志物的风险函数以及生物标志物给定协变量的位置-尺度回归模型中,均采用灵活的半参数模型,通过惩罚样条处理非比例风险和协变量的非线性效应,克服了早期方法的局限。估计的ROC曲线和AUC通过模拟研究验证,在多种场景下能恢复真实函数形式,并与现有方法比较表现更优。方法应用于急性冠脉综合征患者出院后不同时间窗的死亡风险预测,评估GRACE风险评分的预测能力随左心室射血分数的变化。提供了R包CondTimeROC实现。对您而言,该文是半参数模型与预测准确性评估的交叉应用,其惩罚样条建模思路可迁移至您关注的纵向或生存数据中的因果推断问题。
  • 关键技术: penalised splines, time-dependent ROC curves, location-scale regression, hazard regression, covariate-specific accuracy
  • 为什么对您有用: 该文属于非参数/半参数理论在生物医学预测中的应用,与您的非参数半参数理论兴趣相关,且其灵活建模策略可借鉴于纵向因果推断中的结局模型设定。从技术武器库看,您熟悉的非参数统计和M估计理论足以理解其估计方法,但该文主要贡献在于应用和实现,方法学新颖性有限。属于中期可做:若想深入,需在生存分析模型上稍作补充。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)

1. 10.1002/sim.70735 — A Neutral Comparison of Multivariate Hypothesis Tests for Parallel Group Designs in Rare Disease Settings

  • 作者: Martin Geroldinger, Martin Laimer, Verena Wally, Johann W. Bauer, Georg Zimmermann
  • 期刊/来源: Statistics in Medicine
  • 机构: Paracelsus Medical University · Christian Doppler Klinik · EB House Austria · University of Salzburg
  • 分类: vol 45 · issue 20-22
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对罕见病研究中常见的多变量平行组设计,在样本量小且分布假设常被违反的背景下,对四种方法学上不同的多变量假设检验方法进行了中立的模拟比较。四种方法包括:非参数R包npmv(使用置换和随机化重抽样)、半参数MANOVA.RM包中的Wald型统计量(WTS)和修正ANOVA型统计量(MATS)及其各种变体(含bootstrap)、经典参数MANOVA、以及经Holm校正的多个单变量Mann–Whitney检验。模拟框架基于匿名临床数据和临床专家指导,评估了伤口面积减少的百分比响应效应和疼痛/瘙痒VAS评分的额外位置偏移两类效应,样本量从12到360,涵盖平衡与不平衡设计,并考察了多元正态性和协方差齐性违反的场景。主要结果:npmv和采用参数bootstrap的MATS在I型错误控制上表现可靠;WTS的渐近近似在小样本尤其是不平衡设计中I型错误严重膨胀,而bootstrap改进显著;npmv和参数bootstrap的MATS在小样本中功效良好;单变量Mann–Whitney U检验虽保守但功效相当;经典MANOVA在异方差和不平衡设计中I型错误偏宽松。该研究为罕见病研究中多变量检验方法的选择提供了实用指导,对您而言,其模拟比较框架和针对小样本的检验性能评估与您对假设检验的兴趣直接相关,且可作为您在高维或半参数检验方法研究中验证有限样本行为的参考。
  • 关键技术: simulation-based comparison, nonparametric permutation tests, Wald-type statistic, modified ANOVA-type statistic, parametric bootstrap, Holm correction
  • 为什么对您有用: 本文属于假设检验方向的应用性研究,直接对应您primary interests中的hypothesis testing。其系统模拟比较不同检验方法在小样本、非正态、异方差下的I型错误和功效,为您提供了评估检验方法有限样本性能的范例。您可以用very_familiar的非参数统计和假设检验知识快速理解其设计,并可能借鉴其模拟框架来检验您自己提出的检验方法在类似罕见病小样本场景下的表现。属于立即可做的范畴。

2. 10.1002/sim.70730 · arXiv — Family‐Wise Error Rate Control in Clinical Trials With Overlapping Populations

  • 作者: Remi Luschei, Werner Brannath
  • 期刊/来源: Statistics in Medicine
  • 机构: University of Bremen
  • 分类: vol 45 · issue 20-22
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究临床试验中多个重叠患者人群及相应定制治疗策略的多重性检验问题,目标是控制 FWER(至少拒绝一个真零假设的概率)。在已知检验统计量联合分布时,通常可在 ANOVA 假设下通过调整临界值或 p 值来耗尽 FWER 水平,但该过程仅在齐性零效应(所有子人群及其交集均适用零假设)下有效。作者证明当存在抵消性零效应(异质效应在某些或全部子人群中相互抵消)时,该过程无法控制 FWER。文章提出多种替代方法,并比较了它们在 FWER 控制和功效方面的表现。对您而言,该文涉及多重检验与 FWER 控制这一假设检验核心主题,且其重叠人群结构可能引出与 U-统计量或高维检验相关的理论问题。
  • 关键技术: family-wise error rate control, multiple testing, overlapping populations, critical value adjustment, ANOVA assumptions, power comparison
  • 为什么对您有用: 该文直接关联您的主要兴趣之一——假设检验,具体是多重检验中的 FWER 控制。您可用 very_familiar 的非参数统计和 minimax 工具来分析其替代方法的保守性或最优性;也可用 moderately_familiar 的 M-估计理论来考察其检验统计量的联合分布假设。该文属于中期可做:需先在 moderately_familiar 的 semiparametric theory 上加强,以处理重叠人群下的复杂相关性。

流行病学 (epidemiology, 3 篇)

1. 10.1002/sim.70715 — Joint Models of Two Longitudinal Biomarkers and Clustered Survival Data for Cluster‐Informed Dynamic Prediction With Application to Periodontitis

  • 作者: Sean Xinyang Feng, Laurent Briollais, Aya A. Mitani
  • 期刊/来源: Statistics in Medicine
  • 机构: University of Toronto · Mount Sinai Hospital · Lunenfeld-Tanenbaum Research Institute
  • 分类: vol 45 · issue 20-22
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对牙科研究中常见的多水平纵向数据(患者-牙齿-重复测量)与聚类生存数据(牙齿脱落时间)提出联合建模框架。目标是利用两个纵向生物标志物(连续型PPD和二元型mobility)及同一患者内其他牙齿的历史信息,对牙齿脱落风险进行动态预测。方法上采用贝叶斯估计,构建了cluster-informed动态预测框架,即预测不仅基于该牙齿自身历史,还整合了同簇内其他单元的轨迹和事件结果。模拟研究表明,相比忽略多水平结构的标准双变量联合模型,所提模型估计更准确、预测性能更好,并在加拿大武装部队的牙周电子病历数据上进行了应用。对您而言,这是一篇流行病学应用导向的论文,其多水平联合建模和动态预测思路可能对您关注的纵向因果推断中的聚类数据问题有参考价值,但方法学新颖性有限。
  • 关键技术: Bayesian joint modeling, multilevel longitudinal data, cluster-informed dynamic prediction, shared random effects, discrimination and calibration
  • 为什么对您有用: 本文属于流行病学应用,涉及纵向数据与生存数据的联合建模,与您的secondary interest(流行病学应用、纵向因果推断)相关。作为gateway reading,本文对多水平数据结构和动态预测的阐述较为清晰,但方法学上未涉及因果推断或高效估计。您的武器库(如semiparametric theory、U-statistics)足以理解其贝叶斯框架,但若要深入改进,可能需要补充贝叶斯计算或动态预测方面的知识。总体而言,可作为了解牙科流行病学数据结构的入门读物,值得花时间读全文以获取数据集和分析思路。

2. 10.1002/sim.70707 · arXiv — A Bayesian Multi‐State Data Integration Approach for Estimating County‐Level Prevalence of Opioid Misuse in the United States

  • 作者: Zixuan Feng, Qiushi Chen, Paul Griffin, Le Bao
  • 期刊/来源: Statistics in Medicine
  • 机构: Pennsylvania State University
  • 分类: vol 45 · issue 20-22
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一种贝叶斯多状态数据整合方法,用于估计美国县级阿片类药物滥用患病率。研究问题是在仅有部分州有县级估计、全国只有州级调查数据的设定下,如何利用公开数据源为全国所有县提供估计。方法上,构建分层模型联合建模滥用患病率与过量死亡结局,通过县级协变量和混合效应刻画县与州间的异质性,并采用 horseshoe+ 先验实现系数收缩与防过拟合。模型通过交叉验证展示了高估计精度,并首次给出全国县级滥用患病率估计。对您而言,这是一篇流行病学应用论文,展示了在数据缺失与多源整合下的分层贝叶斯建模思路,但其方法学新颖性有限,主要价值在于数据整合框架与公开数据利用。
  • 关键技术: Bayesian hierarchical model, multi-state data integration, horseshoe+ prior, joint modeling, cross-validation
  • 为什么对您有用: 本文属于流行病学应用,使用贝叶斯分层模型整合多源数据,与您的流行病学应用兴趣相关。作为应用论文,其数据整合框架和协变量建模方式可借鉴,但方法学新颖性一般。您可用熟悉的贝叶斯推断和分层建模知识快速理解,无需额外工具。

3. 10.1002/sim.70742 · arXiv — Event‐Driven Type Design for Clinical Trials With Recurrent Events

  • 作者: Jingwen Zhang, Satoshi Hattori
  • 期刊/来源: Statistics in Medicine
  • 机构: The University of Osaka
  • 分类: vol 45 · issue 20-22
  • 相关性 3/10 · novelty: application
  • 摘要: 本文针对复发事件结局的随机对照试验,提出一种事件驱动型设计,以在存在受试者内相关性的情况下保证目标检验效能。传统事件驱动设计仅适用于标准生存结局或独立复发事件,而相关性存在时需建模相关结构,但设计阶段信息有限,错误设定可能导致效能不足。作者提出在边际率/均值模型下,通过盲态监测稳健方差来触发试验终止,从而不依赖相关结构的正确指定即可达到目标效能。模拟研究显示该盲态监测程序能良好控制效能,且不会严重膨胀I类错误率。最后用真实临床试验数据进行了说明。该方法对您作为统计学家在流行病学试验设计中的应用有参考价值,尤其是其盲态监测与稳健方差思想可迁移至其他纵向或聚类结局的试验设计。
  • 关键技术: event-driven design, recurrent events, marginal rates/means model, robust variance, blinded monitoring
  • 为什么对您有用: 本文属于流行病学领域的应用统计工作,涉及临床试验设计中的效能与样本量问题,与您的次要兴趣(流行病学应用因果推断)相关。作为gateway reading,本文对非领域专家较为友好,清晰阐述了设计动机与监测机制。您的武器库(如M估计理论、半参数方法)足以理解其稳健方差估计,但本文方法学创新有限,主要是将既有事件驱动设计思想扩展到复发事件情形。若您对临床试验设计或纵向数据方法感兴趣,值得一读;否则可作为了解流行病学试验设计实践的入门材料。

其他 (other, 11 篇)

1. 10.1002/sim.70731 · arXiv — Bias in Meta‐Analytic Modeling of Surrogate Endpoints in Cancer Screening Trials

  • 作者: James P. Long, Abhishikta Roy, Ehsan Irajizad, Kim‐Anh Do, Yu Shen
  • 期刊/来源: Statistics in Medicine
  • 机构: The University of Texas MD Anderson Cancer Center
  • 分类: vol 45 · issue 20-22
  • 相关性 5/10 · novelty: application
  • 摘要: 本文研究荟萃分析模型中,以晚期癌症发病率作为替代终点评估癌症筛查试验中死亡率的替代性时,试验水平估计不确定性导致的偏差问题。作者通过模拟和理论证明,当每个试验仅提供主要和替代终点的估计值而非真实参数时,这种不确定性会使荟萃分析模型的结果偏向于支持替代终点有效。研究聚焦于卵巢癌筛查试验,重新评估了主要与替代终点之间的相关性,发现已完成试验对晚期发病率替代质量提供的信息有限。结论建议,荟萃分析回归应仅在模型纳入试验水平估计不确定性时使用。
  • 关键技术: meta-analytic modeling, surrogate endpoint evaluation, measurement error bias, simulation study, correlation estimation
  • 为什么对您有用: 本文属于应用统计工作,涉及测量误差对估计偏差的影响,与您的主要兴趣(如高维统计、假设检验)关联较弱,但可作为流行病学中替代终点评估的入门读物。武器库中的非参数统计和估计理论足以理解其模拟与理论分析,但方法学新颖性有限,不值得深入阅读。

2. 10.1002/sim.70736 — A Novel Bayesian Distribution‐Free Survival Analysis

  • 作者: Richard A. Chechile, Daniel H. Barch
  • 期刊/来源: Statistics in Medicine
  • 机构: Tufts University · RTI International
  • 分类: vol 45 · issue 20-22
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出一种新的贝叶斯无分布生存分析方法,明确避免使用右删失数据,转而关注两个总体参数:Control 组失败比例 π 和 Experimental 组生存时间随机差异度量 δ。方法给出点估计、区间估计和贝叶斯因子,并提供软件实现。通过蒙特卡洛模拟研究停止时间、效应量和样本量之间的相互作用,支持基于贝叶斯因子的早期决策,即使在高比例右删失情况下也可用。当时间足够长至无删失时,π 不再有信息,但 δ 仍是有效的随机差异度量。
  • 关键技术: Bayesian distribution-free inference, Bayes factor, Monte Carlo simulation, survival analysis without censoring
  • 为什么对您有用: 本文属于生存分析的应用方法,与您的主要兴趣(因果推断、假设检验)关联较弱,但可作为流行病学中生存数据的替代分析视角。方法学上无显著新颖性,且未涉及删失处理这一核心难题,对您的武器库(如半参数效率理论)没有直接可攻的点。作为入门读物价值一般,不建议深读。

3. 10.1002/sim.70713 — Local Linear Estimation for Covariate‐Dependent Coefficients Model in Disease Mapping

  • 作者: Yexuan Jiang, Pei‐Sheng Lin, Jun Zhu, Feng‐Chang Lin
  • 期刊/来源: Statistics in Medicine
  • 机构: University of Illinois Chicago · National Chung Cheng University · National Health Research Institutes · University of Wisconsin–Madison · University of North Carolina at Chapel Hill
  • 分类: vol 45 · issue 20-22
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对疾病制图中的空间回归模型,提出协变量依赖系数模型,允许空间效应随气候等协变量变化。采用局部线性估计方法平滑估计协变量依赖的系数,并处理过量零计数(如登革热病例)的建模问题。通过模拟研究评估估计器性能,并应用于2014-2015年高雄市村庄登革热病例数据。方法上结合了空间统计与变系数模型,但理论深度有限,主要贡献在于应用场景的建模与估计。对您而言,该文属于流行病学应用,但统计方法较为常规,与您的主要兴趣(如半参数效率理论、高维统计)关联较弱。
  • 关键技术: local linear estimation, varying coefficient model, spatial regression, zero-inflated count model
  • 为什么对您有用: 本文属于流行病学应用(登革热数据),但方法学上未涉及因果推断或高级统计理论,与您的主要兴趣(因果推断、半参数理论、高维统计)关联弱。作为流行病学入门读物,其数据结构和建模思路(空间变系数、过量零计数)可能对您了解流行病学数据特点有帮助,但武器库足以覆盖其方法,无需深入阅读。

4. 10.1002/sim.70733 · arXiv — Hybrid Non‐Informative and Informative Prior Model‐Assisted Designs for Mid‐Trial Dose Insertion

  • 作者: Masahiro Kojima, Kana Yamada, Hisato Sunami, Kentaro Takeda, Keisuke Hanada
  • 期刊/来源: Statistics in Medicine
  • 分类: vol 45 · issue 20-22
  • 相关性 4/10 · novelty: application
  • 摘要: 本文研究肿瘤一期临床试验中,在试验进行中加入新剂量水平时的剂量分配与最大耐受剂量(MTD)或最优生物剂量(OBD)选择问题。作者提出一种混合设计:试验初期采用非信息性先验的模型辅助设计,在插入新剂量时仅对新剂量赋予信息性先验。为应对骨架(skeleton)误设,提出两种自适应扩展:在线加权更新骨架,以及贝叶斯混合多个候选骨架。通过模拟研究评估所提方法的性能。该文属于贝叶斯自适应试验设计领域,与您的主要兴趣(因果推断、高维统计等)无直接交集,但其中贝叶斯混合与在线更新的思想对处理模型不确定性有一定参考价值。
  • 关键技术: model-assisted design, informative prior, Bayesian mixture, online weighting, skeleton misspecification
  • 为什么对您有用: 本文属于贝叶斯自适应试验设计,与您的主要兴趣(因果推断、高维统计等)无直接交集,但其中贝叶斯混合与在线更新的思想对处理模型不确定性有一定参考价值。作为gateway reading,本文对统计学家而言可读性一般,但若对临床试验设计感兴趣,可作为入门读物。

5. 10.1002/sim.70723 — Penalized Cumulative Probability Model for a Continuous Outcome Subject to Detection Limits

  • 作者: Shuai Sun, Valeria R. Mas, Kellie J. Archer
  • 期刊/来源: Statistics in Medicine
  • 机构: The Ohio State University · University of Maryland, College Park
  • 分类: vol 45 · issue 20-22
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对连续结局受检测限影响而产生的混合型数据(连续与有序离散的混合),提出高维惩罚累积概率模型(CPM),用于识别与混合型结局相关的基因组特征。估计采用广义单调增量前向分段(GMIFS)迭代算法,并结合 Model-X knockoffs 过程控制变量选择的错误发现率(FDR)。模拟研究表明,所提方法在控制 FDR 的同时具有较高的统计功效,优于现有方法。应用部分使用肾移植受者 24 个月 eGFR 作为混合型结局,基于基线基因表达数据识别出五个与肾脏疾病相关的基因。该方法属于高维变量选择与半参数建模的结合,但核心贡献偏向应用与算法实现,而非新的统计理论。
  • 关键技术: cumulative probability model, generalized monotone incremental forward stagewise (GMIFS), Model-X knockoffs, high-dimensional variable selection, FDR control
  • 为什么对您有用: 本文涉及高维变量选择与半参数建模,与您的高维统计和半参数理论兴趣有交集,但方法学新颖性有限,主要贡献在于将现有工具(CPM、GMIFS、knockoffs)组合应用于混合型结局。从问题发现角度看,您可用 very_familiar 的 minimax 理论分析该方法的变量选择一致性,或结合 moderately_familiar 的 semiparametric theory 探讨 CPM 的半参数效率,但当前武器库足以支撑中期跟进,而非立即可做的核心突破。

6. 10.1002/sim.70716 — ReMeDy : A Flexible Statistical Framework for Region‐Based Detection of DNA Methylation Dysregulation

  • 作者: Suvo Chatterjee, Siddhant Meshram, Ganesan Arunkumar, Fasil Tekola‐Ayele, Arindam Fadikar
  • 期刊/来源: Statistics in Medicine
  • 机构: Indiana University Bloomington · Indiana University · University of New Mexico · National Institutes of Health · Eunice Kennedy Shriver National Institute of Child Health and Human Development · Argonne National Laboratory · University of Chicago
  • 分类: vol 45 · issue 20-22
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出 ReMeDy,一个基于区域的 DNA 甲基化差异检测统计框架。在广义线性模型下采用分层似然方法,同时建模均值与方差的变化,以识别差异甲基化区域、可变甲基化区域以及均值-方差联合变化的区域。与现有方法不同,ReMeDy 直接作用于生物学定义的共甲基化区域,自然捕捉空间相关性,避免依赖平滑跨度、核带宽等启发式调参。模拟研究表明,该方法在控制 FDR 和 I 类错误率的同时,在多种现实场景下具有更高的统计功效。应用于人群水平甲基化数据,识别出传统均值分析无法捕获的与复杂疾病相关的生物学区域和通路。该方法以开源 R 包形式发布。
  • 关键技术: hierarchical likelihood, generalized linear model, region-based analysis, joint mean-variance modeling, spatial correlation
  • 为什么对您有用: 本文属于流行病学应用领域,涉及 DNA 甲基化数据的区域化统计推断,可作为流行病学数据应用的入门读物。但方法学上主要基于分层似然和 GLM,与您的主要兴趣(因果推断、高维统计、U-统计量等)关联较弱。作为流行病学应用,其分析模式(区域化、联合均值-方差建模)可能对您处理纵向或相关数据有启发,但武器库足以理解,无需特别投入。

7. 10.1002/sim.70712 — A Bayesian Spatiotemporal Model for Joint Estimation of Brain Activation and Connectivity in fMRI Studies

  • 作者: Parisa Naseri, Yuliya Shapovalova, Ioan Gabriel Bucur, Charlotte Cambier van Nooten, Giancarlo Valente, Tom Heskes
  • 期刊/来源: Statistics in Medicine
  • 机构: Radboud University Nijmegen · Maastricht University
  • 分类: vol 45 · issue 20-22
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一个联合贝叶斯时空模型,用于在任务态fMRI中同时估计脑区激活和功能连接。模型对每个脑区估计血流动力学响应函数(HRF),通过无权重图拉普拉斯先验刻画回归系数和自回归系数的空间依赖性,并用贝叶斯高斯图模型建模区域间随机效应以反映连接模式。在低信噪比模拟下表现稳健,并在HCP运动任务和IBC高分辨率数据集上验证,与经典GLM对比显示联合建模的优势。对您而言,该文属于应用统计方法论文,其贝叶斯分层建模和时空先验设计虽非您核心方向,但可作为统计计算与高维建模的参考案例。
  • 关键技术: Bayesian hierarchical model, graph-Laplacian prior, Gaussian graphical model, hemodynamic response function estimation, spatiotemporal modeling
  • 为什么对您有用: 该文属于应用统计(神经影像)领域,与您的次要兴趣(如流行病学应用)不同,但可作为统计计算和高维建模的入门读物;其贝叶斯分层框架和空间先验设计对您熟悉的高维统计和计算工具有一定参考价值,但核心方法(如MCMC、图模型)不在您的武器库中,暂不可直接迁移。

8. 10.1002/sim.70706 — Self‐Adapting Priors for Dynamic Borrowing in Three‐Arm Non‐Inferiority Trials With Pre‐Specified Margin

  • 作者: Yuansong Zhao, Ying Yuan, Ram Tiwari, Samiran Ghosh
  • 期刊/来源: Statistics in Medicine
  • 机构: The University of Texas Health Science Center at Houston · The University of Texas MD Anderson Cancer Center
  • 分类: vol 45 · issue 20-22
  • 相关性 3/10 · novelty: application
  • 摘要: 本文针对三臂非劣效性试验(含试验组、参照组和安慰剂组)中的动态信息借用问题,提出两种贝叶斯自适应先验:加性自适应混合(ASAM)先验和累积自适应乘积(CSAP)先验。目标是利用多个历史参照和安慰剂研究的数据,同时通过安慰剂臂内部验证参照效应,增强非劣效结论的可信度。ASAM 通过自适应加权混合构造研究特异性先验,CSAP 采用累积乘积形式并赋予自适应权重,两者均根据历史研究与当前试验的相容性动态分配权重,从而减轻研究间异质性。模拟研究表明,所提方法在控制 I 类错误率的同时显著提高统计功效,为三臂非劣效试验提供了灵活稳健的贝叶斯分析框架。对您而言,该文属于贝叶斯临床试验设计领域,与您的主要兴趣(因果推断、半参数理论)和方法学工具(如 M 估计、识别理论)关联较弱,但可作为流行病学或临床试验应用方向的背景阅读。
  • 关键技术: Bayesian adaptive priors, mixture priors, dynamic borrowing, non-inferiority trials, Type I error control
  • 为什么对您有用: 该文属于临床试验设计中的贝叶斯方法,与您的主要兴趣(因果推断、半参数理论)和方法学工具(如 M 估计、识别理论)关联较弱,但可作为流行病学或临床试验应用方向的背景阅读。作为 gateway reading,本文对统计学家而言入门性一般,因为涉及较多临床试验术语;您的武器库足以理解其贝叶斯框架,但无需深入。

9. 10.1002/sim.70717 — A Guide for Exploring Pleiotropic Associations in Genome‐Wide Association Studies Using Summary Statistics

  • 作者: Christina Y. Feng, Pierre‐Emmanuel Sugier, Nan Zou, Benoit Liquet
  • 期刊/来源: Statistics in Medicine
  • 机构: Macquarie University · Centre National de la Recherche Scientifique · Université de Pau et des Pays de l'Adour · Université Paris Cité · Laboratoire de Mathématiques et de leurs Applications · Mathématiques Appliquées à Paris 5
  • 分类: vol 45 · issue 20-22
  • 相关性 3/10 · novelty: survey
  • 摘要: 本文是一篇关于全基因组关联研究(GWAS)中多效性关联检测方法的综述教程。作者聚焦于利用汇总统计量进行跨表型关联分析,比较了ASSET、PLACO、GPA、CPBayes和GCPBayes等常用方法,并讨论了小效应量、多重检验、异质性效应及效应方向差异等挑战。通过乳腺癌和甲状腺癌数据集展示了这些方法的实际应用,强调了在基因和通路水平上考虑效应异质性、相关性和生物学分组结构的重要性。文章旨在为实践者提供方法选择、假设和解释方面的实用指导。
  • 关键技术: GWAS summary statistics, pleiotropy detection, cross-phenotype association, meta-analysis, Bayesian hierarchical modeling
  • 为什么对您有用: 本文属于流行病学领域的应用型综述,与您的次要兴趣(流行病学应用)相关。作为入门读物,它清晰介绍了多种多效性检测方法及其适用场景,但方法学深度有限,未涉及您武器库中的核心工具。武器库足以支撑您理解其统计框架,但无需深入阅读全文,除非您计划在遗传流行病学中开展合作。

10. 10.1002/sim.70729 — An Assessment of Reliability Estimation Methods for Binomial Health Care Quality Measures

  • 作者: Laura Aume, William White, Po‐Hsu Chen, Jeffrey Geppert
  • 期刊/来源: Statistics in Medicine
  • 机构: Battelle
  • 分类: vol 45 · issue 20-22
  • 相关性 3/10 · novelty: application
  • 摘要: 本文针对二项分布医疗质量指标,系统评估了多种信度估计方法在模拟数据下的表现。模拟设计覆盖了绩效均值、方差、机构数量和患者样本量的广泛范围,并以模拟参数推导的真实信度为基准,比较各方法的准确性和精确性。结果显示,在结果尺度上估计的 logistic 回归方法准确性和精确性最高;广泛使用的 Adams beta-二项方法表现不佳,但 Nieser 和 Harris 提出的修正显著改善了其性能。对于可同时适用于二项和连续指标的方法,基于 Spearman 秩相关的置换重采样法最为准确和精确。结论建议二项质量指标首选结果尺度的 logistic 回归,其次为修正的 beta-二项方法;非二项指标则推荐置换 Spearman 秩相关法。
  • 关键技术: logistic regression on outcome scale, Adams beta-binomial method, permutation resampling, Spearman rank correlation, simulation study
  • 为什么对您有用: 本文属于应用统计方法评估,涉及信度估计和模拟研究,与您的主要兴趣(如假设检验、非参数方法)有一定关联,但方法学新颖性有限。作为流行病学或医疗质量领域的应用案例,可了解信度估计的实践问题,但可能不是您优先阅读的对象。

11. 10.1002/sim.70721 — A Bayesian Log‐Cauchy Mixture Cure Fraction Model for Heavy‐Tailed Survival Data: Implementation via OpenBUGS

  • 作者: Khalid Salah
  • 期刊/来源: Statistics in Medicine
  • 机构: Al-Quds University
  • 分类: vol 45 · issue 20-22
  • 相关性 3/10 · novelty: application
  • 摘要: 本文提出一种基于 log-Cauchy 分布的贝叶斯混合治愈率模型,用于处理具有重尾特征和大量右删失的生存数据。在混合治愈率框架下,未治愈个体的生存时间被假设服从 log-Cauchy 分布,以应对极端观测值。贝叶斯推断通过 OpenBUGS 实现 MCMC 采样,进行全后验推断。模拟研究评估了不同治愈比例和删失水平下的有限样本表现,结果显示参数估计准确、MCMC 收敛稳定、后验覆盖率可靠。与指数、Weibull、gamma、lognormal 等参数治愈模型相比,所提模型在重尾情形下拟合更优。乳腺癌真实数据应用进一步验证了模型的实用性和可解释性。
  • 关键技术: Bayesian mixture cure model, log-Cauchy distribution, MCMC via OpenBUGS, heavy-tailed survival analysis, right censoring
  • 为什么对您有用: 本文属于生存分析中的贝叶斯参数建模,与您的主要兴趣(因果推断、高维统计、半参数理论)关联较弱,但作为流行病学应用(乳腺癌数据)可视为次要兴趣的入门读物。其方法学新颖性有限,主要是分布假设的替换,而非理论或方法的重大突破。武器库中的非参数/半参数工具足以理解本文,但无需深入。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论