跳转至

StatMed — Vol 45 Issue 23-24 · 2026-10-12

  • 共 17 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 17 篇论文,主线大致可归为四类:因果推断与效应识别(约 6 篇)、纵向与生存数据的联合建模(约 4 篇)、临床试验设计与剂量探索(约 4 篇)、以及假设检验与稳健推断的边角问题(约 3 篇)。因果推断部分明显是本期重心,且内部又分出两条支线——一是处理效应从试验人群向目标人群的推广与外部数据借用,二是缺失数据与非可忽略机制下的识别策略。纵向数据方面,多篇论文在事件时间与重复测量结局的联合框架下处理时依混杂或样本选择,方法上以混合效应模型和贝叶斯先验为主。临床试验设计类论文则集中在贝叶斯自适应设计、剂量组合优化和样本量重估,属于应用驱动的方法创新。

因果推断这条主线最值得展开。Generalizing Conditional Average Treatment Effects 一文在嵌套随机试验下用交叉拟合和条件影响函数构造伪结局,再对效应修饰变量做局部线性回归,给出了 CATE 平滑估计的渐近理论,是半参数效率方法在推广问题上的标准操作。Nonparametric Data-Fusion 则放宽了影子变量必须完全观测的假设,在模式混合模型下仅需推断缺失几率函数即可识别 MNAR 参数,并给出两种多重插补估计,与前者形成互补——一个重效率、一个重识别。Reliable Bayesian Causal Inference 处理外部对照单臂试验中运输性局部违反,用残差化 power-prior 做贝叶斯外部借用,并指出估计量不属于正则渐近线性类,揭示了一阶半参数理论之外的可靠性-效率权衡,这篇对熟悉半参数效率的读者会很有启发。Model-Robust G-Computation 则在不假设内外对照可交换的前提下,发现特定版本的 g-computation 对结局回归误设稳健,实现简单且极弱假设下相合,与前述贝叶斯方法形成频率学派对照。High-Dimensional Mediation Analysis 引入网络中介结构收缩先验,利用脑连接网络的稀疏性和模块性做高维中介效应估计,是贝叶斯先验设计在因果中介问题上的一个具体应用。

纵向与事件时间联合建模这条线也有几篇值得注意。Group-Specific Nonlinear Mixed Effects Models 用三个子模型(组别、事件时间、纵向结局)处理以死亡为右对齐索引的认知轨迹,通过将事件时间积分掉避免删失选择偏差,SAEM 算法估计,与因果推断中处理时依混杂的框架有相通之处。Joint Analysis for Multivariate Longitudinal and Event Time Data 以区间删失事件时间为锚点构建变点联合模型,同时评估生物标志物对事件时间的影响及事件后轨迹变化,属于纵向因果推断与变点分析的交叉。Taking Into Account the Susceptible Window 则用受限三次样条建模暴露-滞后效应,解决滞后项共线性问题,并开发了节点选择算法和多重插补处理缺失,更偏流行病学应用工具。这三篇虽然方法工具各异,但都在处理事件时间与纵向结局之间的非随机依赖,读者可按自身数据结构和因果问题选择切入。

假设检验与稳健推断方面,Robust Alpha Spending 针对序贯检验中数据修订违反锚定假设的现实问题,设计 alpha 分配策略在低水平数据不稳定下控制总体 I 类错误,适合真实世界监测场景。Sandwich Variance Estimation 在偏态厚尾线性混合模型下提供稳健标准误,属于计算性贡献。若按主题优先阅读,因果推断方向的读者建议先看 Generalizing Conditional Average Treatment Effects、Nonparametric Data-Fusion 和 Reliable Bayesian Causal Inference 三篇,覆盖了推广、识别和稳健性三个关键维度;对半参数效率理论感兴趣的读者可重点看前两篇的渐近理论部分;高维中介分析那篇则适合关注贝叶斯先验与网络结构结合的读者。

因果推断 (causal_inference, 11 篇)

1. 10.1002/sim.70767 · arXiv — Generalizing Conditional Average Treatment Effects From Nested Randomized Trials to Trial‐Eligible Individuals

  • 作者: Lan Wen, Issa J. Dahabreh, Yu‐Han Chiu
  • 期刊/来源: Statistics in Medicine
  • 机构: University of Waterloo · Harvard University · Cancer Research And Biostatistics · Brown University
  • 分类: vol 45 · issue 23-24
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文在嵌套随机试验设计下,研究将条件平均处理效应(CATE)从试验人群推广到符合试验条件的目标人群的估计问题。目标 estimand 是目标人群中给定效应修饰变量下的 CATE 函数,关键假设包括试验参与者的可忽略性以及目标人群的抽样机制。方法上,作者先用数据自适应方法估计 nuisance 函数,并基于条件影响函数构造伪结局,再对预指定的效应修饰变量做局部线性(核)回归,得到 CATE 函数的平滑估计。理论部分在样本分割和交叉拟合下建立了渐近性质,并给出了第一阶段的 nuisance 估计对最终估计量影响可忽略的条件。模拟研究评估了有限样本表现,并通过冠状动脉手术研究(CASS)数据进行了实际应用。对您而言,该方法结合了半参数效率理论和因果推断中的外推问题,与您对效率理论(semiparametric efficiency bounds)和因果推断中纵向/试验数据的兴趣直接相关。
  • 关键技术: conditional influence function, pseudo-outcome regression, local linear kernel regression, sample splitting and cross-fitting, data-adaptive nuisance estimation, nested trial design
  • 为什么对您有用: 本文属于因果推断中试验外推(generalizability/transportability)的子方向,具体是 CATE 的估计,与您的 primary interest 中 causal inference 和 semiparametric theory 直接相关。您可以用 very_familiar 中的非参数统计和 minimax 理论来审视其局部线性回归的收敛速率,或用 moderately_familiar 中的半参数理论来验证其影响函数推导的严谨性。中期可做:若想深入其交叉拟合的渐近理论,需在 moderately_familiar 的 M-estimation 理论上再加强。

2. 10.1002/sim.70747 — A Nonparametric Data‐Fusion Approach for Identification and Estimation of Nonignorable Missing Data With Shadow Variable

  • 作者: Wenxiao Zhou, Bo Fu
  • 期刊/来源: Statistics in Medicine
  • 机构: Fudan University
  • 分类: vol 45 · issue 23-24
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文在模式混合模型框架下研究非可忽略缺失(MNAR)数据的识别与估计问题,目标是在存在影子变量(shadow variable)且影子变量本身也可能MNAR时,识别并估计目标参数(如均值或回归系数)。核心假设是影子变量与主变量的缺失机制在给定主变量和协变量下条件独立,且允许影子变量缺失,放宽了现有文献中影子变量必须完全观测的常见假设。方法上,作者提出非参数识别策略,仅需推断观测数据密度和缺失几率函数(odds of missing function),后者是方法的核心,并基于此给出两种多重插补估计策略,增强透明度和可解释性。理论部分建立了识别性和估计量的渐近性质,模拟研究验证了有限样本表现,并应用于CDC COVID-19监测数据。该方法可同时处理协变量MNAR和结局MNAR,适用于不同变量类型。对您而言,该文在proximal causal inference的negative control设定下,将影子变量视为部分缺失的negative control,其非参数识别策略和多重插补估计与您的identification theory和semiparametric estimation兴趣直接相关,可作为扩展您现有工具的一个具体案例。
  • 关键技术: pattern mixture model, shadow variable, nonparametric identification, odds of missing function, multiple imputation, nonignorable missing data
  • 为什么对您有用: 该文属于causal_inference中proximal CI的negative control设定,直接关联您的identification theory和semiparametric estimation兴趣。您可用very_familiar的非参数统计和minimax工具分析其非参数识别策略的估计效率,或用moderately_familiar的identification theory检验其假设的可检验性。中期可做:需在semiparametric theory上稍加巩固以推导其半参数效率界。

3. 10.1002/sim.70748 — Reliable Bayesian Causal Inference for Externally Controlled Single‐Arm Trials Under Transportability Violations

  • 作者: Se Yoon Lee
  • 期刊/来源: Statistics in Medicine
  • 机构: Texas A&M University
  • 分类: vol 45 · issue 23-24
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究外部对照单臂试验中ATT的贝叶斯因果推断,在运输性(transportability)假设局部违反的设定下,目标估计量为ATT,关键假设是试验与外部人群之间的协变量对齐及未检验的运输性。方法上,先用灵活机器学习构造协变量对齐的合成对照,再对残差化结局采用残差化power-prior进行贝叶斯外部借用,使外部信息调节不确定性而不扭曲协变量驱动的异质性。后验呈重尾分布,不同于经典Wald过程,估计量不属于正则渐近线性估计类,从而揭示一阶半参数渐近之外的行为。作者建立了局部运输性违反下的可靠性-效率权衡,并通过模拟和精神分裂症试验设计案例验证理论结果。对您而言,该文将半参数效率理论与贝叶斯稳健性结合,并明确处理结构偏差与随机波动同阶的局部违反情形,与您关注的proximal CI和敏感性分析中未检验假设的稳健性问题直接相关。
  • 关键技术: power prior, synthetic controls, residualized outcomes, Bayesian inference, local transportability violations, reliability-efficiency trade-off
  • 为什么对您有用: 该文直接连接您的causal inference子方向(外部对照试验的运输性假设与敏感性分析),并挑战经典半参数效率框架(regular asymptotically linear estimators),与您的efficiency theory兴趣相关。技术上,您可用very_familiar的estimation theory in causal inference和moderately_familiar的semiparametric theory来审视其可靠性-效率权衡的紧性,或将其与proximal CI中的negative control设定对比。中期可做:需在贝叶斯非参数或power-prior方法上补充知识(moderately_familiar之外),但核心因果识别和半参数直觉已具备,可先读全文评估其理论贡献。

4. 10.1002/sim.70756 — High‐Dimensional Mediation Analysis With Network Mediators: Applications to Pediatric Acute Lymphoblastic Leukemia

  • 作者: Jade Xiaoqing Wang, Zhao‐Hua Lu, Wilburn E. Reddick, Heather M. Conklin, John O. Glass, Lisa Jacola et al.
  • 期刊/来源: Statistics in Medicine
  • 机构: Texas A&M University · Daiichi Sankyo (United States) · St. Jude Children's Research Hospital · Yale University
  • 分类: vol 45 · issue 23-24
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对高维中介分析问题,提出了一种新的贝叶斯先验——网络中介结构收缩(NMSS)先验,用于处理具有网络结构的中介变量(如脑结构连接网络)。在儿童急性淋巴细胞白血病(ALL)的TOTXVI临床试验数据中,目标是估计放疗强度(IT)通过脑连接网络对神经认知结果(如视觉处理速度)的间接效应。NMSS先验能够利用网络的结构依赖,包括稀疏性、节点有效度和模块性,从而在高维设置下获得更准确的中介效应估计。通过模拟研究验证了方法的有效性,并在真实数据中发现了显著的介导效应。该方法属于贝叶斯高维中介分析,与传统的频率学派方法(如基于反事实的估计)不同,更侧重于先验建模和结构信息利用。对您而言,本文提供了一个将网络结构信息融入高维中介分析的实例,可能对您在高维统计和因果推断交叉领域的研究有参考价值。
  • 关键技术: Bayesian shrinkage prior, network mediators, high-dimensional mediation analysis, structural connectivity, Markov chain Monte Carlo
  • 为什么对您有用: 本文属于高维中介分析,是因果推断的一个具体子方向,与您的主要兴趣(causal inference, mediation)直接相关。您可以用您非常熟悉的高维统计和估计理论来审视其贝叶斯先验的收缩性质,例如,用您对 minimax 界的理解来评估其估计的收敛速度是否最优。此外,其网络结构中介的处理方式,可能启发您将图结构信息引入您的中介分析框架。从 follow-up 角度看,这是一个中期可做的方向:您需要先熟悉贝叶斯计算(MCMC)和网络数据分析,这属于 moderately_familiar 的范畴,但您已有的高维渐近理论可以立即用于分析其先验的渐近行为。

5. 10.1002/sim.70754 · arXiv — A Model‐Robust G‐Computation Method for Analyzing Hybrid Control Studies Without Assuming Exchangeability

  • 作者: Zhiwei Zhang, Peisong Han, Wei Zhang
  • 期刊/来源: Statistics in Medicine
  • 机构: Gilead Sciences (United States) · Chinese Academy of Sciences · Academy of Mathematics and Systems Science
  • 分类: vol 45 · issue 23-24
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究混合对照设计(hybrid control design)下的治疗效应评估,其中随机对照试验(RCT)的内部对照数据与外部对照数据(如既往试验或真实世界数据)相结合,目标是在不假设内部与外部对照在给定协变量后可交换(exchangeability)的前提下,提高效率并控制偏倚。作者指出现有 g-computation 方法在结局回归模型误设时可能失效,但发现某一特定版本的 g-computation 估计量对结局回归模型的误设具有鲁棒性。基于此,提出一种模型鲁棒的 g-computation 方法,其实现简单,且在极弱假设下具有相合性和渐近正态性,并能通过利用内外对照组的相似性提升效率。模拟研究评估了有限样本表现,并用 HIV 治疗试验的真实数据进行了说明。该方法的核心在于利用协变量调整来缓解外部对照引入的偏倚,同时避免对可交换性的强假设。
  • 关键技术: g-computation, model robustness, hybrid control design, covariate adjustment, asymptotic normality
  • 为什么对您有用: 本文直接关联因果推断中的纵向/对照研究设计,特别是外部对照数据的利用与可交换性假设的放松,属于您 primary interest 中 causal inference 的 identification 与 estimation 方向。您可以用 very_familiar 的估计理论(如 M-estimation)来验证其鲁棒性证明,或用 moderately_familiar 的 semiparametric theory 分析其效率界是否最优。

6. 10.1002/sim.70762 · arXiv — Evaluating Informative Cluster Size in Cluster Randomized Trials

  • 作者: Bryan S. Blette, Zhe Chen, Brennan C. Kahan, Andrew Forbes, Michael O. Harhay, Fan Li
  • 期刊/来源: Statistics in Medicine
  • 机构: Vanderbilt University · Vanderbilt University Medical Center · University of Pennsylvania · MRC Clinical Trials Unit at UCL · University College London · Monash University · Yale University
  • 分类: vol 45 · issue 23-24
  • 相关性 6/10 · novelty: new_method
  • 摘要: 在整群随机试验中,当存在信息性簇大小(ICS)时,个体平均处理效应(i-ATE)与簇平均处理效应(c-ATE)可能不同,而混合效应模型和可交换相关结构的GEE对两者均有偏,实践中推荐使用独立相关结构的GEE或簇水平汇总分析。本文针对ICS的检验问题,提出了基于模型、模型辅助和随机化三种检验方法,以判断是否存在ICS。通过模拟研究评估了这些检验的I类错误控制和功效,并与观察性研究中已有的基于模型的检验进行对比。最后将所提检验应用于一项近期整群随机试验的数据,并给出了实际使用建议。对您而言,该工作将因果推断中的估计问题转化为假设检验问题,且涉及纵向/整群数据中的处理效应异质性,与您的因果推断和假设检验兴趣直接相关。
  • 关键技术: informative cluster size, cluster randomized trials, hypothesis testing, randomization-based tests, GEE, mixed-effects models
  • 为什么对您有用: 本文属于因果推断中整群随机试验的估计与检验问题,直接关联您的causal inference(纵向/整群设定)和hypothesis testing兴趣。您可以用very_familiar的估计理论(如GEE、混合模型)来审视其检验的构造,或用moderately_familiar的识别理论来评估ICS对ATE识别的影响。中期可做:若想深入随机化检验的有限样本性质,需在M-estimation理论上稍作加强。

7. 10.1002/sim.70740 — A Bias‐Adjusted Approach for Logistic Modeling With Predicted Exposures

  • 作者: Aryana Arsham, Paul S. Albert, Mark P. Little
  • 期刊/来源: Statistics in Medicine
  • 机构: Goucher College · National Cancer Institute · Oxford Brookes University
  • 分类: vol 45 · issue 23-24
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对观察性研究中暴露变量通过预测模型估计而引入测量误差的问题,提出了一种偏差校正的 logistic 回归参数估计方法。在混合测量误差模型下,同时考虑误差-prone 的预测暴露和真实暴露,利用 bootstrap 估计误差模型参数,并结合用户指定的预测模型和线性回归校准函数进行校正。该方法适用于队列设计,且不要求测量误差模型参数已知,通过 Wald 置信区间和 bootstrap 标准误进行推断。模拟研究和以糖化血红蛋白预测高血压发病率的实际数据分析表明,所提方法能提供准确的点估计和接近名义水平的覆盖率。研究还发现,使用过于简化的预测模型会导致严重偏差,而灵活的机器学习模型在准确性和精度上可能不如正确设定的参数模型。本文属于应用导向的方法学研究,对流行病学中常见的暴露测量误差问题具有直接参考价值。
  • 关键技术: measurement error model, regression calibration, bootstrap, logistic regression, prediction model, Wald confidence interval
  • 为什么对您有用: 本文直接关联流行病学中暴露测量误差的因果推断问题,属于 secondary interest 中流行病学应用方向。可用武器库中 very_familiar 的估计理论(如 M-estimation)来审视其 bootstrap 校正的有限样本性质,或进一步推导其 semiparametric efficiency bound,以判断方法是否最优。立即可做:基于现有估计理论框架,可复现模拟并检验其 bootstrap 标准误的覆盖概率;中期可做:若需深入理论,需在 semiparametric 效率理论上加强;暂不可做:无需额外工具。

8. 10.1002/sim.70765 · arXiv — Joint Analysis for Multivariate Longitudinal and Event Time Data With a Change Point Anchored at Interval‐Censored Event Time

  • 作者: Yue Zhan, Cheng Zheng, Ying Zhang
  • 期刊/来源: Statistics in Medicine
  • 机构: University of Nebraska Medical Center
  • 分类: vol 45 · issue 23-24
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对亨廷顿病(HD)中多变量纵向生物标志物与区间删失事件时间(如运动障碍发作)的联合建模问题,提出一个以事件时间为锚点的变点联合模型。该模型同时评估纵向生物标志物对事件时间的影响,以及事件发生后生物标志物轨迹的变化,属于纵向因果推断与变点分析的交叉设定。方法上,作者构建了基于似然的联合模型,利用区间删失数据的信息,并推导了估计量的渐近正态性以进行统计推断。通过模拟研究验证了有限样本性能,并应用于 PREDICT-HD 队列,探究认知衰退与运动功能障碍在疾病进展中的相互作用。该工作对您的主要兴趣(纵向因果推断、事件时间分析)有直接关联,其变点锚定区间删失事件的设定为处理疾病进程中的时序因果问题提供了新视角。
  • 关键技术: joint modeling, change point analysis, interval censoring, multivariate longitudinal data, asymptotic normality
  • 为什么对您有用: 本文属于纵向因果推断与事件时间分析的交叉应用,直接关联您的主要兴趣(causal inference 中的 longitudinal 方向)。您可以用 very_familiar 的估计理论(如 M-estimation)来审视其渐近性质的推导,或用 moderately_familiar 的 semiparametric theory 来探讨其效率界。中期可做:若想深入,需在区间删失的似然推断上加强(moderately_familiar 的 identification theory 可支撑)。

9. 10.1002/sim.70755 — Taking Into Account the Susceptible Window for Exposures in Cox Proportional Hazards Model: A Way Using Splines to Model the Lag‐Risk Relationship

  • 作者: Fuyu Guo, Zihan Qian, Wenyi Wang, Fenglei Wang, Bernard Rosner, Molin Wang
  • 期刊/来源: Statistics in Medicine
  • 机构: Harvard University · Massachusetts General Hospital · Emory University · Atlanta VA Health Care System · Brigham and Women's Hospital
  • 分类: vol 45 · issue 23-24
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对Cox比例风险模型中的暴露-滞后效应估计问题,提出用受限三次样条对历史暴露的效应进行参数化建模,以解决滞后暴露项间的强共线性导致的估计不稳定。作者开发了两种模型选择算法来确定样条节点位置,并采用多重插补处理历史暴露数据的缺失。模拟研究表明,该方法对最大效应长度的错误设定具有鲁棒性,且相比完整人时分析,多重插补算法在偏差略增的情况下显著降低了方差。最后,作者将该方法应用于护士健康研究中叶酸摄入与结直肠癌发病风险的长期关联分析。该方法为纵向暴露-结局研究中的时变效应估计提供了实用工具,与您的纵向因果推断和流行病学应用兴趣直接相关。
  • 关键技术: restricted cubic splines, Cox proportional hazards model, multiple imputation, model selection, lagged exposures
  • 为什么对您有用: 本文属于流行病学应用中的因果推断方法,直接关联您的secondary interest中的流行病学队列研究。您可以用very_familiar的估计理论(如M-estimation)来评估其样条估计的渐近性质,或用moderately_familiar的识别理论来审视其滞后效应识别假设。中期可做:将多重插补与您熟悉的因果推断方法(如g-formula)结合,以处理更复杂的缺失机制。

10. 10.1002/sim.70749 — A Bayesian Adaptive Design for Assessing Treatment Effect Consistency in Bridging Studies

  • 作者: Xinyi He, Dan Zhao, Zhaoyang Teng, Hua Liu, Ying Yuan
  • 期刊/来源: Statistics in Medicine
  • 机构: The University of Texas MD Anderson Cancer Center · The University of Texas Health Science Center at Houston · Center for Global Development · Astellas Pharma (Japan)
  • 分类: vol 45 · issue 23-24
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出一种用于桥接试验(bridging study)的贝叶斯自适应设计,目标是在时间-事件结局下评估新人群中的治疗效果与原研究的一致性。设计采用组序贯框架,在中期和最终分析时基于后验概率判断一致或不一致的证据,并允许提前终止以节省样本量。同时引入基于贝叶斯预测概率的样本量重估策略,增强灵活性。模拟研究表明,与常用方法相比,该设计在控制经验I类错误率(通过预设校准并考虑中期分析和样本量调整)的同时,在治疗效果高度一致或明显不一致时能大幅节省样本量。该设计属于贝叶斯自适应临床试验设计,与因果推断中的效应异质性评估相关,但方法学新颖性有限,主要是应用层面的设计创新。
  • 关键技术: Bayesian adaptive design, group sequential design, posterior probability, predictive probability, sample size recalculation, time-to-event endpoint
  • 为什么对您有用: 该论文涉及因果推断中的治疗效应异质性评估(桥接试验的一致性检验),与您的因果推断兴趣(特别是效应异质性、纵向数据)相关。您可以用非常熟悉的估计理论(如生存分析中的IPW或Aalen-Johansen估计)来审视其贝叶斯后验概率的频繁学性质,或考虑将设计扩展到更复杂的因果框架(如工具变量或中介分析)。中期可做:需在贝叶斯自适应设计上补充知识(属于 moderately_familiar 的 M-estimation 之外的领域),但核心的模拟和校准方法可立即借鉴。

11. 10.1002/sim.70759 — Group‐Specific Nonlinear Mixed Effects Models for Longitudinal Data With Realignment of Time

  • 作者: Ziyue Liu, Sujuan Gao
  • 期刊/来源: Statistics in Medicine
  • 机构: Indiana University Indianapolis · Indiana University School of Medicine
  • 分类: vol 45 · issue 23-24
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一类分组特异性非线性混合效应模型,用于处理以特定事件(如死亡)为右对齐索引时间的纵向数据,动机来自痴呆队列研究中临终前认知轨迹的异质性。模型由三个子模型组成:组别(痴呆状态)用 logistic 回归或随机森林建模,事件时间用加速失效时间(AFT)模型,纵向结局在给定组别和事件时间下用非线性混合效应模型。通过将事件时间作为潜变量积分掉,未观察到事件(如仍存活)的个体也能纳入似然,从而避免删失导致的样本选择偏差。参数估计采用随机逼近 EM(SAEM)算法,并给出模拟和痴呆数据应用。该方法本质上是处理事件时间与纵向结局之间非随机依赖的联合建模,与因果推断中处理时依混杂和截尾的框架有相通之处。对您而言,其将组别(暴露)与事件时间(中介/时依变量)联合建模的思路,可迁移到纵向因果推断中处理死亡截尾和时依混杂的问题。
  • 关键技术: nonlinear mixed effects models, accelerated failure time models, stochastic approximation EM (SAEM), random forest, joint modeling, right-aligned time
  • 为什么对您有用: 该文属于纵向数据因果推断的应用场景,与您的 primary interest 中 longitudinal causal inference 和 mediation 相关;其联合建模事件时间与纵向结局的策略,可启发处理死亡截尾和时依混杂的识别与估计。技术层面,您 very_familiar 的软件开发和 M-estimation 理论可用于实现和检验其 SAEM 算法的收敛性,但核心的生存分析工具(AFT)不在您的武器库中,属于中期可做,需先熟悉生存分析模型。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 10.1002/sim.70760 — Robust Alpha Spending for Unstable Data

  • 作者: Ivair R. Silva, Judith C. Maro
  • 期刊/来源: Statistics in Medicine
  • 机构: Universidade Federal de Ouro Preto · Harvard University · Harvard Pilgrim Health Care
  • 分类: vol 45 · issue 23-24
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对序贯假设检验中“锚定假设”(即已用数据保持不变)在真实世界数据(如疫苗不良事件监测)中常被违反的问题,提出“稳健 alpha spending”方法。在二次使用数据中,暴露人数和不良事件计数可能随时间修订,直接挑战传统序贯检验的前提。作者设计了一种 alpha 分配策略,在存在低水平数据不稳定时,仍能控制总体 I 类错误率、维持统计功效并控制监测时长。方法核心在于将数据修订视为一种扰动,通过调整各阶段检验的显著性水平来吸收其影响。文章通过模拟和实例展示了该方法相对于传统 alpha spending 在数据修订场景下的稳健性优势。对您而言,该工作将假设检验与真实世界数据质量挑战结合,是流行病学监测中方法学创新的典型案例。
  • 关键技术: sequential hypothesis testing, alpha spending function, type I error control, real-world data, vaccine safety surveillance
  • 为什么对您有用: (1) 直接连接 hypothesis testing 主兴趣中的序贯检验与多重比较问题,且属于流行病学监测的应用场景;(2) 可用您 very_familiar 的 minimax bounds 思维分析其 alpha spending 策略在 worst-case 数据修订下的最优性,或用 M-estimation 理论刻画修订过程的渐近影响;(3) 立即可做:基于现有武器库即可复现其模拟并尝试推导修订幅度的显式界。

其他 (other, 5 篇)

1. 10.1002/sim.70753 — Sandwich Variance Estimation in Scale Mixture of Skew‐Normal Linear Mixed Models

  • 作者: Keyliane Travassos, Larissa A. Matos, Fernanda L. Schumacher
  • 期刊/来源: Statistics in Medicine
  • 机构: Universidade Estadual de Campinas (UNICAMP) · The Ohio State University
  • 分类: vol 45 · issue 23-24
  • 相关性 5/10 · novelty: application
  • 摘要: 本文在 scale mixture of skew-normal 线性混合模型(SMSN-LMM)框架下,提出 sandwich 方差估计量作为标准误的稳健替代,以应对协方差结构(随机效应与误差)误设的问题。SMSN-LMM 本身可容纳偏态与厚尾,而 sandwich 估计进一步放宽了对协方差成分正确指定的要求。作者给出了估计量的定义、推导及实际实现,并通过模拟研究评估其在多种误设场景下的表现,表明即使在模型或协方差结构误设时仍能提供可靠的推断。该工作属于应用统计方法在纵向数据中的稳健推断,与您的核心兴趣(因果推断、半参数效率理论)关联较弱,但涉及混合模型与稳健方差估计,可作为统计计算或应用方向的背景阅读。
  • 关键技术: sandwich variance estimator, linear mixed models, scale mixture of skew-normal distributions, robust standard errors, simulation study
  • 为什么对您有用: 本文属于纵向数据线性混合模型的稳健推断,与您的 primary interests(因果推断、半参数理论)无直接交集,但涉及统计计算(sandwich 估计的实现)和流行病学中常见的重复测量数据建模。作为 gateway reading,它展示了在复杂分布假设下如何通过 sandwich 估计增强稳健性,但方法学 novelty 有限,主要是应用层面的扩展。武器库中的非参数统计和 M-估计理论足以理解其核心,但无需深入。

2. 10.1002/sim.70750 · arXiv — Group Sequential Sample Size for Comparing Two Survival Probabilities at a Specific Time Point

  • 作者: Susan Halabi, Lu Liu, Chenxi Yu, Yuan Wu
  • 期刊/来源: Statistics in Medicine
  • 机构: Duke University · Pfizer (United States)
  • 分类: vol 45 · issue 23-24
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一种新的样本量计算方法,用于在预设时间点比较两个生存概率,并同时保证固定设计和组序贯设计中的 I 类错误控制。通过模拟研究,在不同假设差异、失效分布、删失比例和名义把握度下验证了方法的稳健性;中期分析显示,与标准二项方法相比,该方法在各分析时点维持名义 I 类错误并提高把握度,且不受失效时间分布或消耗函数影响。该方法特别适用于治疗组包含术前新辅助治疗而对照组仅手术的随机试验,以及比例风险假设不成立的情形(如免疫治疗中的延迟效应或交叉生存曲线)。方法也适用于 II 期随机试验,其中样本量较小且使用中间或替代终点。作者以肾癌和前列腺癌的实例进行说明,并提供了 R Shiny 应用以交互式计算样本量。对您而言,本文属于临床试验设计中的生存分析应用,虽非您核心理论方向,但其组序贯设计和生存概率检验的设定可作为流行病学或应用因果推断中时间-事件结局分析的参考。
  • 关键技术: group sequential design, sample size determination, survival probability comparison, Type I error control, simulation study, R Shiny application
  • 为什么对您有用: 本文属于流行病学/临床试验应用,涉及生存结局的假设检验和样本量计算,与您的 secondary interest 中流行病学应用因果推断有一定关联。作为应用型论文,其方法学 novelty 有限,但组序贯设计和生存概率检验的框架可能对您处理纵向或时间-事件数据有启发。从武器库看,您对假设检验和生存分析的基础熟悉,但本文未涉及高维或半参数理论,因此属于可读但非核心的文献。

3. 10.1002/sim.70744 · arXiv — A Statistical Perspective on Transformers for Small Longitudinal Cohort Data

  • 作者: Kiana Farhadyar, Maren Hackenberg, Kira Ahrens, Charlotte Schenk, Bianca Kollmann, Oliver Tüscher et al.
  • 期刊/来源: Statistics in Medicine
  • 机构: University of Freiburg · University Hospital Frankfurt · Leibniz Institute for Resilience Research · Central Institute of Mental Health · Johannes Gutenberg University Mainz · University Medical Center of the Johannes Gutenberg University Mainz · Deutsches Zentrum für Psychische Gesundheit · Martin Luther University Halle-Wittenberg
  • 分类: vol 45 · issue 23-24
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对小样本纵向队列数据,提出一种简化版 transformer 架构,以保留核心注意力机制同时减少待估参数。作者从自回归模型出发,将注意力视为带时间衰减的核操作,并将多个注意力头解释为对不同个体潜在特征的证据累积。该视角允许使用基于置换的统计检验来识别上下文模式。模拟研究(包括基于真实临床预测变量的受控模拟)表明,该方法在个体数和时间点较少时仍能恢复上下文依赖。在韧性研究数据上的应用识别出压力与心理健康动态中的时间模式。这表明适当调整的 transformer 不仅预测性能有竞争力,还能在小数据下揭示复杂上下文依赖。
  • 关键技术: simplified transformer, kernel-based attention with temporal decay, autoregressive model, permutation-based testing, simulation study
  • 为什么对您有用: 本文属于统计计算与纵向数据建模的交叉,与您的统计计算兴趣相关,但方法学新颖性有限。作为 gateway reading,它展示了如何将复杂模型(transformer)适配到小样本统计问题,并引入可解释的统计检验,对您了解 transformer 的统计视角有一定帮助。武器库中的非参数统计和软件技能足以支撑理解,但无需深入跟进。

4. 10.1002/sim.70746 — Calibration of Priors for Bayesian Model‐Based Dose‐Finding Trial Designs With Joint Outcomes

  • 作者: Emily Alger, Shing M. Lee, Ying Kuen K. Cheung, Christina Yap
  • 期刊/来源: Statistics in Medicine
  • 机构: Institute of Cancer Research · Cancer Research UK · Columbia University
  • 分类: vol 45 · issue 23-24
  • 相关性 3/10 · novelty: new_method
  • 摘要: 本文针对贝叶斯模型驱动的剂量探索临床试验设计(如 CRM)中先验校准问题,在联合结局(joint outcomes)设定下提出一种基于散度最小化的解析校准方法。传统网格搜索或针对单一结局设计的校准方法在联合结局下会引入剂量推荐的偏倚,限制剂量探索并偏离试验者的先验信念。作者将先验校准转化为最小化先验与目标分布之间的散度,从而得到解析解,避免计算密集的网格搜索。通过集成模拟场景,作者展示了该方法相比现有方法的灵活性,并在校准精度和计算效率上优于传统网格搜索。该工作属于临床试验设计方法学,与您的主要兴趣(因果推断、高维统计等)无直接交集,但其中贝叶斯自适应设计与决策框架或可作为应用背景参考。
  • 关键技术: prior calibration, divergence minimization, Bayesian adaptive design, Continual Reassessment Method, joint outcome modeling
  • 为什么对您有用: 本文属于临床试验设计方法学,与您的主要兴趣(因果推断、高维统计等)无直接交集,但其中贝叶斯自适应设计与决策框架或可作为应用背景参考。作为流行病学应用方向的延伸,其贝叶斯剂量探索设计在肿瘤试验中的应用可能对您了解实际数据生成过程有帮助,但方法学上无直接可迁移性。

5. 10.1002/sim.70743 — PROComb: A Practical and Robust Design With Randomization to Optimize Dose Combinations in Drug Combination Trials

  • 作者: Yingjie Qiu, Mingyue Li
  • 期刊/来源: Statistics in Medicine
  • 机构: Harold C. Simmons Comprehensive Cancer Center · The University of Texas Southwestern Medical Center
  • 分类: vol 45 · issue 23-24
  • 相关性 3/10 · novelty: application
  • 摘要: 本文提出 PROComb,一种用于药物联合试验的实用且稳健的设计,以应对 FDA Project Optimus 倡导的从“越多越好”到“越少越好”的范式转变。在第一阶段,通过整合毒性、临床疗效和药效学等多源数据,自适应地分配患者到剂量组合,以建立治疗剂量空间(TDS)并构建推荐的 II 期剂量集(RS2D)。第二阶段将患者随机分配到 RS2D 组合,以进一步监测并识别最佳生物剂量组合(OBDC)。文章开发了三种 PROComb 版本以缓解阶段间漂移,并通过模拟研究展示了相比传统基于模型和模型辅助设计的优越操作特性。
  • 关键技术: adaptive design, dose-finding, randomization, multi-source data integration, simulation study
  • 为什么对您有用: 本文属于临床试验设计领域,与您的主要兴趣(因果推断、高维统计等)无直接交集,但作为统计学在医学应用中的实例,可视为拓宽视野的阅读材料。其自适应随机化设计思想与因果推断中的序贯分配有潜在联系,但方法学深度有限,不值得深入研读。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论