SMMR — Vol 35 Issue 9 · 2026-10-16¶
- 共 1 篇 · Statistical Methods in Medical Research
- 目录核对 ⚠️ 疑似漏 12 篇(对照 OpenAlex 13 篇):10.1177/09622802261470087、10.1177/09622802261445822、10.1177/09622802261470081、10.1177/09622802261466468、10.1177/09622802261468028 等
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《SMMR》第 35 卷第 9 期仅收录一篇论文,整体关注点集中在经典生存分析框架下的估计方法改进,具体针对 Cox 比例风险模型在多重共线性场景下的稳定性问题。全文围绕收缩估计策略展开,属于传统回归诊断与惩罚估计的交汇领域,未涉及高维、非参数或因果推断等当前主流方向。
该文的核心贡献在于将 Kibria–Lukman 收缩思想系统移植至 Cox 模型,构建了线性收缩、Stein 及其正部、预检验和收缩预检验四类估计量,并利用系数先验信息来缓解共线性导致的偏似然估计方差膨胀。方法工具上,作者推导了各估计量的渐近偏差与方差表达式,并通过 Monte Carlo 模拟验证有限样本表现,最后以肺癌数据作为应用示例。值得注意的是,文中对预检验与收缩预检验的对比分析,实际上触及了模型选择与估计效率之间的经典权衡,但并未延伸至更复杂的正则化路径或贝叶斯收缩框架。
对于关注因果推断、半参数效率或高维统计的读者,本文的关联度有限——它更贴近应用统计中针对特定数据病态的修正手段。若需快速判断,该文适合对生存分析中多重共线性处理感兴趣的读者,或作为收缩估计在经典模型中的教学案例;但若本期仅此一篇,且方向与上述前沿领域不符,则建议直接跳过,除非需要补充 Cox 模型下的收缩估计文献背景。
其他 (other, 1 篇)¶
1. 10.1177/09622802261423186 — Improved survival analysis with shrinkage Kibria–Lukman estimators in the Cox model: Application to lung cancer data¶
- 作者: Solmaz Seifollahi, Mohammad Arashi
- 期刊/来源: Statistical Methods in Medical Research
- 机构: Ferdowsi University of Mashhad
- 分类: vol 35 · issue 9 · pp 1787-1805
- 相关性 4/10 · novelty:
application - 摘要: 本文针对 Cox 比例风险回归模型在存在多重共线性时最大偏似然估计不稳定的问题,基于 Kibria–Lukman 方法引入了一类收缩估计量,包括线性收缩、Stein 及其正部、预检验和收缩预检验估计量,并利用关于系数的先验信息。作者推导了这些估计量的渐近偏差和方差性质,并通过大规模 Monte Carlo 模拟评估其有限样本表现,结果显示在共线性下相比最大偏似然估计有显著改进。最后用肺癌数据集展示了所提方法的实际应用。该文属于应用导向的统计方法改进,核心是经典回归中的收缩估计,不涉及因果推断、高维或半参数效率理论等前沿方向。
- 关键技术:
Kibria-Lukman estimator,shrinkage estimation,Cox proportional hazards model,pretest estimation,Stein-type shrinkage - 为什么对您有用: 本文与您的主要兴趣(因果推断、高维统计、半参数理论)关联较弱,属于经典回归中多重共线性问题的收缩估计方法,方法学新颖性有限。但作为流行病学中生存分析的应用,可能对您的 secondary interest(流行病学应用)有一定参考价值,不过其统计方法较为常规,不值得深入阅读。
Maintained by 陈星宇 · Homepage · Source on GitHub