StatMed — Vol 45 Issue 15-17 · 2026-10-16¶
- 共 30 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30篇论文,主线大致可归为四类:因果推断与治疗效应估计(约10篇)、假设检验与多重比较(4篇)、半参数/非参数与高维方法(约8篇)、以及临床试验设计与流行病学应用(约8篇)。因果推断是本期最密集的方向,覆盖从个体化治疗规则、准实验设计、孟德尔随机化到主分层与删失数据的多个切面;假设检验部分则集中在协变量调整、序贯检验与篮式试验的推断改进上。其余论文多围绕低秩矩阵、网络模型、潜变量模型等展开,应用导向明显。
因果推断主线中,最突出的是对“效应异质性与迁移”的处理。Reluctant Transfer Learning 提出在源数据模型向目标数据迁移时只选择性调整必要成分,并给出遗憾界,直接回应ITR在分布偏移下的更新问题;Optimizing Treatment Decision Estimation 则用参数迁移学习处理右删失生存数据下的最优决策,两者共享“迁移+个体化”的思路。另一条线索是孟德尔随机化的稳健性:Bayesian Bidirectional MR 显式建模相关与不相关多效性,Checking Genetic Homogeneity 则从汇总统计量出发检验两样本遗传同质性,均针对MR中工具变量假设的薄弱环节。准实验与面板数据方面,Gaussian Process Modeling 将GP后验均值解释为加权平均,推广合成控制并讨论核选择;A Causal Framework 处理集群随机试验中筛查策略的总效应,提出Two-Stage TMLE扩展。主分层与删失数据上,Causal Effects on Nonterminal Event Time 引入“感染或存活者”主分层,在交叉世界假设下连接脆弱项模型,是本期因果识别策略中较有新意的一篇。此外,Choosing Covariate Balancing Methods 通过大规模模拟比较IPTW、CBPS、EB等加权方法,为实践选择提供了有限样本证据。
假设检验与半参数方法各有亮点。Covariate Adjustment for Wilcoxon 将协变量校准引入秩和统计量,证明其在协变量自适应随机化下渐近分布不变,效率增益明确;Optimal Weighted Tests 则针对“两试验规则”设计最优加权Bonferroni,兼顾FWER与析取功效。半参数方面,Semiparametric Panel Count Model 处理过量零计数与协变量调整,EM算法中非参数分量转化为保序回归;Subgroup Analysis of Interval-censored Data 用sieve惩罚似然同时实现亚组识别与变量选择。高维与网络方法中,LEARNER 做低秩矩阵迁移学习,Predictor-Assisted Nonparametric Graphical Models 处理测量误差下的网络恢复,均属方法学增量型工作。流行病学应用类论文如Latent Class Log-Linear Models、Multi-Level Latent Variable Models 和DLNM-Clust,分别聚焦无金标准诊断准确性、EHR共遗传力与空间异质性暴露-滞后反应,方法上多依赖贝叶斯或GEE框架,应用价值明确但理论创新有限。
若按主题优先阅读:因果推断方向建议先看Reluctant Transfer Learning、Bayesian Bidirectional MR、Causal Effects on Nonterminal Event Time 和 A Causal Framework,它们分别覆盖迁移学习、多效性建模、主分层与集群试验,是本期因果方法最集中的代表;半参数效率与高维方向可关注Covariate Adjustment for Wilcoxon、Semiparametric Panel Count Model 和 LEARNER,前者涉及秩统计量的效率改进,后两者涉及非参估计与迁移学习;假设检验方向则Optimal Weighted Tests 与 Adaptive Sequential Multiple Hypotheses Testing 值得一读,前者连接复制研究规则,后者处理疫苗安全监测中的序贯多重比较。
因果推断 (causal_inference, 12 篇)¶
1. 10.1002/sim.70671 · arXiv — Reluctant Transfer Learning in Penalized Regressions for Individualized Treatment Rules Under Effect Heterogeneity¶
- 作者: Eun Jeong Oh, Min Qian
- 期刊/来源: Statistics in Medicine
- 机构: Northwell Health · Feinstein Institute for Medical Research · Columbia University
- 分类: vol 45 · issue 15-17
- 相关性 7/10 · novelty:
new_method - 摘要: 本文针对个体化治疗规则(ITR)估计中的模型更新问题,提出了一种“不情愿迁移学习”(RTL)框架。在源数据训练的模型需要适应目标数据中治疗效应分布偏移的场景下,RTL 仅选择性地迁移必要的模型成分(如回归系数),且无需访问源数据的个体水平信息。该方法遵循“不情愿建模”原则,仅在目标数据上确实提升性能时才引入模型调整,从而控制复杂度并增强泛化性。RTL 支持多臂治疗设置,具备变量选择功能,并给出了估计 ITR 与最优 ITR 价值差异的遗憾界。模拟研究和 BestAIR 试验真实数据应用表明,RTL 优于现有替代方法。该框架为治疗效应动态变化下的自适应治疗决策提供了高效且实用的途径。
- 关键技术:
reluctant transfer learning,penalized regression,individualized treatment rules,regret bound,variable selection,multi-armed treatment - 为什么对您有用: 本文属于因果推断中个体化治疗规则估计的迁移学习问题,与您对因果推断(特别是估计理论和纵向设定)的兴趣直接相关。您可以用 very_familiar 的估计理论(如 M-estimation)来审视其遗憾界的推导,或用 moderately_familiar 的识别理论来评估其迁移假设的可检验性。中期可做:若想深入其理论性质,需在 semiparametric theory 上加强。
2. 10.1002/sim.70652 · arXiv — Practical Considerations for Gaussian Process Modeling for Causal Inference in Quasi‐Experimental Studies With Panel Data¶
- 作者: Sofia L. Vega, Rachel C. Nethery
- 期刊/来源: Statistics in Medicine
- 分类: vol 45 · issue 15-17
- 相关性 7/10 · novelty:
application - 摘要: 本文针对准实验设计中具有时空面板数据的研究,提出使用高斯过程(GP)建模来调整随空间和时间变化的未测量混杂,从而估计因果效应。作者展示了GP如何推广合成控制和垂直回归等流行方法,并证明GP后验均值可表示为观测结果的加权平均,权重反映时空相似性。通过模拟和Katrina飓风死亡率数据的应用,比较了可分离与不可分离核函数对估计性能和可解释性的影响,并提供了核选择的实用指导。文章强调GP作为灵活的非参数工具在准实验因果推断中的潜力,并公开代码以促进可复现性。对您而言,该文将GP与因果推断中的反事实预测结合,为纵向面板数据中的未测量混杂调整提供了新视角,与您对纵向因果推断和半参数方法的兴趣直接相关。
- 关键技术:
Gaussian process regression,synthetic control,vertical regression,separable and nonseparable kernels,counterfactual prediction,spatio-temporal confounding - 为什么对您有用: 本文属于因果推断中纵向/面板数据设置下的应用方法研究,直接关联您对纵向因果推断和半参数建模的兴趣。您可以用非常熟悉的非参数统计和因果推断估计理论来审视其GP加权表示与合成控制之间的联系,并评估其核选择对估计偏差的影响。中期可做:若想深入理论性质(如后验收缩率),需在M估计理论或半参数理论上稍作加强。
3. 10.1002/sim.70663 — Checking Genetic Homogeneity Between Two Samples Using Summary Statistics With Application to Mendelian Randomization¶
- 作者: Kai Wang, Grace Z. Wang
- 期刊/来源: Statistics in Medicine
- 机构: University of Iowa · Harvard University
- 分类: vol 45 · issue 15-17
- 相关性 7/10 · novelty:
application - 摘要: 本文针对两样本汇总数据孟德尔随机化(MR)研究中的一个关键假设——工具变量SNP在暴露和结局样本中的效应一致性——提出了一种基于汇总统计量的检验方法。在缺乏MAF信息时,该方法利用线性模型GWAS中SNP遗传方差相对于其他SNP的比例可识别这一观察,通过比较两个GWAS中SNP方差的相对大小来评估遗传同质性。作者提出了V-V图和修正的Bland-Altman图来识别遗传方差不同的SNP,并在非线性模型下论证了近似有效性。通过分析已发表的MR研究,发现部分研究可能包含遗传异质的SNP,凸显了该方法的实用价值。该方法为两样本MR研究提供了质量控制的工具,尤其适用于MAF信息缺失的场景。对您而言,这是因果推断中工具变量方法的一个实际应用,其基于汇总统计量的识别策略与您的identification理论兴趣相关,且方法简单易实现。
- 关键技术:
summary-data Mendelian randomization,V-V plot,modified Bland-Altman plot,Hardy-Weinberg equilibrium,genetic variance ratio - 为什么对您有用: 该论文直接关联您的因果推断兴趣中的IV方法,特别是两样本MR的假设检验问题。您可以用very_familiar的估计理论(如M估计)来形式化该方法的统计性质,或探讨其与proximal CI中negative control假设的类比。中期可做:若想深入,需在semiparametric theory上加强,以处理非线性模型下的近似误差。
4. 10.1002/sim.70667 — Bayesian Bidirectional Mendelian Randomization Under Correlated and Uncorrelated Pleiotropy Using GWAS Summary Statistics¶
- 作者: Siyi Chen
- 期刊/来源: Statistics in Medicine
- 机构: Louisiana State University Health Sciences Center New Orleans
- 分类: vol 45 · issue 15-17
- 相关性 7/10 · novelty:
new_method - 摘要: 本文提出 BayBiMR,一个贝叶斯双向孟德尔随机化框架,用于在 GWAS 汇总统计下同时估计两个性状间的双向因果效应,并显式建模相关和不相关多效性。方法采用分层 spike-and-slab 先验刻画多效性效应,用 Inverse-Wishart 先验刻画 SNP 直接效应与多效性效应的联合协方差,从而允许多效性与工具强度相关。似然基于小反馈约化形式的联立方程模型近似,保持共轭性,实现闭式后验计算,并通过分块 Gibbs 采样进行推断。为改善有限样本下的频率校准,提出数据扰动扩展 BayBiMR(DP)。模拟显示在相关和混合多效性设定下,BayBiMR 和 BayBiMR(DP) 比现有方法有更好的 I 类错误控制。应用于白质微结构、BMI、睡眠时长和神经质的 GWAS 汇总数据,展示了其作为探索性和敏感性分析工具的实用性。
- 关键技术:
bidirectional Mendelian randomization,spike-and-slab prior,Inverse-Wishart prior,simultaneous equation model,blocked Gibbs sampler,data perturbation - 为什么对您有用: 本文属于因果推断中 IV 方法的扩展,直接关联您对 IV 和因果推断的兴趣,特别是处理双向因果和多效性这一实际难题。您可以用 very_familiar 的估计理论(如 IV 识别条件)来审视其模型假设,或用 moderately_familiar 的 M-估计理论来比较其贝叶斯方法与频率学派方法的有限样本性质。立即可做:基于其模拟设定,用您熟悉的因果推断工具复现并检验其 I 类错误控制。
5. 10.1002/sim.70672 · arXiv — Choosing Covariate Balancing Methods for Causal Inference: Practical Insights From a Simulation Study¶
- 作者: Etienne Peyrot, Raphaël Porcher, François Petit
- 期刊/来源: Statistics in Medicine
- 机构: Inserm · Université Paris Cité · Institut National de Recherche pour l'Agriculture, l'Alimentation et l'Environnement · Université Sorbonne Paris Nord · Hôtel-Dieu de Paris · Equipe de Recherche en Epidémiologie Nutritionnelle · Centre de Recherche Épidémiologie et Statistique · Assistance Publique – Hôpitaux de Paris
- 分类: vol 45 · issue 15-17
- 相关性 7/10 · novelty:
application - 摘要: 本文通过大规模 Monte Carlo 模拟(36 个主场景,变化样本量、治疗流行率和复杂度因子)系统比较了多种协变量平衡加权方法在有限样本下的表现,包括 IPTW、恰好识别和过度识别的 CBPS、CBPS-TLF、能量平衡(EB)和核最优匹配(KOM)。目标估计量为 ATE 和 ATT,采用加权最小二乘(WLS)和双重稳健(DR)估计器,并遵循已发表的推断建议。结果显示,在 WLS 下,IPTW 和 CBPS-TLF 对复杂度更敏感,而标准 CBPS 在高流行率设置中表现更稳定;EB 和 KOM 的点估计模式更稳健。DR 估计在结果模型包含所有混杂时缩小了方法间差异,但置信区间性能仍异质。作者强调该研究是实践指南而非方法排名,并指出考虑权重构造和调参的置信区间仍是重要的开放问题。对您而言,该模拟研究为因果推断中加权估计器的有限样本行为提供了系统证据,尤其与您关注的估计理论(如 IPTW、CBPS 的渐近性质)和实际应用(如流行病学队列)直接相关。
- 关键技术:
inverse probability weighting (IPTW),covariate balancing propensity score (CBPS),energy balancing,kernel optimal matching (KOM),doubly robust estimation,Monte Carlo simulation - 为什么对您有用: (1) 直接对应 primary interest 中的 causal inference 估计理论,特别是加权估计器(IPTW、CBPS)的有限样本表现和推断问题;(2) 可用您 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 视角审视模拟设计是否覆盖了高维或弱重叠场景,或用您 moderately_familiar 的 semiparametric theory 分析 DR 估计器的效率损失;(3) 立即可做:基于模拟结果,可尝试用您熟悉的软件工具复现部分场景,检验不同方差估计量的覆盖概率。
6. 10.1002/sim.70648 · arXiv — A Causal Framework for Evaluating the Total Effect of Strategies Aiming to Expand Screening and to Improve Outcomes¶
- 作者: Joy Z. Nakato, Janice Litunya, Brian Beesiga, Jane Kabami, James Ayieko, Moses R. Kamya et al.
- 期刊/来源: Statistics in Medicine
- 机构: University of California, Berkeley · Kenya Medical Research Institute · Infectious Diseases Research Collaboration · Makerere University · University of California, San Francisco
- 分类: vol 45 · issue 15-17
- 相关性 7/10 · novelty:
new_method - 摘要: 本文针对集群随机试验中策略在集群层面实施、而筛查和结局在个体层面的场景,提出一个因果框架来评估旨在扩大筛查并改善结局的策略的总效应。该设定涉及多水平中介和缺失数据问题:策略通过改善筛查间接影响结局,且每个人的“潜在”状态仅在筛查者中可观测。作者采用 Counterfactual Strata Effects 作为因果 estimand,其中结局仅对某个成员身份受缺失和暴露影响的群体有意义。为识别和估计相应的统计 estimand,他们提出了一种 Two-Stage TMLE 的新扩展。模拟研究展示了所提方法的实际性能,并揭示了现有方法的局限性。
- 关键技术:
Counterfactual Strata Effects,Two-Stage TMLE,cluster randomized trials,multilevel mediation,missing data - 为什么对您有用: 本文直接关联因果推断中的 mediation 和 longitudinal 子方向,且提出 Two-Stage TMLE 这一新估计方法,属于方法学创新。您可以用 very_familiar 的 estimation theory in causal inference 来评估其估计量的有限样本性质,或用 moderately_familiar 的 identification theory 来审视其识别假设。中期可做:结合您对 higher-order U-statistics 的熟悉,分析 Two-Stage TMLE 的 influence function 展开中的高阶项。
7. 10.1002/sim.70650 — Causal Effects on Nonterminal Event Time With Application to Antibiotic Usage and Future Resistance¶
- 作者: Tamir Zehavi, Uri Obolski, Michal Chowers, Daniel Nevo
- 期刊/来源: Statistics in Medicine
- 机构: Tel Aviv University · Meir Medical Center
- 分类: vol 45 · issue 15-17
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究抗生素治疗对未来耐药感染事件时间的影响,面临患者可能仅在某一治疗下存活导致的比较难题。作者将问题嵌入半竞争风险框架,以耐药感染作为非终末事件时间,提出新的主分层'感染或存活者'(infected-or-survivors, IOS),比现有主分层更包容,并定义可行感染因果效应(FICE)。在新型假设下推导大样本界,并讨论假设在应用中的合理性。作为替代,作者用带双变量脆弱项的 illness-death 模型识别 FICE,通过交叉世界相关参数连接两个模型。估计采用 EM 算法加蒙特卡洛程序,并应用于医院详细临床数据。对您而言,本文的主分层与半竞争风险结合是因果推断中识别策略的新视角,且其估计方法涉及 EM 与蒙特卡洛,与您的统计计算兴趣相关。
- 关键技术:
principal stratification,semi-competing risks,illness-death model,bivariate frailty,EM algorithm,Monte Carlo - 为什么对您有用: 本文直接关联您的因果推断兴趣,特别是主分层与半竞争风险框架,且涉及流行病学应用(抗生素耐药性),属于应用因果工作。您可用 very_familiar 的估计理论(如 M-估计)审视其 EM 估计的收敛性,或用 moderately_familiar 的识别理论评估其假设的合理性。中期可做:若想深入交叉世界相关参数的敏感性分析,需在 semiparametric theory 上加强。
8. 10.1002/sim.70651 — Efficiency Enhancement in Testing Treatment Efficacy Across Multiple Populations Using Treatment Crossover Data¶
- 作者: Ryo Emoto, Kiyoaki Ishii, Toshinari Takamura, Shigeyuki Matsui
- 期刊/来源: Statistics in Medicine
- 机构: Kyoto University · Kanazawa University · National Center for Geriatrics and Gerontology · The Institute of Statistical Mathematics
- 分类: vol 45 · issue 15-17
- 相关性 6/10 · novelty:
application - 摘要: 本文在交叉设计临床试验的框架下,针对多个由治疗效应修饰因子定义的人群,评估治疗效果的检验效率。研究目标是利用患者内比较消除个体间变异,从而提升统计功效,并与标准平行组分析进行对比。方法上构建了交叉试验的统计模型,并推导了相应的检验统计量,通过模拟实验验证了交叉分析在统计功效上的一致优势,尤其在携带效应较小时。应用部分基于一项2型糖尿病临床试验数据,展示了交叉分析在实际中的效率提升。对您而言,该工作将因果推断中的效应估计与临床试验设计结合,其效率增益分析可借鉴到您熟悉的纵向数据或中介分析框架中。
- 关键技术:
crossover trial design,within-patient comparison,treatment effect modifier,statistical power comparison,simulation study - 为什么对您有用: 本文属于因果推断在临床试验中的应用,具体涉及交叉设计下的效应估计与检验,与您的主要兴趣(causal inference, longitudinal)直接相关。您可以用非常熟悉的非参数统计和M估计理论来审视其效率增益的推导,或考虑将交叉设计的思想扩展到proximal causal inference的设定中。中期可做:若想深入理论效率界,需在semiparametric theory上稍加巩固。
9. 10.1002/sim.70668 — Optimizing Treatment Decision Estimation for Right‐Censored Survival Data Through Parameter Transfer Learning¶
- 作者: Yingli Pan, Yinfei Guo, Chentao Yang, Yanhong Shao, Qinglong Yang
- 期刊/来源: Statistics in Medicine
- 机构: Hubei University · Zhongnan University of Economics and Law
- 分类: vol 45 · issue 15-17
- 相关性 6/10 · novelty:
application - 摘要: 本文针对右删失生存数据下的最优治疗决策估计问题,提出一种参数迁移学习方法,利用多源辅助数据提升目标模型的预测精度和稳健性。方法通过从其他数据集提取共享参数构建多个源模型,并采用针对右删失数据设计的平滑一致性指数(smoothed concordance index)来估计候选模型参数。为优化模型平均权重,使用留一交叉验证准则。理论上,在温和条件下,当目标模型误设时,所提方法渐近达到最高的平滑一致性指数;当目标模型正确设定时,保证模型权重一致性。模拟研究验证了该方法在减少偏差和提高预测精度方面的优势,尤其适用于右删失和异质性数据。SUPPORT扩展数据集的应用进一步展示了其在个性化临床决策中的潜力。
- 关键技术:
parameter transfer learning,smoothed concordance index,leave-one-out cross-validation,model averaging,right-censored survival data - 为什么对您有用: 本文属于因果推断中个性化治疗决策估计的应用,与您的primary interest中的causal inference(特别是估计与预测)直接相关。您可以用very_familiar的估计理论(如M-estimation)来审视其模型平均权重的渐近性质,或考虑其与您熟悉的higher-order U-statistics的联系(如平滑一致性指数的U-statistic结构)。中期可做:若想深入其迁移学习的理论保证,需在semiparametric theory上加强。
10. 10.1002/sim.70659 — Moving From Individualized Risk‐Based Prevention to Benefit‐Based Prevention: Estimating Individualized Life‐Years Gained From Prevention Services as a Basis for Eligibility¶
- 作者: Lingxiao Wang, Hormuzd A. Katki, Anil K. Chaturvedi, Li C. Cheung
- 期刊/来源: Statistics in Medicine
- 机构: National Institutes of Health · Division of Cancer Epidemiology and Genetics · University of Virginia
- 分类: vol 45 · issue 15-17
- 相关性 6/10 · novelty:
application - 摘要: 本文提出一种基于获益(benefit-based)而非基于风险(risk-based)的预防服务个体选择策略,目标是估计个体因接受预防服务而获得的期望生命年增益(即有无服务下平均生存时间之差),并以此作为筛查资格的依据。作者将随机试验数据(可能不具人群代表性)与人群代表性调查数据(样本更大、协变量更多、随访更长)相结合来估计该增益,并推导了考虑试验和调查双重随机性的 Taylor 线性化方差。模拟研究考察了两种策略孰优孰劣的条件,并以肺癌筛查为例表明获益导向选择能识别出获益-伤害权衡更优的个体。该方法本质上是一个传输(transportability)或外部效度问题,涉及将试验效应推广到目标人群,并处理竞争风险与协变量分布差异。
- 关键技术:
benefit-based selection,life-years gained estimation,data combination (trial + survey),Taylor-linearized variance,competing risks,transportability - 为什么对您有用: 该文属于因果推断中 effect transportability 的应用,连接您的 primary interest 中的 causal inference(identification 与 estimation)以及 secondary interest 中的 epidemiology(筛查政策)。您可用 very_familiar 的 estimation theory in causal inference 来审视其估计量的偏差-方差权衡,或用 moderately_familiar 的 semiparametric theory 来推导更高效的估计方程。中期可做:若想改进其方差估计,需在 semiparametric efficiency 上再打磨(moderately_familiar 项)。
11. 10.1002/sim.70647 — Identifiable Copula‐Double‐Cox Models: A Fully Parametric Framework for Dependent Right‐Censored Survival Data¶
- 作者: Huazhen Yu, Rui Zhang, Lixin Zhang
- 期刊/来源: Statistics in Medicine
- 机构: Nanjing University of Information Science and Technology · Zhejiang University · Nanjing University of Aeronautics and Astronautics · Zhejiang Gongshang University
- 分类: vol 45 · issue 15-17
- 相关性 6/10 · novelty:
application - 摘要: 本文针对医学研究中常见的因信息性脱落导致的相依删失问题,提出了一类新的完全可识别的参数模型——copula-double-Cox 模型。该模型将双 Cox 边际结构与 copula 相依结构相结合,其中双 Cox 结构通过 Cox 型回归将协变量同时与 Weibull 或广义指数分布的尺度和形状参数相连,从而允许非比例风险,并包含标准 Cox 模型作为特例。作者在相依删失下证明了模型的可识别性,并给出了基线参数、回归系数和 copula 关联参数的一致估计量。模拟研究显示该方法对关联结构误设和过参数化具有稳健性,且估计精度由渐近理论和基于观测信息矩阵的标准误评估所支持。最后,作者将该方法应用于单克隆丙种球蛋白病(MGUS)数据集,展示了其实际效用。本文为处理相依删失的生存分析提供了新的参数化工具,其可识别性结果和双 Cox 结构对您关注的因果推断中处理信息性删失问题具有参考价值。
- 关键技术:
copula models,double-Cox model,dependent censoring,identifiability,Weibull distribution,generalized exponential distribution,observed information matrix - 为什么对您有用: 本文属于因果推断中处理信息性删失(dependent censoring)的应用型方法论文,与您关注的纵向因果推断和流行病学应用相关。您可以用 very_familiar 的估计理论(如 M-估计)来审视其估计量的渐近性质,或思考其可识别性论证是否可推广到更一般的半参数设定。该文属于应用型方法论文,方法学 novelty 中等,但提供了可操作的 R 实现和真实数据示例,值得作为入门读物。
12. 10.1002/sim.70654 — Novel Distance Regression for Repeated Outcomes With Missing Data: Applications to Longitudinal and Crossover Studies of Microbiome Beta‐Diversity¶
- 作者: Jinyuan Liu, Ke Xu, Jane F. Ferguson, Kaidi Kang, Yue Wang, Yuqi Qiu et al.
- 期刊/来源: Statistics in Medicine
- 机构: Vanderbilt University · University of Colorado Anschutz · East China Normal University · University of California San Diego · University of Florida Health · University of Florida
- 分类: vol 45 · issue 15-17
- 相关性 5/10 · novelty:
application - 摘要: 本文针对微生物组纵向或交叉设计中重复测量的 beta 多样性距离结果,提出一种新的半参数距离回归方法 Edger(Ensembled semiparametric distance-based generalized estimation for repeated outcomes)。研究目标是在高维、稀疏、组内相关和缺失数据并存的复杂数据下,估计协变量(如治疗或宿主生理指标)对群落间距离的边际效应,并给出可解释的回归系数。方法上,Edger 采用广义估计方程(GEE)框架,但通过半参数推断避免耗时的置换检验,并利用协变量分块(covariate batching)策略缓解遗漏变量偏倚。针对缺失数据,在 MAR 假设下引入受试者间倾向评分,实现无需整例删除的联合推断,并保证方差估计的稳健性。此外,作者提出一种从真实微生物计数生成合成数据的算法,保留其零膨胀和相关结构。数值研究和真实数据应用表明 Edger 在检验功效和计算效率上优于现有方法。对您而言,该文的半参数 GEE 与倾向评分加权结合策略,以及处理纵向相关和缺失的推断框架,对您 causal inference 中 longitudinal 和 mediation 方向的估计方法设计有直接参考价值。
- 关键技术:
generalized estimating equations,semiparametric inference,propensity score weighting,missing at random,covariate batching,synthetic data generation - 为什么对您有用: 该文属于因果推断中纵向数据处理的实证方法论文,直接关联您 primary interest 中的 longitudinal causal inference 和缺失数据问题。其半参数 GEE 与倾向评分加权结合的策略,可用您 very_familiar 的 estimation theory in causal inference 和 moderately_familiar 的 semiparametric theory 来评估其估计的渐近性质和稳健性。中期可做:若想深入拓展,可在 moderately_familiar 的 identification theory 上加强,以处理更复杂的缺失机制或因果效应识别。
数理统计 / 假设检验 (hypothesis_testing, 4 篇)¶
1. 10.1002/sim.70657 · arXiv — Covariate Adjustment for Wilcoxon Two Sample Statistic and Test¶
- 作者: Zhilan Lou, Jun Shao, Ting Ye, Tuo Wang, Yanyao Yi, Yu Du
- 期刊/来源: Statistics in Medicine
- 分类: vol 45 · issue 15-17
- 相关性 7/10 · novelty:
new_method - 摘要: 本文针对两样本比较中的 Wilcoxon 秩和统计量与 Mann-Whitney 检验,提出通过校准进行协变量调整的方法。该方法不仅提高了估计和推断的效率,还扩展了 Wilcoxon 统计量在协变量自适应随机化场景下的适用性。作者建立了调整后 Wilcoxon 统计量的渐近分布,并明确给出了效率增益的保证。关键结果是调整后统计量的渐近分布在所有常用协变量自适应随机化方案下保持不变,从而允许使用统一的推断公式。效率增益通过协变量与秩得分的相关性实现,类似于线性模型中的方差缩减。
- 关键技术:
covariate adjustment via calibration,Wilcoxon-Mann-Whitney test,asymptotic distribution,covariate-adaptive randomization,efficiency gain - 为什么对您有用: 该论文直接关联到因果推断中的随机化试验和协变量调整,特别是协变量自适应随机化下的推断问题,属于 primary interest 中 causal inference 的 estimation 方向。可用 very_familiar 的 nonparametric statistics 和 estimation theory 来验证其渐近结果,并考虑将调整方法推广到其他 U-statistic 型检验。
2. 10.1002/sim.70638 · arXiv — Optimal Weighted Tests for Replication Studies and the ‘Two‐Trials Rule’ With Multiple Hypotheses¶
- 作者: David S. Robertson, Thomas Jaki
- 期刊/来源: Statistics in Medicine
- 分类: vol 45 · issue 15-17
- 相关性 5/10 · novelty:
new_method - 摘要: 本文研究在多重假设检验背景下,如何设计最优加权 Bonferroni 程序来整合原始研究与复制研究的结果,以推广临床药物审批中的“两试验规则”。目标是在控制 FWER 的同时最大化析取功效(至少拒绝一个非零假设的概率),权重基于原始研究的 p 值或效应量。作者提出一种基于原始研究结果的最优权重选择方法,并证明该程序能显著提高成功概率(PoS),且对两研究间效应量变化具有稳健性。理论上,该方法恢复了“两试验规则”的按提交类型 I 错误率控制,并给出了加权 Bonferroni 的最优性条件。模拟和实例分析表明,与等权重或固定权重相比,所提方法在多种效应量配置下具有更高的功效。对您而言,本文连接了多重检验与复制研究设计,其最优加权思想可迁移到您熟悉的假设检验框架中,尤其适合作为临床试验中多重性控制的实用参考。
- 关键技术:
weighted Bonferroni procedure,disjunctive power,familywise error rate control,optimal weight selection,probability of success - 为什么对您有用: 本文属于假设检验方向,直接对应您 primary interest 中的 hypothesis testing。其核心是最优加权 Bonferroni 程序,您可用 very_familiar 的 minimax 和多重检验工具来验证其最优性条件,或扩展至更一般的加权框架。中期可做:结合您 moderately_familiar 的 M-estimation 理论,将权重估计与效应量不确定性建模结合。
3. 10.1002/sim.70662 — Adaptive Sequential Multiple Hypotheses Testing for Concomitant Vaccine Safety Surveillance¶
- 作者: Ivair R. Silva, Lily Wang, Judith C. Maro
- 期刊/来源: Statistics in Medicine
- 机构: Universidade Federal de Ouro Preto · Harvard University · Harvard Pilgrim Health Care · Centers for Disease Control and Prevention
- 分类: vol 45 · issue 15-17
- 相关性 5/10 · novelty:
new_method - 摘要: 本文针对疫苗安全监测中同时监测多种疫苗组合暴露(如仅流感、新冠+流感、新冠+流感+RSV)的不良事件风险,提出自适应多重假设检验方法。将二项分布的极大化序贯概率比检验(MaxSPRT)推广到多项分布模型,以同时监测多个暴露组合。采用精确解析alpha花费方法,在计算上可行时最多支持两种疫苗的组合;对于三种及以上疫苗和多个不良事件终点,提出有效的蒙特卡洛方法。通过R包Sequential进行示例和模拟研究,验证了方法的有效性。该方法为疫苗安全监测提供了快速检测风险增加的统计工具,对您而言,其序贯检验和多重比较的框架可能与您在高维假设检验和多重检验校正方面的兴趣相关。
- 关键技术:
MaxSPRT,multinomial model,alpha spending,Monte Carlo,sequential testing - 为什么对您有用: 本文属于假设检验领域,特别是序贯多重检验,与您的主要兴趣(hypothesis testing)直接相关。您可以用您熟悉的非参数统计和M估计理论来审视其检验的渐近性质,或探索其在高维场景下的扩展。中期可做:需先熟悉序贯分析的具体理论(如alpha spending函数),这属于您moderately_familiar的M估计理论范畴。
4. 10.1002/sim.70673 — Frequentist Identification of Effective Baskets via the Generalized Information Criteria in Oncology Phase 2 Trials¶
- 作者: Shunya Tanaka, Ryota Ohara, Satoshi Hattori
- 期刊/来源: Statistics in Medicine
- 机构: The University of Osaka
- 分类: vol 45 · issue 15-17
- 相关性 4/10 · novelty:
new_method - 摘要: 本文针对肿瘤二期篮式试验(basket trial)中有效篮子(effective basket)的识别问题,提出了一种基于广义信息准则(GIC)的改进方法。在单臂、精确二项检验的常规框架下,作者指出先前提出的 GIC 存在不良性质,并构造了新的 GIC 以更有效地跨篮子借用信息。新方法通过数值研究展示了优于原 GIC 的表现,且保持了频率学派的推断性质。该工作属于假设检验与模型选择在临床试验设计中的应用,涉及多重比较与信息准则的调整。
- 关键技术:
generalized information criterion (GIC),basket trial,exact binomial test,Mantel-Haenszel estimation,information borrowing - 为什么对您有用: 本文属于假设检验与模型选择在临床试验中的应用,与您的主要兴趣(hypothesis testing)直接相关。虽然不涉及高深理论,但 GIC 的构造与调整可作为模型选择问题的实例。从武器库看,您对非参数统计和 M-估计理论熟悉,可尝试分析新 GIC 的渐近性质或与多重比较校正的联系,属于中期可做(需在 M-估计理论上稍加延伸)。
流行病学 (epidemiology, 4 篇)¶
1. 10.1002/sim.70660 — Latent Class Log‐Linear Models for Estimating Diagnostic Test Accuracy Without a Gold Standard: A Simulation Study¶
- 作者: Yasin Okkaoglu, Nicky J. Welton, A. E. Ades, Hayley E. Jones
- 期刊/来源: Statistics in Medicine
- 机构: University of Bristol
- 分类: vol 45 · issue 15-17
- 相关性 5/10 · novelty:
application - 摘要: 在无金标准诊断试验准确性评估中,本文系统评估了贝叶斯二类潜类别对数线性模型在估计灵敏度、特异度和患病率时的表现。作者从潜特质、固定效应和对数线性三类数据生成机制下模拟数据,依赖结构参考四个真实数据集,并考虑三种样本量。拟合了条件独立模型、包含‘正确’两两交互项的对数线性模型,以及含所有交互项并施加收缩先验的模型,比较偏差、覆盖率、残差偏差和DIC。结果显示,纳入正确两两依赖的对数线性模型较条件独立模型有实质改进,但性能受样本量影响;收缩先验在依赖仅存在于单一疾病类别时表现合理,但在复杂依赖结构下收敛性差。结论认为,当条件依赖结构已知时,潜类别对数线性模型是相对稳健的选择;结构未知时收缩先验有潜力但面临收敛挑战。
- 关键技术:
latent class models,log-linear models,Bayesian estimation,shrinkage priors,conditional dependence,simulation study - 为什么对您有用: 本文属于流行病学领域的应用型研究,直接涉及诊断试验准确性评估中的无金标准问题,与您的流行病学应用兴趣相关。作为应用论文,其模拟设计和模型比较框架对您可能有用,但方法学新颖性有限。您可用熟悉的贝叶斯计算和模型诊断工具快速评估其结论的稳健性,但无需深入方法学细节。
2. 10.1002/sim.70675 · arXiv — Multi‐Level Latent Variable Models for Coheritability Analysis in Electronic Health Records¶
- 作者: Yinjun Zhao, Nicholas Tatonetti, Yuanjia Wang
- 期刊/来源: Statistics in Medicine
- 机构: Columbia University · Cedars-Sinai Medical Center
- 分类: vol 45 · issue 15-17
- 相关性 5/10 · novelty:
application - 摘要: 本文针对电子健康记录(EHR)中基于家系的遗传力与共遗传力估计问题,提出一个多水平潜变量模型框架,以同时处理连续和二元表型。该模型将表型协方差分解为可解释的遗传与环境成分,并纳入家系内与家系间的变异,以更真实地刻画家族相关结构。估计采用基于广义估计方程(GEE)的迭代算法,模拟研究表明估计量具有一致性且推断有效。应用于大型城市医疗系统的真实EHR数据,发现精神健康与内分泌/代谢表型之间存在显著遗传相关,支持共享病因假说。该工作为高维EHR数据的共遗传力分析提供了可扩展且严谨的框架。
- 关键技术:
multi-level latent variable models,generalized estimating equations (GEE),heritability and coheritability estimation,binary and continuous phenotypes,familial correlation structures - 为什么对您有用: 本文属于流行病学应用,使用因果推断中常见的家族数据与潜在变量建模,但方法学核心是GEE与方差分解,与您的主要兴趣(如半参数理论、U统计量)关联较弱。作为流行病学方向的入门读物,它清晰展示了EHR家族数据的分析流程,但统计方法较为常规。您的武器库(如半参数效率理论)足以理解并可能改进其推断效率,但当前无需深入。
3. 10.1002/sim.70661 · arXiv — A Mixture of Distributed Lag Non‐Linear Models to Account for Spatially Heterogeneous Exposure‐Lag‐Response Associations¶
- 作者: Álvaro Briz‐Redón, Ana Corberán‐Vallet, Adina Iftimi, Carmen Íñiguez
- 期刊/来源: Statistics in Medicine
- 机构: Universitat de València
- 分类: vol 45 · issue 15-17
- 相关性 5/10 · novelty:
application - 摘要: 本文针对环境流行病学中暴露-滞后-反应关系(如空气污染与健康结局)的空间异质性问题,提出 DLNM-Clust:一种分布式滞后非线性模型(DLNM)的混合模型。传统 DLNM 假设研究区域内暴露-滞后-反应关联是同质的,忽略空间异质性可能导致风险估计偏倚。DLNM-Clust 在贝叶斯框架下,将每个地理单元概率性地分配到若干潜在空间簇,每个簇对应一个不同的 DLNM 设定,从而同时捕捉共同模式和局部特异偏离。方法应用于比利时市级空气污染与 COVID-19 发病率的时间序列数据,展示了空间感知建模在环境流行病学中的重要性,支持区域特定风险评估和精准公共卫生干预。该文是应用导向的方法学贡献,其贝叶斯混合模型框架对处理空间异质性的流行病学数据具有参考价值。
- 关键技术:
Distributed Lag Non-Linear Model (DLNM),Bayesian mixture model,latent spatial clustering,time-series epidemiology,air pollution health effects - 为什么对您有用: 本文属于流行病学应用方向,直接对应您的 secondary interest 中流行病学应用因果推断的关切。虽然方法不是您主攻的因果推断或高维理论,但 DLNM 是环境流行病学中估计暴露滞后效应的标准工具,其空间异质性扩展对您理解纵向暴露-反应数据建模有参考价值。作为 gateway reading,本文方法学新颖性中等,但数据和分析流程清晰,可作为了解环境流行病学数据结构的入门材料。武器库中非参数统计和贝叶斯建模知识足以支撑理解,但无需深入跟进。
4. 10.1002/sim.70656 · arXiv — A Bayesian Learning Model for Joint Risk Prediction of Alcohol and Cannabis Use Disorders¶
- 作者: Rajapaksha Mudalige Dhanushka S. Rajapaksha, Tingfang Wang, Thanthirige Lakshika M. Ruberu, Joseph M. Boden, Pankaj K. Choudhary, Swati Biswas
- 期刊/来源: Statistics in Medicine
- 机构: The University of Texas at Dallas · University of Otago
- 分类: vol 45 · issue 15-17
- 相关性 4/10 · novelty:
application - 摘要: 本文提出一个联合贝叶斯学习模型,用于预测青少年酒精和/or大麻使用者成年后发展为酒精使用障碍(AUD)和大麻使用障碍(CUD)的风险。模型基于美国全国代表性纵向数据Add Health,针对仅用酒精、仅用大麻、两者兼用三组用户分别建立子模型,利用共享和特有风险因素,共包含十个预测变量。模型在外部两个独立数据集上验证,AUD和CUD的AUC分别在0.65-0.75和0.69-0.75之间。模拟研究表明,联合建模在预测准确性上通常优于分别的单变量建模。该模型有助于识别高风险青少年使用者,以便进行干预。作为应用型论文,方法学新颖性有限,但提供了完整的预测建模流程和外部验证框架。
- 关键技术:
Bayesian joint modeling,multivariate binary outcomes,external validation,AUC,simulation study - 为什么对您有用: 本文属于流行病学应用,使用纵向队列数据(Add Health)进行风险预测,与您的secondary interest(流行病学应用、因果推断)相关。作为应用论文,其价值在于数据集和建模流程,而非方法学创新。武器库中的非参数统计和因果推断工具足以理解其方法,但无需深入。可作入门读物,了解流行病学预测建模的常见做法,但可能不值得花时间精读全文。
其他 (other, 10 篇)¶
1. 10.1002/sim.70665 · arXiv — Transformation Discriminant Analysis for Constructing Optimal Biomarker Combinations¶
- 作者: Ainesh Sewak, Sandra Siegfried, Torsten Hothorn
- 期刊/来源: Statistics in Medicine
- 机构: University of Bern · University of Zurich
- 分类: vol 45 · issue 15-17
- 相关性 6/10 · novelty:
application - 摘要: 本文提出变换判别分析(TDA)框架,用于构建最优生物标志物组合的诊断评分。在似然比函数下组合多个生物标志物,理论上可达到最优诊断性能。TDA 保持完全参数化,能灵活适应偏态分布和疾病组间不同的依赖结构,同时在小样本下仍可进行似然推断。通过模拟研究对比了 logistic 回归等常用方法,并在肝细胞癌数据上展示了实用性。提供了开源 R 实现。该方法本质上是参数化判别分析,与您的主要兴趣(因果推断、高维统计等)关联较弱,但可作为统计方法在生物医学诊断中的应用参考。
- 关键技术:
transformation discriminant analysis,likelihood ratio,parametric modeling,small-sample inference - 为什么对您有用: 本文属于应用统计方法,与您的主要兴趣(因果推断、高维统计等)关联较弱,但可作为统计方法在生物医学诊断中的应用参考。
2. 10.1002/sim.70658 — Predictor‐Assisted Nonparametric Graphical Models With Multivariate Error‐Prone Data¶
- 作者: Li‐Pang Chen
- 期刊/来源: Statistics in Medicine
- 机构: National Chengchi University
- 分类: vol 45 · issue 15-17
- 相关性 6/10 · novelty:
application - 摘要: 本文针对多变量响应存在测量误差时的网络推断与变量选择问题,提出一个模型无关的框架。目标是在微RNA表达谱中恢复条件依赖网络,同时利用基因表达作为辅助协变量,并处理非线性关系与测量误差。方法上,用随机森林建模边际响应-协变量关系并内置误差校正,再将图形lasso扩展以恢复条件依赖结构。模拟与胶质母细胞瘤数据分析显示,该方法在识别网络结构与选择信息协变量上优于现有技术。对您而言,该文属于应用统计方法在生物医学网络推断中的尝试,与您的主要兴趣(如高维统计、非参数方法)有间接关联,但方法论新颖性有限。
- 关键技术:
random forests,graphical lasso,measurement error correction,network inference,variable selection - 为什么对您有用: 本文涉及高维网络推断与测量误差,与您的高维统计和因果推断兴趣有间接联系,但核心方法(随机森林+图形lasso)并非您武器库中的前沿工具。作为应用导向的论文,可作了解生物医学网络推断的入门读物,但方法学贡献一般,不值得深入展开。
3. 10.1002/sim.70669 · arXiv — LEARNER: A Transfer Learning Method for Low‐Rank Matrix Estimation¶
- 作者: Sean McGrath, Cenhao Zhu, Ryan O'Dea, Min Guo, Rui Duan
- 期刊/来源: Statistics in Medicine
- 机构: Yale University · Massachusetts Institute of Technology · Harvard University
- 分类: vol 45 · issue 15-17
- 相关性 6/10 · novelty:
application - 摘要: 本文提出 LEARNER,一种用于低秩矩阵估计的迁移学习方法,目标是在异质数据源中利用源人群数据提升目标人群的估计精度。方法通过对目标数据施加低秩近似,并惩罚源与目标人群潜在行/列空间之间的差异来实现迁移。作者提出交叉验证方案以自适应人群间的异质性程度。大量模拟显示,尤其在源人群信噪比高时,LEARNER 常优于仅用目标数据的基准方法。在 BioBank Japan 队列的 GWAS 汇总统计再分析中进行了实证比较。方法已实现为 R 包 learner 和 Python 包 learner-py。对您而言,该文涉及低秩矩阵估计与迁移学习,与您的高维统计和统计计算兴趣有一定关联,但方法学新颖性有限。
- 关键技术:
low-rank matrix estimation,transfer learning,latent space penalization,cross-validation,GWAS summary statistics - 为什么对您有用: 该文属于低秩矩阵估计与迁移学习的应用型方法,与您的高维统计和统计计算兴趣有部分重叠,但并非核心方向。作为应用型论文,其 GWAS 数据分析和 R/Python 实现可能对您有参考价值,但方法学深度一般。
4. 10.1002/sim.70649 — Semiparametric Panel Count Model, With Applications to Signal Detection in Post‐Market Drug Surveillance Systems¶
- 作者: Yizhao Zhou, Ao Yuan, Ming Tan
- 期刊/来源: Statistics in Medicine
- 机构: Georgetown University
- 分类: vol 45 · issue 15-17
- 相关性 6/10 · novelty:
application - 摘要: 本文针对上市后药物安全监测中的面板计数数据,提出一个半参数非齐次面板计数模型,以解决过量零计数和协变量调整问题。模型通过 EM 算法估计,其中 M 步的非参数分量被转化为类似保序回归的优化问题。作者推导了估计量的强相合性和渐近分布。模拟研究显示该方法在信号检测中具有高功效、高特异性和敏感性。最后应用于 VigiBase 数据集进行不良事件信号检测。
- 关键技术:
semiparametric panel count model,EM algorithm,isotonic regression,excessive zero counts,signal detection - 为什么对您有用: 本文属于流行病学应用,涉及药物安全监测中的计数数据建模,与您的流行病学应用兴趣相关。但方法学上主要是半参数计数模型和 EM 算法,与您的核心兴趣(因果推断、高维统计等)关联较弱。作为入门读物,本文对非参数分量估计的优化视角可能有一定启发,但武器库足以支撑理解,无需特别投入。
5. 10.1002/sim.70613 — Subgroup Analysis of Interval‐censored Failure Time Data With Application to Alzheimer's Disease¶
- 作者: Mingyue Du, Yuxiang Wu, Hui Zhao, Jianguo Sun
- 期刊/来源: Statistics in Medicine
- 机构: Jilin University · University of Missouri · Zhongnan University of Economics and Law · Southern University of Science and Technology
- 分类: vol 45 · issue 15-17
- 相关性 6/10 · novelty:
application - 摘要: 本文研究区间删失失效时间数据下的亚组分析问题,设定为异质性Cox比例风险模型,目标是同时识别亚组结构、重要预测变量及其效应,并估计亚组个数。方法上提出 sieve 惩罚极大似然估计(sieve penalized MLE),通过惩罚项实现变量选择和亚组聚类,并利用 sieve 近似处理基线风险函数的非参数部分。理论部分给出了估计量的渐近性质(如相合性和渐近正态性),模拟研究评估了有限样本表现,最后应用于阿尔茨海默病真实数据。该方法属于高维/半参数框架下的聚类与变量选择结合问题,与您的主要兴趣(半参数理论、高维统计)有部分交集,但更偏向应用统计与生物统计,方法学新颖性一般。
- 关键技术:
sieve penalized maximum likelihood,heterogeneous Cox model,interval-censored data,subgroup analysis,variable selection - 为什么对您有用: 本文涉及半参数模型(Cox模型)下的惩罚估计与亚组识别,与您的半参数理论和非参数估计兴趣有交集,但核心是应用导向,方法学创新有限。作为流行病学/生物统计应用,可作入门阅读,但武器库(如sieve方法、惩罚似然)足以支撑理解,无需额外工具。
6. 10.1002/sim.70646 · arXiv — Beyond Fixed Thresholds: Optimizing Summaries of Wearable Device Data via Piecewise Linearization of Quantile Functions¶
- 作者: Junyoung Park, Neo Kok, Irina Gaynanova
- 期刊/来源: Statistics in Medicine
- 机构: University of Michigan
- 分类: vol 45 · issue 15-17
- 相关性 5/10 · novelty:
application - 摘要: 本文研究可穿戴设备数据(如连续血糖监测 CGM 和活动记录仪)的汇总统计量,即基于固定阈值的时间百分比。作者提出用损失函数量化原始经验分布与其阈值离散化之间的差异,并引入两种损失:一种重构原始分布,另一种保持成对样本距离。以 Wasserstein 距离为基础,将损失最小化转化为分位数函数的最优分段线性化问题,并通过逐步算法和差分进化求解。还提出半监督方法,允许部分阈值由科学依据预先设定。在多种人群的 CGM 数据上,数据驱动阈值因人群而异,提高了判别力,并与临床变量的关联强于固定阈值。
- 关键技术:
Wasserstein distance,quantile function piecewise linearization,differential evolution,stepwise algorithms,semi-supervised threshold optimization - 为什么对您有用: 本文属于应用统计方法,涉及分布近似和优化,与您的主要兴趣(如非参数统计、统计计算)有间接联系,但并非核心方向。作为流行病学或应用统计的入门读物,它展示了如何将分布距离用于实际数据汇总,但方法学新颖性有限。武器库中的非参数工具和优化方法足以理解,但无需深入跟进。
7. 10.1002/sim.70664 — Composite Categorical Regression for Correlated Categorical Exposures: Application to Adverse Childhood Experiences and Their Health Effects¶
- 作者: Boxian Wei, Guangyu Yang, Min Zhang
- 期刊/来源: Statistics in Medicine
- 机构: Tsinghua University · Renmin University of China
- 分类: vol 45 · issue 15-17
- 相关性 4/10 · novelty:
application - 摘要: 本文针对不良童年经历(ACEs)这类高度相关的分类暴露变量,提出复合分类回归(CCR)方法,以刻画其对成年抑郁的联合效应并识别关键暴露。CCR 将联合效应建模为暴露哑变量的带约束加权和,通过聚合各暴露哑变量的权重衡量其相对贡献,并采用数据自适应阈值识别关键暴露。参数估计通过带权重约束的凸优化问题求解,算法具有可扩展性。模拟研究表明 CCR 在有限样本下表现良好。应用于行为风险因素监测系统(BRFSS)数据,结果与已知有害 ACEs 一致,并揭示照护者言语暴力对成年抑郁的潜在作用。该方法为相关分类暴露的回归分析提供了一种新的正则化思路,但其理论性质(如估计量的渐近分布、阈值选择的最优性)尚待深入探讨。
- 关键技术:
constrained convex optimization,weighted sum of dummy variables,data-adaptive thresholding,composite regression - 为什么对您有用: 本文属于流行病学应用,涉及分类暴露的联合效应建模,与您的流行病学应用兴趣相关;但其方法本质是带约束的回归,与您熟悉的正则化估计有交集,可用您掌握的凸优化和渐近理论分析其估计量的性质。
8. 10.1002/sim.70645 — Pragmatic Designs for Combining Cyclic Laboratory and Monitor Data¶
- 作者: Aijun Ye, Neil J. Perkins, Anindya Roy
- 期刊/来源: Statistics in Medicine
- 机构: National Institutes of Health · University of Maryland, Baltimore County
- 分类: vol 45 · issue 15-17
- 相关性 4/10 · novelty:
application - 摘要: 本文研究结合周期性实验室测量与家庭监测数据的成本效益设计问题,目标是在激素等周期性生物过程研究中,用少量高精度但昂贵的实验室测量配合大量廉价监测数据,提高多种效应估计的效率。作者基于 D-optimality 准则确定实验室测量的采样时间,提出一种组合设计,并与两种常见替代方案(全部使用实验室测量、等间隔实验室测量)比较。结果显示,所提设计在效率上接近理想的全实验室测量设计,且显著优于等间隔设计;在检测限(LOD)下模型稳健性良好,估计基本无偏。通过模拟黄体生成素和雌激素月经周期轨迹的临床研究实例,展示了组合设计在成本与效率上的优势。该文属于应用统计设计领域,方法学创新有限,但对周期性纵向数据的采样设计有实际参考价值。
- 关键技术:
D-optimality,cyclic mixed-effects models,cost-effectiveness design,limits of detection,longitudinal data - 为什么对您有用: 本文涉及纵向数据与效应估计效率,与您 primary interest 中的 longitudinal causal inference 和 semiparametric theory 有间接关联,但核心是实验设计而非因果识别或推断方法。作为流行病学应用(激素周期研究)可作 gateway reading,但方法学迁移性不强。武器库中的非参数统计和 M-估计理论足以理解其设计准则,但无需深入。
9. 10.1002/sim.70666 — Interpretable Bayesian Modeling for Multireader Multicase Studies: Addressing Overdispersion and Limited Sample Size in Diagnostic Enhancement Evaluation¶
- 作者: Paul‐Philipp Jacobs, Ingo G. Steffen, Constantin Ehrengut, Susann Bräuer, Hans‐Jonas Meyer, Timm Denecke
- 期刊/来源: Statistics in Medicine
- 机构: Leipzig University · Charité - Universitätsmedizin Berlin · University Medical Center Hamburg-Eppendorf
- 分类: vol 45 · issue 15-17
- 相关性 4/10 · novelty:
application - 摘要: 本文针对多读者多病例(MRMC)诊断试验中评估新型影像增强技术(如骨抑制成像)对二分类诊断性能的影响,提出一个贝叶斯分层 Beta-Binomial 模型。该模型显式刻画读者间异质性导致的过度离散,通过 Beta 先验处理类别不平衡,并利用先验信息对读者水平的总体参数进行正则化,以应对读者数少、样本量小、效应量小的挑战。模拟研究表明,在高过度离散和小样本下,该模型相比经典线性模型(如广义线性混合模型)具有更低的估计误差和更好的稳健性。在真实胸部 X 光数据集上的应用展示了其实用价值,并强调了在试验设计和分析中考虑过度离散与先验信息的重要性。对您而言,本文属于医学影像诊断试验的应用统计工作,其贝叶斯分层建模思路与您关注的纵向/聚类数据中的因果推断有一定交集,但方法学新颖性有限。
- 关键技术:
Bayesian hierarchical model,Beta-Binomial distribution,overdispersion modeling,class imbalance handling,prior regularization,multireader multicase (MRMC) design - 为什么对您有用: 本文属于流行病学/医学诊断领域的应用统计工作,可作为流行病学应用方向的入门读物,展示了贝叶斯分层模型在处理小样本和过度离散时的实用性。您的武器库(如 M-估计、因果推断中的分层模型)足以理解其方法,但本文方法学贡献不大,不值得深入阅读,仅可作为了解 MRMC 设计和贝叶斯建模应用的背景材料。
10. 10.1002/sim.70642 · arXiv — A Multi‐Stage Drop‐the‐Loser Design With Superiority Boundaries¶
- 作者: Peter Greenstreet, Manel Khan, Salmaan Kanji, Pouya Motazedian, Andrew Seely, Stephanie Sibley et al.
- 期刊/来源: Statistics in Medicine
- 分类: vol 45 · issue 15-17
- 相关性 4/10 · novelty:
new_method - 摘要: 本文提出一种多阶段 drop-the-loser 临床试验设计,在每阶段淘汰固定数量的治疗组,并允许因优效性提前终止整个试验,以在降低最大样本量的同时减少期望样本量。作者推导了 I 类错误率、功效和期望样本量的解析表达式,并与传统 MAMS 及标准 drop-the-loser 设计进行比较。设计动机来自一项房颤试验,结果显示新设计在期望样本量上显著优于标准 drop-the-loser 设计,且最大样本量低于传统 MAMS 或多个独立试验。文章还讨论了实施该设计的关键要求和适用场景。对您而言,该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,但其中多阶段决策和样本量优化的思想可能对纵向或序贯研究设计有参考价值。
- 关键技术:
multi-arm multi-stage (MAMS) design,drop-the-loser design,group sequential methods,type I error control,sample size calculation - 为什么对您有用: 本文属于临床试验设计,与您的主要兴趣(因果推断、高维统计等)无直接交集,但其中多阶段决策和样本量优化的思想可能对纵向或序贯研究设计有参考价值。作为方法学论文,其解析推导和设计比较对统计学家有一定参考意义,但并非您当前研究方向的直接推进。
Maintained by 陈星宇 · Homepage · Source on GitHub