跳转至

StatMed — Vol 45 Issue 18-19 · 2026-10-16

  • 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,主题分布较广,但可大致归为四条主线:因果推断与治疗策略(约 8 篇)、临床试验设计与贝叶斯自适应方法(约 7 篇)、纵向/生存数据中的缺失与信息性过程(约 6 篇)、以及高维/函数型数据与混合模型(约 5 篇)。其余散落在假设检验、诊断指标、流行病学建模等方向。因果推断类论文数量最多且方法多样,从非参数中介、工具变量、动态治疗规则到敏感性分析均有涉及;临床试验设计类则集中在贝叶斯自适应、剂量优化与多阶段无缝设计;纵向数据类聚焦于信息性访问与缺失机制;函数型与混合模型类则偏向应用驱动的方法扩展。

因果推断主线中,Non‐Parametric Mediation Analysis of Non‐Markov Illness‐Death Model 通过反事实风险定义放松了 Markov 假设,用核估计处理中间事件时间,是本期对中介分析理论推进最直接的一篇;Estimating Optimal Site‐Specific Individualized Treatment Rules 提出异质分布式学习(HD-learning),在隐私限制下仅用汇总数据估计站点特异 ITR,并给出收缩版本,兼顾高维协变量;Optimal Dynamic Treatment Regimes for High‐Dimensional AFT Model 将 DTR 与高维生存数据结合,用反向归纳和 SDAR 算法处理删失,理论上有指数收敛速度;Improving Sensitivity Analysis by Synthesizing RCTs 则在有限重叠条件下用 RCT 收紧观察性 ATE 的界,属于敏感性分析框架下的信息融合。此外,A Cautionary Note for Plasmode Simulation 和 On the Statistical Limitations of Landmark Analysis 两篇偏诊断性,前者指出 plasmode 框架对 IPW/TMLE 评估的系统性偏差,后者推导 landmark 分析的闭式偏倚,均对实证研究有警示价值。

纵向与缺失数据主线中,Inverse‐Intensity‐Weighted GEE With Informative Dropout 扩展了 IIW-GEE 框架,将 dropout 机制纳入访问强度模型,直接回应健康结局影响退出时的偏倚问题;Joint Modeling of Longitudinal Data and Potentially Informative Visiting Process 用相关随机效应连接标记物与 gap time 访问过程,边际似然仅需一维积分,可动态预测下次访问时间,计算上具有优势。临床试验设计主线中,A Randomized Basket Trial Design for Dose Optimization 用 spike-and-slab 先验建模篮子间异质性,在剂量-反应评估中兼顾疗效与毒性;Bayesian Optimal Adaptive Design for Sequentially Integrated Therapies 针对序贯整合疗法设计自适应停止规则,控制族系错误率。这两篇虽非因果推断核心,但其贝叶斯模型平均与自适应决策思想与动态治疗策略有方法论上的呼应。

若按主题优先阅读:因果推断方向建议先看 Non‐Parametric Mediation Analysis、Estimating Optimal Site‐Specific ITRs 和 Improving Sensitivity Analysis,分别对应中介识别、异质性 ITR 与敏感性分析;半参数/效率方向可关注 Efficient Variance Estimation for the Polytomous Discrimination Index(U-统计量解析方差)与 Generalized Multilevel Multisource Functional Regression(函数型主成分估计);高维方向则看 Low‐Rank Variational Correction Estimation 与 Variable Selection in Multilevel Functional Mixed Effects Models,前者涉及变分推断与高维分位数回归,后者处理函数型混合模型的变量选择。

因果推断 (causal_inference, 12 篇)

1. 10.1002/sim.70685 — Non‐Parametric Mediation Analysis of Non‐Markov Illness‐Death Model

  • 作者: Li‐Sheng Zhuang, Jih‐Chang Yu, Yen‐Tsung Huang
  • 期刊/来源: Statistics in Medicine
  • 机构: National Tsing Hua University · Institute of Statistical Science, Academia Sinica · National Taipei University
  • 分类: vol 45 · issue 18-19
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文在 illness-death 模型框架下研究非参数中介分析,目标是估计暴露对终点事件的直接与间接效应,其中中介为中间事件(如败血症)的发生时间。现有方法要么缺乏因果解释,要么依赖强 Markov 假设(终点事件仅依赖中间事件状态而非其发生时间),本文通过定义基于整个中间事件历史的反事实风险来放松该假设。识别公式涉及对中间事件时间概率密度函数的积分,直接效应与间接效应分别刻画暴露对终点事件不经过和经过中间事件的路径影响。作者提出非参数核估计量并研究其渐近性质,包括一致性、收敛速率和渐近正态性。数值模拟检验了有限样本表现,并将方法应用于肝炎研究,发现丙肝对死亡率的影响在前15年随访中并未通过败血症中介,且该数据中 Markov 假设被违反。本文对您有用之处在于:它属于因果中介分析在纵向生存数据中的前沿扩展,与您的 causal inference(mediation, longitudinal)兴趣直接相关,且非参数估计量的渐近理论可联系到您的 semiparametric/nonparametric theory 工具。
  • 关键技术: counterfactual hazard, nonparametric kernel estimation, illness-death model, mediation analysis, asymptotic normality
  • 为什么对您有用: 本文直接连接 causal inference 中的 mediation 与 longitudinal 子方向,且非参数估计的渐近性质与您的 semiparametric/nonparametric theory 兴趣相关。用您 very_familiar 的 nonparametric statistics 和 minimax bounds 工具,可以检验其核估计量的收敛速率是否最优,或考虑用 higher-order U-statistics 的视角分析估计量的方差结构。中期可做:需在 semiparametric theory 上稍加巩固(moderately_familiar),以推导更高效的一步估计量。

2. 10.1002/sim.70696 — Estimating Optimal Site‐Specific Individualized Treatment Rules With Limited Data Sharing

  • 作者: Nan Qiao, Jingxiao Zhang, Zishu Zhan
  • 期刊/来源: Statistics in Medicine
  • 机构: Beijing University of Technology · Renmin University of China · Southern Medical University
  • 分类: vol 45 · issue 18-19
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究多中心随机试验中,因站点异质性导致最优个体化治疗规则(ITR)随站点变化,且隐私限制禁止共享个体数据时,如何仅用各站点的汇总数据估计站点特定的最优 ITR。作者提出异质分布式学习(HD-learning),采用分布式混合效应模型,同时建模共同固定效应和站点随机效应,仅需单轮通信即可估计。针对中高维协变量,进一步提出收缩版 SHD-learning。在正则条件下建立了估计量的渐近性质,并通过模拟表明所提方法与合并数据的估计器相比无信息损失,且优于忽略异质性的方法。最后用急性上呼吸道感染研究和阿片戒断研究两个实例进行说明。
  • 关键技术: distributed mixed-effects model, summary-level data, single communication round, shrinkage estimation, asymptotic theory
  • 为什么对您有用: 本文直接关联因果推断中的个体化治疗规则估计,且涉及分布式数据下的统计推断,与您对因果推断和统计计算(算法)的兴趣高度契合。您可以用 very_familiar 的软件开发和估计理论,以及 moderately_familiar 的 M-估计理论来审视其渐近性质的证明;中期可做的是将其与您熟悉的 higher-order U-statistics 结合,分析分布式估计量的高阶性质;暂不可做的是若需深入隐私保护的差分隐私机制,则需补充相关工具。

3. 10.1002/sim.70703 — Using Negative Control Outcomes to Detect Selection Bias in Mendelian Randomization Studies

  • 作者: Apostolos Gkatzionis, George Davey Smith, Kate Tilling
  • 期刊/来源: Statistics in Medicine
  • 机构: University of Bristol · MRC Integrative Epidemiology Unit
  • 分类: vol 45 · issue 18-19
  • 相关性 7/10 · novelty: application
  • 摘要: 本文在孟德尔随机化(MR)框架下研究选择偏倚的检测问题,目标是利用阴性对照结局(NCO)来识别因样本选择导致的估计偏倚。作者首先给出了NCO有效性的充分条件,核心要求是NCO与暴露和结局的混杂因素相关,而NCO对选择的影响是次要的,这与直觉相反。方法上,作者通过理论推导和模拟验证了条件,并探讨了年龄和性别作为NCO的适用情形。在UK Biobank数据中,以生物性别和自然发色为NCO,对19个性状的两两因果效应进行MR分析,发现饮酒、BMI和教育程度等常见性状的分析存在选择偏倚。该工作为MR研究提供了一种实用的敏感性分析工具,对您关注的因果推断中的敏感性分析和工具变量方法有直接参考价值。
  • 关键技术: Mendelian randomization, negative control outcomes, selection bias detection, instrumental variables, UK Biobank analysis
  • 为什么对您有用: 本文属于因果推断中工具变量与敏感性分析的交叉点,直接关联您的primary interest中的IV和敏感性分析。您可以用very_familiar的估计理论(如IV估计的渐近性质)来形式化NCO检验的统计功效,或用moderately_familiar的识别理论来扩展NCO条件到更复杂的纵向设定。中期可做:需在identification theory上长肌肉以处理时变混杂。

4. 10.1002/sim.70705 — Optimal Dynamic Treatment Regimes for High‐Dimensional Accelerated Failure Time Model

  • 作者: Shijie Zhao, Wei Zhao
  • 期刊/来源: Statistics in Medicine
  • 机构: Shandong University
  • 分类: vol 45 · issue 18-19
  • 相关性 7/10 · novelty: application
  • 摘要: 本文针对高维加速失效时间(AFT)模型提出多阶段最优动态治疗策略(DTR)估计方法,目标是在高维协变量下最大化个体生存时间。方法采用反向归纳,以反事实生存时间作为每阶段的优化目标,并通过加权反事实生存时间处理删失,随后使用SDAR算法进行参数估计。理论分析在温和条件下给出指数收敛速度和有限样本误差界。模拟研究表明,在高删失率下,该方法相比现有方法能显著改善生存时间估计。最后应用于脓毒症数据集,得到具有临床意义的治疗建议。对您而言,该文将动态治疗策略与高维生存数据结合,是因果推断中时序决策与删失数据处理的交叉点,值得关注。
  • 关键技术: dynamic treatment regimes, accelerated failure time model, backward induction, counterfactual survival times, inverse probability of censoring weighting, SDAR algorithm, high-dimensional regularization
  • 为什么对您有用: 该文直接关联您的主要兴趣中的因果推断(动态治疗策略、反事实)和纵向数据,同时涉及高维统计(正则化、SDAR算法)。您可以用非常熟悉的估计理论(如IPW、半参数效率)来审视其加权反事实估计的效率性,或用高维渐近工具分析其收敛速率。中期可做:若想深入其SDAR算法与高维正则化的理论,需在M估计理论上稍加巩固。总体而言,这是一篇值得展开读的应用方法论文,但理论新颖性有限。

5. 10.1002/sim.70637 · arXiv — Improving Sensitivity Analysis By Synthesizing Randomized Clinical Trials With Limited Overlap

  • 作者: Kuan Jiang, Wenjie Hu, Xinxing Lai, Shu Yang, Xiao‐Hua Zhou
  • 期刊/来源: Statistics in Medicine
  • 机构: Peking University · North Carolina State University · Beijing University of Chinese Medicine
  • 分类: vol 45 · issue 18-19
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对随机对照试验(RCT)外部效度受限与观察性研究内部效度不足的问题,提出一种合成敏感性分析估计量,用于在两组数据协变量重叠有限时,结合RCT数据收紧观察性研究中平均处理效应(ATE)的边界。该方法在敏感性分析框架下,利用RCT数据提供的信息,在“可分离性”条件成立时,证明所提估计量能给出比仅用观察性数据更紧的边界。理论证明与模拟验证了该方法的有效性,并应用于药物有效性比较的观察性数据与部分重叠RCT数据的结合分析,得到更紧的ATE界。
  • 关键技术: sensitivity analysis, partial identification, data fusion, RCT and observational data synthesis, average treatment effect bounds
  • 为什么对您有用: 本文直接关联您的主要兴趣——因果推断中的敏感性分析与数据融合,且涉及部分识别与边界估计,与您熟悉的估计理论在因果推断中的应用高度契合。您可以用非常熟悉的非参数统计与M估计理论来审视其“可分离性”条件的本质,并考虑用您的中等熟悉工具(如半参数理论)推导其影响函数,以评估估计量的效率。中期可做:若想深入,需在识别理论(identification theory)上进一步巩固,以处理更复杂的数据融合场景。

6. 10.1002/sim.70676 · arXiv — A Cautionary Note for Plasmode Simulation Studies in the Setting of Causal Inference

  • 作者: Pamela A. Shaw, Susan Gruber, Brian D. Williamson, Rishi Desai, Susan M. Shortreed, Chloe Krakauer et al.
  • 期刊/来源: Statistics in Medicine
  • 机构: Kaiser Permanente Washington Health Research Institute · University of Washington · Brigham and Women's Hospital · Harvard University · University of California, Berkeley
  • 分类: vol 45 · issue 18-19
  • 相关性 7/10 · novelty: application
  • 摘要: 本文针对因果推断中的 plasmode 模拟研究提出警示,指出两种流行的 plasmode 框架在评估点治疗效应估计量时存在系统性偏差。作者通过数值实验和理论结果证明,其中一种框架(基于重采样真实数据并叠加模型生成的反事实)会导致某些估计量(如 IPW、TMLE)被错误地判定为过度有偏。即使在样本量较大或数据来自随机对照试验时,这种偏差依然存在,说明问题并非小样本或混杂所致。文章提供了详细的模拟研究,包括模型生成数据和真实电子健康记录数据,验证了框架选择对估计量性能评估的显著影响。最后,作者给出了选择 plasmode 框架的实用建议,强调应保持理论性质(如双稳健性)以确保方法评估的公平性。对您而言,本文直接关联您在因果推断中的估计理论兴趣,特别是对估计量有限样本性能的评估方法,可能启发您在设计模拟研究时注意框架选择对结论有效性的影响。
  • 关键技术: plasmode simulation, inverse probability weighting, targeted maximum likelihood estimation, double robustness, empirical evaluation
  • 为什么对您有用: 本文属于因果推断中估计量评估的方法论研究,直接关联您的 primary interest 中的 estimation theory in causal inference。您可以用 very_familiar 的软件开发和模拟设计技能,复现并扩展其框架比较,例如引入更高阶的估计量或不同的数据生成机制,属于立即可做的 follow-up。

7. 10.1002/sim.70679 — On the Statistical Limitations of Landmark Analysis for Addressing Immortal Time Bias

  • 作者: Fei Wan
  • 期刊/来源: Statistics in Medicine
  • 机构: Washington University in St. Louis
  • 分类: vol 45 · issue 18-19
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文在潜在结果框架和分段比例风险假设下,系统研究了 landmark 分析用于处理不朽时间偏倚时的统计局限性。作者推导了 naive、exclusion 和 landmark 三种分析的闭式估计量,并通过模拟评估其偏差和功效。核心发现是 landmark 估计无法恢复目标因果效应,因为参照组混合了“从未治疗”和“晚期治疗”的个体,导致效应估计向零衰减,偏差大小取决于真实效应、治疗率和事件率(零假设下除外)。此外,landmark 分析因排除早期事件和效应衰减而显著损失统计功效,其功效甚至可能劣于等样本量的随机试验。作者建议在临床背景下谨慎解读 landmark 分析的小效应,并推荐使用时间依赖回归模型作为更稳健的替代。
  • 关键技术: landmark analysis, immortal time bias, potential outcomes, piecewise proportional hazards, closed-form bias derivation, simulation study
  • 为什么对您有用: 本文直接关联您的主要兴趣——因果推断中的纵向设定与识别问题,特别是对常见但易误用的 landmark 方法提供了理论化的偏差分析。您可以用 very_familiar 的估计理论工具(如处理效应估计的偏差分解)来验证其闭式结果,或扩展至更复杂的治疗机制(如时变混杂)。中期可做:结合您 moderately_familiar 的识别理论,探讨在动态 treatment 下是否存在可识别目标 estimand 的替代设计。

8. 10.1002/sim.70674 · arXiv — Inverse‐Intensity‐Weighted Generalized Estimating Equations With Irregularly Measured Longitudinal Data and Informative Dropout

  • 作者: George Stefan, Eleanor Pullenayegum
  • 期刊/来源: Statistics in Medicine
  • 机构: University of Toronto · Hospital for Sick Children
  • 分类: vol 45 · issue 18-19
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对纵向数据中访问过程不规则且存在信息性缺失(dropout)的问题,研究逆强度加权广义估计方程(IIW-GEE)的偏差。作者指出,当健康结局影响受试者退出研究时,现有 IIW-GEE 方法会产生偏倚。他们扩展了 IIW-GEE 框架,通过将 dropout 机制纳入访问强度模型来调整信息性缺失,从而减少估计偏倚。模拟研究显示,所提方法能显著降低偏倚。作者将该方法应用于 STAR*D 临床试验数据,发现未调整信息性 dropout 时疾病轨迹通常被高估。该方法属于因果推断中处理纵向数据缺失的实用工具,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: inverse-intensity weighting, generalized estimating equations, informative dropout, visit process modeling, longitudinal data
  • 为什么对您有用: 本文属于纵向因果推断中处理信息性缺失的方法学工作,直接关联您的 primary interest 中的 longitudinal causal inference 和 secondary interest 中的流行病学应用。您可以用 very_familiar 的估计理论(如 GEE 的渐近性质)来审视其权重估计的有限样本表现,或考虑将 dropout 模型与更现代的因果推断方法(如 g-formula)结合,属于立即可做的方向。

9. 10.1002/sim.70687 — Fixed or Random Effects: Analysis of Clustered Data

  • 作者: Kevin He, Xiangeng Fang, Yubo Shao, Nicholas Hartman, John D. Kalbfleisch
  • 期刊/来源: Statistics in Medicine
  • 机构: University of Michigan
  • 分类: vol 45 · issue 18-19
  • 相关性 5/10 · novelty: application
  • 摘要: 本文在聚类数据分析的框架下,比较固定效应(FE)与随机效应(RE)模型,目标是量化当 cluster-specific effects 与个体协变量相关时 RE 估计量的渐近偏倚。作者在可解释的依赖模型下推导出 RE 估计量偏倚的近似公式,并通过模拟验证其准确性,从而解释文献中关于 RE 偏倚严重程度的不同结论。方法上不提出新估计量,而是基于标准 RE 估计量的解析展开,给出偏倚的显式表达式,并讨论其与 FE 及相关随机效应(between-within)设定的关系。模拟和真实数据应用表明,偏倚的实际重要性取决于设计特征,如 cluster 大小和相关性强度。对您而言,该偏倚公式的推导涉及混合模型和渐近理论,与您对 semiparametric theory 和 M-estimation 的兴趣相关,可作为理解聚类数据中模型误设偏倚的参考。
  • 关键技术: asymptotic bias approximation, fixed effects vs random effects models, clustered data analysis, correlated random effects, simulation study
  • 为什么对您有用: 本文属于因果推断中纵向/聚类数据建模的范畴,直接关联您对 causal inference 中 longitudinal 和 mediation 的兴趣。其偏倚量化公式可视为一种 sensitivity analysis,您可以用 very_familiar 的 minimax bounds 或 estimation theory 工具来评估该近似公式的紧致性,或将其推广到更一般的依赖结构。中期可做:需在 moderately_familiar 的 semiparametric theory 上进一步熟悉混合模型的渐近理论。

10. 10.1002/sim.70702 — Joint Modeling of Longitudinal Data and Potentially Informative Visiting Process to Dynamically Predict Future Visit Times

  • 作者: Achilleas Stamoulopoulos, Christos Thomadakis, Giota Touloumi
  • 期刊/来源: Statistics in Medicine
  • 机构: National and Kapodistrian University of Athens · Athens University of Economics and Business
  • 分类: vol 45 · issue 18-19
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对纵向队列中访问时间由个体驱动的信息性访问过程,提出联合建模纵向连续标记物与访问过程的框架,目标是动态预测下一次访问时间。访问过程采用 gap time 机制(如 Cox 或 AFT 模型),标记物用线性混合模型,两者通过相关的正态随机效应连接。关键贡献在于边际似然仅需一维积分,与随机效应维度无关,且可扩展到多个连续标记物。基于该模型,利用患者既往 gap times 和标记物历史推导下一次访问时间的动态预测。通过模拟评估预测性能,并应用于雅典多中心 AIDS 队列的 HIV 患者数据。对您而言,该文属于纵向数据与信息性访问过程的联合建模,与您的 longitudinal causal inference 兴趣相关,其似然简化技巧(一维积分)可能对处理复杂随机效应结构有启发。
  • 关键技术: joint modeling, informative visiting process, gap time model, linear mixed model, dynamic prediction, random effects correlation
  • 为什么对您有用: 该文直接关联您的 longitudinal causal inference 子方向,特别是信息性访问过程下的估计与预测问题。您可用 very_familiar 的软件开发和估计理论来复现其动态预测算法,或用 moderately_familiar 的 semiparametric theory 分析其 gap time 模型在非参数设定下的识别性。中期可做:若想深入,需在 joint modeling 的生存-纵向交叉领域补充知识(如时变协变量处理),但当前武器库足以支撑理解与初步扩展。

11. 10.1002/sim.70686 — A Comparison of Testing Procedures for Detecting Short‐ and Long‐Term Effects of Biomarkers for Cancer Screening

  • 作者: Siddharth Roy, Paul S. Albert, Anindya Roy, Danping Liu
  • 期刊/来源: Statistics in Medicine
  • 机构: Division of Cancer Epidemiology and Genetics · University of Maryland, Baltimore County
  • 分类: vol 45 · issue 18-19
  • 相关性 5/10 · novelty: application
  • 摘要: 本文比较了三种用于检测纵向生物标志物与生存结局关联的检验方法:联合模型、条件模型和含时变协变量的Cox模型。在规律年检和中等测量误差的设定下,通过模拟评估了三种方法在检测急性(短期)和长期效应时的检验功效与I类错误率。研究发现Cox模型在各场景下能控制I类错误率并保持较高功效,而条件模型和联合模型在纵向模型误设时I类错误率膨胀,仅在模型正确时功效优于Cox模型。条件模型是唯一能有效区分急性和长期效应的方法,Cox模型的凸似然也带来最快的收敛速度。作者将三种方法应用于PLCO试验中CA-125与卵巢癌关联的研究,结果与模拟一致。对您而言,本文属于纵向因果推断中关联检验的实证比较,其模拟框架和模型误设下的稳健性分析思路可迁移到您的因果推断研究中。
  • 关键技术: joint models, conditional models, Cox model with time-varying covariates, simulation study, Type I error control
  • 为什么对您有用: 本文直接关联您的因果推断(纵向)兴趣子方向,比较了三种处理纵向生物标志物与生存结局的建模框架,并系统评估了模型误设下的检验性质。您可以用非常熟悉的非参数统计和M估计理论来审视其模拟设计,例如检查其数据生成机制是否覆盖了更复杂的轨迹变化,或利用您对U统计量的理解分析检验统计量的高阶性质。中期可做:若想深入,可在您中等熟悉的半参数理论上发力,推导条件模型在更一般设定下的影响函数。

12. 10.1002/sim.70581 — Long Run Non‐Transitivity of Win Ratio and How to Rule It Out

  • 作者: Olga V. Demler, Anna Győrffy‐Kerekes
  • 期刊/来源: Statistics in Medicine
  • 机构: Brigham and Women's Hospital · Harvard University · ETH Zurich
  • 分类: vol 45 · issue 18-19
  • 相关性 4/10 · novelty: application
  • 摘要: 本文研究随机对照试验中复合终点分析常用指标 win ratio (WR) 的长期非传递性(Efron 型),即存在三组 A、B、C 使得长期比较中 A 优于 B、B 优于 C、但 C 优于 A。与 Oakes 型个体层面的 intransitivity 不同,这种非传递性是潜在随机变量的固有属性,无法通过延长观察期或增大样本量解决。作者系统探索了 WR、win proportion (WP) 和 hazard ratio (HR) 在何种条件下可保证传递性,并给出了排除非传递性的充分条件。通过两个已发表的 RCT 案例验证了这些条件的实用性。该工作对依赖 head-to-head 比较作为疗效指标的临床试验设计具有警示意义。
  • 关键技术: win ratio, win proportion, hazard ratio, transitivity conditions, composite endpoints, randomized controlled trials
  • 为什么对您有用: 本文属于因果推断中临床试验疗效比较的应用性方法研究,与您对 causal inference 中估计量和检验性质的理论兴趣相关。您可以用 very_familiar 的估计理论工具(如 U-statistic 的渐近理论)来分析 WR 作为 U-statistic 的传递性条件,或进一步探索在更复杂分层(如纵向数据)下的非传递性刻画。

非参数 / 半参数 (nonparam_semipara, 1 篇)

1. 10.1002/sim.70688 — Generalized Multilevel Multisource Functional Regression With an Application to Alzheimer's Disease

  • 作者: Xiuli Du, Guorong Yi, Yenan Ren, Ziting Zhang, Hui Mi
  • 期刊/来源: Statistics in Medicine
  • 机构: Nanjing Normal University · Beijing Institute of Technology · Zhuhai People's Hospital
  • 分类: vol 45 · issue 18-19
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对阿尔茨海默病纵向研究(如 ADNI)中多水平、多来源的功能性数据,提出广义多水平多来源函数回归模型的估计方法。目标是对多水平多来源函数主成分进行估计,并用于疾病进展的回归建模。方法上,先对单变量多水平函数数据应用多水平函数主成分分析,再利用单变量与多来源主成分模型间的关系,实现基于多来源成分的两阶段估计。进一步,作者提出基于两阶段估计的贝叶斯估计方法,以提升分类性能。数值模拟和实证分析表明,两种方法均有效,且贝叶斯估计在分类性能上显著优于两阶段估计。该方法为处理复杂纵向功能数据提供了新工具,但理论性质(如收敛速率、渐近分布)未深入探讨。
  • 关键技术: multilevel functional principal component analysis, multisource functional data, two-stage estimation, Bayesian estimation, generalized functional regression
  • 为什么对您有用: 本文属于非参数/半参数函数型数据分析的应用,与您的主要兴趣(非参数与半参数理论)有交集,但方法学新颖性有限。作为流行病学/应用因果推断的入门读物,它展示了 ADNI 数据的结构,但武器库中的工具(如 U-统计量、经验过程)难以直接用于其估计方法。暂不可做:核心机器(多水平函数主成分的贝叶斯计算)不在武器库中。

数理统计 / 假设检验 (hypothesis_testing, 4 篇)

1. 10.1002/sim.70697 — Statistical Inference for Covariate‐Adaptive Randomization Procedures With Missing Covariates

  • 作者: Yuhang Tao, Li‐Xin Zhang
  • 期刊/来源: Statistics in Medicine
  • 机构: Zhejiang University · Zhejiang Gongshang University
  • 分类: vol 45 · issue 18-19
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究协变量自适应随机化(CAR)临床试验中,当协变量存在缺失时,对处理效应和协变量效应进行假设检验的理论性质。在单一插补(single imputation)框架下,作者推导了检验统计量的渐近分布,发现传统检验在某些条件下是保守的,即实际第一类错误率低于名义水平。为纠正这种保守性,作者提出调整后的检验,以提高统计功效。进一步,作者将框架扩展到多重插补(multiple imputation)设置,并通过模拟比较其与单一插补的性能。结果表明,调整检验在保持第一类错误控制的同时具有更高功效,为CAR程序在缺失协变量下的应用提供了理论基础。对您而言,该工作将缺失数据问题与CAR的检验理论结合,属于您假设检验兴趣中一个具体且实用的场景,其调整检验的构造思路可迁移至其他随机化设计。
  • 关键技术: covariate-adaptive randomization, single imputation, multiple imputation, hypothesis testing, asymptotic distribution
  • 为什么对您有用: 该论文直接关联您的假设检验兴趣,具体是临床试验中CAR设计下的检验问题,且引入了缺失协变量这一实际障碍。您可用very_familiar的非参数统计和M估计理论来审视其调整检验的构造,例如验证其渐近分布推导是否依赖于特定插补分布假设。中期可做:若想推广到更复杂的插补机制(如多重插补的Rubin规则),需在semiparametric theory上进一步熟悉。总体而言,这是一篇方法学论文,理论结果清晰,值得一读。

2. 10.1002/sim.70680 — Bayesian Estimation of the Binomial Parameter in Adaptive Designs With Treatment Selection

  • 作者: Pierre Bunouf, Jean‐Marie Boher
  • 期刊/来源: Statistics in Medicine
  • 机构: Pierre Fabre (France) · Institut Paoli-Calmettes
  • 分类: vol 45 · issue 18-19
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究自适应多臂试验中治疗选择导致的估计偏差问题,目标是在二值结局下估计最终选择臂的伯努利参数。作者提出一种统一的贝叶斯点估计和区间估计方法,利用参考先验理论构造依赖于设计的一类先验,适用于任意治疗选择规则,且当选择基于相对对照组的直接比较时不受对照组影响。方法通过后验估计量的频率性质评估,并与现有方法比较,引入了便于二值数据分析评估的工具。通过多个例子研究了治疗选择规则和先验校正对估计的影响。该方法易于实施,可在中期分析中辅助治疗选择。对您而言,本文的参考先验构造和频率评估工具可能对您在高维或半参数框架下的偏差校正问题有启发。
  • 关键技术: reference prior theory, adaptive design, Bayesian estimation, treatment selection bias, frequentist evaluation
  • 为什么对您有用: 本文属于假设检验与估计的交叉领域,与您的数学统计和因果推断兴趣相关,特别是自适应设计中的选择偏差问题。您可以用非常熟悉的非参数统计和M估计理论来评估其贝叶斯估计的频率性质,或将其与debiased ML中的偏差校正思想对比。中期可做:需在贝叶斯方法上稍作了解,但核心工具已具备。

3. 10.1002/sim.70681 — Multiple Summary Knowledge‐Based Disease Prevalence Estimation for Group Testing Data

  • 作者: Wanshuo Yang, Juan Ding, Wenjun Xiong, Shuying Wang, Qizhai Li
  • 期刊/来源: Statistics in Medicine
  • 机构: Chongqing University · Hohai University · Guangxi Normal University · Changchun University of Technology · Chinese Academy of Sciences · Academy of Mathematics and Systems Science · University of Chinese Academy of Sciences
  • 分类: vol 45 · issue 18-19
  • 相关性 5/10 · novelty: application
  • 摘要: 本文研究分组检测数据下的疾病患病率估计问题,目标是在目标样本量有限时,利用多个外部汇总统计量(如历史患病率)提高估计效率。作者提出一种多源知识迁移方法,通过加权组合目标数据估计量与外部汇总统计量,得到一致且渐近正态的患病率估计量,其渐近方差小于仅用目标数据的常规估计量。方法核心是构造一个数据驱动的筛选准则,以识别哪些外部来源是可迁移的(即与目标人群患病率一致),避免引入偏差。该框架进一步扩展到 Dorfman 两阶段分组检测设计,利用复检数据获得额外效率增益,并建立了相应估计量的渐近正态性。模拟和真实数据应用验证了理论结果和有限样本性能。对您而言,本文的估计方程与筛选思想可联系到您在高维假设检验和因果推断中的稳健推断兴趣,但其方法学新颖性有限,属于应用导向的增量工作。
  • 关键技术: knowledge transfer, summary statistics integration, asymptotic normality, data-driven screening, Dorfman two-stage group testing
  • 为什么对您有用: 本文属于流行病学应用领域,涉及分组检测数据下的患病率估计,与您的 secondary interest 中流行病学应用方向相关。其多源知识迁移和筛选思想可迁移到因果推断中的敏感性分析或外部效度检验,但方法学深度一般。从武器库看,您可以用 very_familiar 的 M-估计和渐近理论快速理解并复现其估计方程,属于立即可做的阅读;但若要深入拓展其筛选过程的有限样本性质,可能需要 moderately_familiar 的 semiparametric 理论。总体而言,本文作为流行病学应用的入门读物尚可,但方法学贡献有限,不值得优先深读。

4. 10.1002/sim.70683 — Pragmatic Two‐Stage Design for Clinical Trials With Treatment Selection

  • 作者: Paul Horton, Yajun Mei
  • 期刊/来源: Statistics in Medicine
  • 机构: Georgia Institute of Technology · New York University
  • 分类: vol 45 · issue 18-19
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对临床试验中从多个候选治疗中选优并评估疗效的复杂问题,提出了一种实用的两阶段序贯设计。第一阶段进行自适应臂选择和提前终止,第二阶段优化样本分配,以平衡样本效率和实际可行性。方法受Kiefer-Weiss问题启发,构建了一个优化框架,在控制Family-Wise Error Rate和最大样本量的约束下,最小化期望患者数、选择劣质臂的概率和全局II型错误的加权和。设计参数通过随机优化求解全局最小值。作者在多种误差成本和治疗反应模型下,与固定设计和多臂多阶段设计进行了比较,结果显示该方法在成本和实用性上均有改进。对您而言,该文将假设检验与序贯决策优化结合,其随机优化求解设计参数的方法可迁移至您熟悉的高维统计或因果推断中的自适应采样问题。
  • 关键技术: two-stage sequential design, Kiefer-Weiss problem, stochastic optimization, family-wise error rate control, adaptive arm selection
  • 为什么对您有用: 该文属于假设检验与序贯决策的交叉,直接关联您的主要兴趣'假设检验'。其优化框架(最小化加权损失)与您熟悉的minimax思想相通,可用您'very_familiar'的'minimax bounds for estimation problems'来审视其最优性。中期可做:若想深入,需在'moderately_familiar'的'M-estimation theory'上加强,以处理其估计量的渐近性质。

流行病学 (epidemiology, 2 篇)

1. 10.1002/sim.70709 · arXiv — Multivariable Behavioral Change Modeling of Epidemics in the Presence of Undetected Infections

  • 作者: Caitlin Ward, Rob Deardon, Alexandra M. Schmidt
  • 期刊/来源: Statistics in Medicine
  • 机构: University of Minnesota · University of Minnesota System · University of Calgary · McGill University
  • 分类: vol 45 · issue 18-19
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一个贝叶斯流行病学建模框架,旨在同时纳入行为变化和未检测感染,以更真实地刻画传染病传播动态。模型利用住院和死亡数据来辅助识别疾病动态,并显式建模无症状/未检测感染带来的数据不确定性。行为变化被建模为受多源数据(病例和死亡)动态影响的随机过程,而非静态假设。作者通过模拟研究评估模型性质,并应用于蒙特利尔和迈阿密的COVID-19数据。方法上采用贝叶斯分层模型和MCMC推断,属于应用导向的建模工作。对您而言,本文展示了在流行病学数据中处理部分可观测性和行为反馈的实用建模思路,但方法论新颖性有限。
  • 关键技术: Bayesian hierarchical modeling, MCMC, partially observed epidemics, behavioral feedback, data augmentation
  • 为什么对您有用: 本文属于流行病学应用,符合您的secondary interest。作为入门读物,它清晰展示了流行病学建模中未检测感染和行为变化的处理方式,但统计方法较为常规(贝叶斯分层+MCMC),武器库足以理解。值得花时间读全文以了解流行病学数据结构和建模实践,但无需作为方法学重点。

2. 10.1002/sim.70655 — Investigating the Utility of Fractal Measures as a Diagnostic for Glaucoma

  • 作者: Jonathan W. Henderson, Benjamin M. Davis, Hannah J. Mitchell
  • 期刊/来源: Statistics in Medicine
  • 机构: Queen's University Belfast · Rutherford Appleton Laboratory · Central Laser Facility
  • 分类: vol 45 · issue 18-19
  • 相关性 3/10 · novelty: application
  • 摘要: 本文研究利用自适应光学共焦扫描激光检眼镜(AO-cSLO)成像的视网膜神经节细胞(RGC)点模式数据,评估分形测度(分形维数、空隙度、偏斜度)作为青光眼诊断指标的效用。传统点模式指标(如密度和距离度量)对噪声和数据不完整敏感,而分形测度具有尺度不变性和对点模式退化的鲁棒性。作者将分形分析应用于啮齿动物青光眼模型和对照组的RGC点模式数据,并与传统指标进行比较。结果显示,空隙度和偏斜度比传统指标更准确,且能更早检测青光眼,对噪声和退化数据表现出更强的鲁棒性。这些测度有望实现更早、更可靠的光滑眼诊断。对您而言,这是一篇应用型论文,展示了分形测度在生物医学图像分析中的潜力,但其统计方法较为基础,与您的主要兴趣(如因果推断、高维统计)关联较弱。
  • 关键技术: fractal dimension, lacunarity, succolarity, point pattern analysis, adaptive optics imaging
  • 为什么对您有用: 本文属于流行病学应用领域,但统计方法较为简单,与您的主要兴趣(因果推断、高维统计等)关联不大。作为入门读物,它展示了分形测度在医学诊断中的应用,但武器库中的工具(如非参数统计、U统计量)足以理解其方法,无需额外学习。鉴于其方法学新颖性较低,且与您的核心研究方向距离较远,不建议深入阅读全文。

其他 (other, 15 篇)

1. 10.1002/sim.70690 · arXiv — Efficient Variance Estimation for the Polytomous Discrimination Index

  • 作者: Qunqiang Feng, Taozheng Jia, Pan Liu, Ben Van Calster, Jialiang Li
  • 期刊/来源: Statistics in Medicine
  • 机构: University of Science and Technology of China · University of California, Los Angeles · KU Leuven · National University of Singapore · Duke-NUS Medical School
  • 分类: vol 45 · issue 18-19
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对多分类诊断准确度指标 Polytomous Discrimination Index (PDI) 提出一种新的渐近方差估计量。PDI 是 order-agnostic 的 U-statistic,其方差估计传统上依赖 bootstrap,计算成本高。作者将经典 U-statistic 理论(Hajek 投影)与组合学(如划分计数)结合,推导出解析的渐近方差公式,避免了重抽样。通过模拟研究验证了估计量的有限样本性能,并展示了显著的计算时间优势。最后应用于脑图像分析中不同深度神经网络的诊断准确度评估,实现了快速的不确定性量化。该方法为高阶 U-statistic 的方差估计提供了可扩展的替代方案,对您的高阶 U-statistic 计算与统计计算兴趣有直接关联。
  • 关键技术: U-statistic variance estimation, Hajek projection, combinatorial counting, asymptotic normality, bootstrap-free inference
  • 为什么对您有用: 本文直接涉及高阶 U-statistic 的方差估计,属于您 primary interest 中 higher-order U-statistics 的具体应用;其组合计数技巧与您熟悉的 treewidth/tensor contraction 视角有潜在联系,可用您的 einsum 工具分析其计算复杂度;该估计量是解析的,避免了 bootstrap,属于统计计算中的效率改进,可立即评估其理论性质。

2. 10.1002/sim.70695 · arXiv — Network Meta‐Analysis of Survival Outcomes With Non‐Proportional Hazards Using Flexible M‐Splines

  • 作者: David M. Phillippo, Ayman Sadek, Hugo Pedder, Nicky J. Welton
  • 期刊/来源: Statistics in Medicine
  • 机构: University of Bristol
  • 分类: vol 45 · issue 18-19
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出一种用于生存结局网络荟萃分析(NMA)的灵活贝叶斯模型,以处理非比例风险。传统方法基于 log 风险比并依赖 PH 假设,而免疫疗法等新药常呈现复杂时变风险函数。作者采用 M-spline 建模基线风险,并引入一种新颖的加权随机游走先验,该先验提供收缩以避免过拟合,且对节点选择和时标不变。非比例风险通过按治疗分层或在样条系数上引入治疗效应来建模,协变量可加入 log 风险率和样条系数。治疗和协变量对样条系数的影响使用随机游走先验以平滑刻画随时间偏离比例性的模式。方法在 R 包 multinma 中实现,支持汇总数据、个体患者数据或两者混合,并应用于非小细胞肺癌无进展生存期的 NMA。
  • 关键技术: M-splines, weighted random walk prior, network meta-analysis, non-proportional hazards, Bayesian survival modeling
  • 为什么对您有用: 本文属于应用统计方法学,涉及生存分析和贝叶斯建模,但并非您的主要兴趣领域(因果推断、高维、半参数等)。作为流行病学应用,它展示了处理复杂时间事件数据的建模策略,但方法学新颖性有限,且与您的技术武器库(如高阶 U 统计、张量网络)无直接关联。因此,它仅作为流行病学应用方向的边缘阅读材料,不值得深入阅读。
  • 作者: Clemens Schächter, Maren Hackenberg, Michelle Pfaffenlehner, Félix B. Tambe‐Ndonfack, Thorsten Schmidt, Astrid Pechmann et al.
  • 期刊/来源: Statistics in Medicine
  • 机构: University of Freiburg · University Medical Center Freiburg · University of Bonn
  • 分类: vol 45 · issue 18-19
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对罕见病研究中因测量工具变更导致的纵向数据不连续问题,提出利用变分自编码器(VAE)将不同仪器的观测映射到共享的低维潜在轨迹,再对潜在表示应用混合效应回归,以估计治疗转换效应。方法上,作者提出一种新的统计检验方法,以考虑混合效应回归与VAE联合参数估计带来的不确定性,并支持模型选择。应用场景为脊髓性肌萎缩症患者,将不同运动功能量表的项目对齐后建模,并将效应映射回原始项目水平以量化治疗转换影响。该方法在低样本量下整合多源数据,展示了联合潜在表示建模在小数据挑战中的潜力。对您而言,本文属于应用型工作,其统计检验与深度生成模型结合的思想或可迁移至您关注的纵向因果推断或中介分析中的测量误差问题,但方法学新颖性有限。
  • 关键技术: variational autoencoder, mixed-effects regression, latent representation alignment, joint parameter estimation, statistical testing
  • 为什么对您有用: 本文属于流行病学应用(罕见病治疗评估),涉及纵向数据和测量工具变更,与您的流行病学应用兴趣相关;但方法学上主要依赖VAE和混合效应模型,与您的核心理论兴趣(如半参数效率、U统计量)关联较弱。作为应用论文,其数据处理和检验思路可参考,但直接可迁移的方法学工具不多。

4. 10.1002/sim.70678 — Low‐Rank Variational Correction Estimation for Multi‐Source Heterogeneous Quantile Linear Regression Models

  • 作者: Huiqiong Li, Lu Luo, Min Wang, Niansheng Tang
  • 期刊/来源: Statistics in Medicine
  • 机构: Yunnan University · The University of Texas at San Antonio
  • 分类: vol 45 · issue 18-19
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对多源异构高维分位数回归,提出可扩展的贝叶斯框架,结合 spike-and-slab 先验实现参数估计与特征选择。为克服计算瓶颈,将均值场变分推断与 Laplace 近似结合,并引入新颖的低秩变分校正策略,以捕捉源间依赖结构,提升高维异构设定下的近似精度与适应性。进一步开发了贝叶斯得分检验与局部影响分析用于模型诊断。模拟研究与 TCGA 四癌种数据分析展示了计算效率与实用性,方法已实现于 R 包 LRQVB。对您而言,该文属于贝叶斯变分推断与高维分位数回归的应用型工作,与您的主攻方向(因果推断、半参数效率理论、U-统计量)关联较弱,但其中的低秩校正思想或可迁移至您熟悉的统计计算场景。
  • 关键技术: mean-field variational inference, Laplace approximation, low-rank correction, spike-and-slab priors, quantile regression, Bayesian score test
  • 为什么对您有用: 本文属于统计计算与高维回归的应用型方法论文,与您的主攻方向(因果推断、半参数理论、U-统计量)关联较弱,但低秩变分校正策略可能对您熟悉的统计计算(软件、数值方法)有启发。作为 gateway reading,本文方法学新颖性有限,主要价值在于应用场景与 R 包实现,不值得深入精读。

5. 10.1002/sim.70694 · arXiv — Variable Selection for Fixed and Random Effects in Multilevel Functional Mixed Effects Models

  • 作者: Rahul Ghosal, Marcos Matabuena, Enakshi Saha
  • 期刊/来源: Statistics in Medicine
  • 机构: University of South Carolina · Mohamed bin Zayed University of Artificial Intelligence
  • 分类: vol 45 · issue 18-19
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对多水平函数混合效应模型,提出同时选择固定效应和随机效应的新方法 MuFuMES,由 NHANES 2011-12 加速度计数据驱动,旨在识别年龄和种族对昼夜体力活动模式协变量效应的异质性。现有函数型标量回归的变量选择方法主要针对单水平数据的固定效应,而该方法通过样条建模固定和随机函数效应,并对未知参数施加 spike-and-slab group lasso (SSGL) 先验,利用期望条件最大化 (ECM) 算法进行高效 MAP 估计,实现混合效应选择。模拟研究表明该方法具有可忽略的假阳性和假阴性率,应用于 NHANES 数据时有效恢复了有生物学意义的年龄和种族特异性异质性。对您而言,该方法属于纵向/多水平函数型数据中的变量选择问题,与您的因果推断(纵向)和半参数/非参数理论兴趣有间接关联,但方法学核心(贝叶斯先验和 ECM)与您的主要武器库重叠有限。
  • 关键技术: multilevel functional mixed effects model, spike-and-slab group lasso (SSGL), Expectation Conditional Maximization (ECM), spline basis expansion, MAP estimation
  • 为什么对您有用: 本文涉及纵向/多水平函数型数据中的变量选择,与您的因果推断(纵向)和半参数/非参数理论兴趣有间接关联,但方法学核心(贝叶斯先验和 ECM)与您的主要武器库重叠有限。作为应用导向的论文,其数据(NHANES 加速度计)和分析流程可能对您了解流行病学队列中的函数型数据建模有参考价值,但方法学 novelty 一般,不涉及您擅长的效率理论或高维推断。

6. 10.1002/sim.70692 — Dynamic Individualized Prediction of Binary Clinical Outcomes Using Bayesian Generalized Linear Mixed Models With Application in Scleroderma

  • 作者: Zixing Liu, Adrianne Woods, Laura K. Hummers, Ami A. Shah, Scott L. Zeger, Ji Soo Kim
  • 期刊/来源: Statistics in Medicine
  • 机构: Johns Hopkins University · Johns Hopkins Medicine
  • 分类: vol 45 · issue 18-19
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对纵向电子健康档案(EHR)数据中二元临床结局的动态个体化预测问题,提出了一种基于贝叶斯广义线性混合模型(GLMM)的交叉验证序贯预测(CVSP)算法。模型整合了群体水平固定效应、滞后结局以捕捉短期依赖,以及患者特异性随机截距以刻画由未观测异质性导致的长期依赖。预测在每个访视时通过蒙特卡洛积分序贯生成,无需随新数据累积而重新拟合模型,并采用bootstrap LASSO进行变量选择以提高简约性和预测效度。方法应用于系统性硬化症(SSc)患者近端肌无力的纵向评估,交叉验证AUC达0.86,优于标准回归和机器学习方法,且校准良好。该方法为从纵向EHR数据中实现逐访视的二元结局动态预测提供了通用框架,支持实时临床决策。
  • 关键技术: Bayesian generalized linear mixed models, cross-validated sequential prediction, Monte Carlo integration, bootstrap LASSO, dynamic prediction
  • 为什么对您有用: 本文属于纵向数据预测建模的应用研究,与您的因果推断中纵向设定(如纵向因果推断中的时变混杂)有一定交集,但核心是预测而非因果识别。作为流行病学领域的应用论文,它展示了处理纵向EHR数据中二元结局的实用方法,可作为您流行病学应用兴趣的入门读物。从方法学角度看,其动态预测框架与您熟悉的纵向因果推断方法(如g-formula)有可比性,但novelty有限。

7. 10.1002/sim.70700 — A Randomized Basket Trial Design for Dose Optimization Based on Bayesian Model Averaging Using Spike‐and‐Slab Priors

  • 作者: Belay Birlie Yimer, Kentaro Takeda
  • 期刊/来源: Statistics in Medicine
  • 机构: Astellas Pharma (United Kingdom) · Astellas Pharma (United States)
  • 分类: vol 45 · issue 18-19
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对 FDA Project Optimus 推动的剂量优化需求,提出一种基于贝叶斯模型平均(BMA)的随机篮子试验设计,用于在多个适应症(basket)中同时进行剂量-反应评估。设计将适应症与剂量水平共同定义为篮子,并采用 spike-and-slab 先验来显式建模篮子间响应率的异质性,从而在疗效与毒性联合建模下进行剂量选择。模拟研究表明,在异质性场景下,该方法相比现有方法具有更高的统计功效、更好的 I 类错误控制、更精确的最优剂量选择以及样本量节省。该方法属于贝叶斯自适应临床试验设计领域,与研究者主要兴趣(因果推断、高维统计、半参数理论等)无直接交集,但可作为临床试验设计方法学的背景阅读。
  • 关键技术: Bayesian model averaging, spike-and-slab priors, basket trial design, dose optimization, efficacy-toxicity joint modeling
  • 为什么对您有用: 本文属于临床试验设计方法学,与研究者主要兴趣(因果推断、高维统计、半参数理论等)无直接交集,但可作为临床试验设计方法学的背景阅读。研究者若关注流行病学或应用因果推断,可能对其中处理异质性的贝叶斯建模思路感兴趣,但整体相关性较低,不值得深入阅读。

8. 10.1002/sim.70691 · arXiv — Modeling Heterogeneity in Health Risk Behaviors With a Dynamic Mixture Model Informed by Textual Occupational Data

  • 作者: Lorenzo Schiavon, Mattia Stival, Angela Andreella, Stefano Campostrini
  • 期刊/来源: Statistics in Medicine
  • 机构: Ca' Foscari University of Venice
  • 分类: vol 45 · issue 18-19
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一种贝叶斯主题信息动态混合模型,用于分析意大利健康行为监测系统PASSI中的SNAP(吸烟、不良饮食、酗酒、缺乏运动)行为。模型通过结构主题模型从自由文本职业描述中提取潜在职业群体,并将其作为多元有序probit模型的混合权重,允许协变量效应随职业簇和时间变化。为增强可解释性和变量选择,采用非局部spike-and-slab先验。开发了基于序贯蒙特卡洛的在线学习策略,可随新监测数据高效更新推断。该方法为监测职业环境如何调节社会人口因素对多种健康风险行为的影响提供了灵活框架,并适用于其他纵向健康监测场景。
  • 关键技术: structural topic model, dynamic mixture model, multivariate ordered probit, non-local spike-and-slab prior, sequential Monte Carlo
  • 为什么对您有用: 本文属于流行病学应用,使用贝叶斯混合模型和文本数据,与您的流行病学应用兴趣相关,但方法学上偏向贝叶斯计算,与您的主要兴趣(因果推断、半参数理论)关联较弱。作为流行病学入门读物,它展示了如何整合文本信息到纵向健康监测模型,但武器库中的工具(如U统计量、半参数效率)在此用处有限。可作中期阅读,了解文本数据在流行病学中的应用,但不必深读。

9. 10.1002/sim.70684 — A Bayesian Optimal Adaptive Clinical Trial Design for Sequentially Integrated Therapies

  • 作者: Yining Li, Jiaying Guo, Samer Gawrieh, Wei Shen, Yong Zang, Wanzhu Tu
  • 期刊/来源: Statistics in Medicine
  • 机构: Indiana University Indianapolis · Indiana University School of Medicine · Eli Lilly (United States)
  • 分类: vol 45 · issue 18-19
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一种用于序贯整合疗法(如酒精相关肝炎的急性期抗炎治疗加后续酒精使用障碍干预)的贝叶斯最优自适应临床试验设计(BIT)。该设计通过贝叶斯模型连接急性期与后续治疗阶段的结局,以选择最优的治疗组合。BIT 包含多次中期分析,并采用针对无效性和优效性的自适应停止规则,在控制族系错误率的同时最大化检验效能。作者通过模拟研究评估了该设计的操作特性,包括试验层面的 I 类错误率控制,并提供了样本量确定和设计参数优化的方法。该设计框架虽以 AH 研究为动机,但可推广至其他需要序贯治疗的复杂疾病。
  • 关键技术: Bayesian adaptive design, interim analysis, futility stopping, superiority stopping, family-wise type I error control, 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、假设检验、半参数理论)关联较弱,但其中对多重检验错误率控制和自适应设计的思想可能对您在高维假设检验或因果推断中的多重比较问题有启发。作为统计学应用,本文可作为了解贝叶斯自适应试验设计的入门读物,但方法学新颖性有限,且不涉及您武器库中的具体工具,因此暂不建议深入阅读。

10. 10.1002/sim.70682 — Bayesian Model Selection for Derived Responses

  • 作者: Bijit Roy, Emmanuel Lesaffre
  • 期刊/来源: Statistics in Medicine
  • 机构: KU Leuven · Stellenbosch University
  • 分类: vol 45 · issue 18-19
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对派生响应变量(如 BMI = weight/height^2)的贝叶斯模型选择问题,指出传统准则(如 DIC、WAIC)衡量的是原始响应(身高、体重)的样本外预测精度,而最优的原始响应模型未必是派生量的最优模型。作者提出 Derived DIC(D-DIC),将预测精度直接定义在目标派生量上,从而允许在直接建模 BMI 的样条平滑模型与联合建模身高体重的双变量增长模型之间进行公平比较。方法核心是调整偏差项与有效参数数目的计算,使其基于派生量的后验预测分布。通过模拟与真实数据(儿童生长数据)展示 D-DIC 能选出对 BMI 预测更优的模型,而传统 DIC 无法区分。对您而言,本文属于应用统计方法论文,与您的主要兴趣(因果推断、高维、半参数)无直接交集,但可作为贝叶斯模型选择在生物医学应用中一个具体案例的入门读物。
  • 关键技术: Bayesian model selection, Deviance Information Criterion (DIC), derived response variables, posterior predictive distribution, bivariate growth model, spline smoothing
  • 为什么对您有用: 本文属于应用统计(医学统计)范畴,与您的主要兴趣(因果推断、高维、半参数)无直接交集,但可作为贝叶斯模型选择在生物医学应用中一个具体案例的入门读物。武器库中的非参数/半参数理论(如样条模型)足以理解其方法,但核心是贝叶斯预测准则,并非您熟悉的频率学派效率理论。因此,本文不值得花时间精读,除非您对贝叶斯模型选择或 BMI 建模的应用感兴趣。

11. 10.1002/sim.70677 — Designing Efficient Multicenter Trials With a Maximin Strategy

  • 作者: Math J. J. M. Candel, Gerard J. P. van Breukelen
  • 期刊/来源: Statistics in Medicine
  • 机构: Maastricht University · Care and Public Health Research Institute
  • 分类: vol 45 · issue 18-19
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对两治疗组、连续结局的多中心随机试验,在保证目标检验功效的前提下,设计使总样本量或研究预算最小化的方案。优化变量包括每个中心内治疗组与对照组的分配比例,以及中心数与每中心样本量之间的平衡。由于最优设计依赖分析模型中未知的方差参数,作者引入maximin设计,在参数合理变化范围内保证预设功效,并在最坏情形参数下最大化功效。该研究扩展了现有文献,不仅考虑中心和每中心样本量均可优化的情况,也处理因实际约束而固定中心数或每中心样本量的情形。通过实证示例展示样本量计算及潜在预算节省,并开发了交互式R Shiny应用以简化计算。
  • 关键技术: maximin design, sample size calculation, multicenter trial design, power analysis, R Shiny app
  • 为什么对您有用: 本文属于临床试验设计中的样本量计算,与您的主要兴趣(因果推断、假设检验)关联较弱,但其中maximin优化思想与您熟悉的minimax框架有概念上的呼应,可作为应用统计的拓展阅读。

12. 10.1002/sim.70699 — A Bayesian Local Gaussian‐Copula Allocation Model for Bivariate Discrete‐Time First‐Event Data With Time‐Dependent Covariates

  • 作者: Hirofumi Michimae
  • 期刊/来源: Statistics in Medicine
  • 机构: Kitasato University
  • 分类: vol 45 · issue 18-19
  • 相关性 3/10 · novelty: application
  • 摘要: 本文针对纵向生物医学研究中双变量离散时间首次事件数据,提出一种贝叶斯局部高斯copula分配模型,允许基线及时间依赖协变量。方法上,两个结局特定的离散时间递减模型生成区间特定工作递减概率,进而得到共同区间网格上的边际生存坐标;在每区间开始时共同处于风险中的受试者中,用高斯copula在四个终局状态(无事件、仅事件1、仅事件2、同区间共发)间分配概率质量,可容纳负、零及正局部依赖。依赖参数考虑常数、非结构区间特定及分层收缩三种设定,并与频率派及贝叶斯优势比基准在观测概率尺度上比较。由于copula模型系数作用于工作递减尺度,观测尺度协变量效应通过Kullback-Leibler投影汇总。模拟显示高斯copula模型在观测尺度协变量效应估计上与优势比基准相当,分层模型为非结构区间特定依赖提供了正则化替代。应用部分使用美国国家健康与老龄化趋势研究数据,分析行动帮助与自理帮助的首次发生,各模型结论大体一致。
  • 关键技术: Gaussian copula, discrete-time survival, Bayesian hierarchical shrinkage, Kullback-Leibler projection, odds-ratio benchmarks
  • 为什么对您有用: 本文属于纵向生存分析的应用方法学,与您的因果推断中纵向设定及流行病学应用方向有间接关联,但方法学新颖性有限,主要价值在于贝叶斯copula建模与离散时间生存数据的结合。作为流行病学应用论文,其数据和分析流程可参考,但非核心方法学进展。

13. 10.1002/sim.70689 — Microbial Diversity Estimation and Hill Number Calculation Using the Hierarchical Pitman‐Yor Process

  • 作者: Kevin McGregor, Todd Parsons, Elinor Simons, James Scott, Anita Kozyrskyj, Christopher Quince
  • 期刊/来源: Statistics in Medicine
  • 机构: York University · University of Warwick · Lady Davis Institute for Medical Research · University of Manitoba · McGill University · University of York · HEC Montréal · Sorbonne Université 等
  • 分类: vol 45 · issue 18-19
  • 相关性 3/10 · novelty: application
  • 摘要: 本文提出用分层 Pitman-Yor (HPY) 过程对多个群体的物种丰度分布建模,以改进微生物组多样性估计。目标是估计 Hill 数(物种多样性指标),并区分条件于观测数据与无条件于观测数据的估计量。方法上,采用 Gibbs 采样估计 HPY 参数,并推导出 Hill 数的一般公式。模拟显示 HPY 模型在物种缺失时优于朴素估计,尤其在小样本下优势明显。最后在婴儿肠道微生物组数据上展示应用。对您而言,本文属于应用统计工作,方法学上无新理论,但可作为流行病学中微生物组数据分析的入门读物。
  • 关键技术: hierarchical Pitman-Yor process, Gibbs sampler, Hill numbers, species diversity estimation
  • 为什么对您有用: 本文属于流行病学应用(微生物组数据),可作为流行病学数据分析的入门读物;武器库中的非参数统计和贝叶斯方法足以理解本文,但无直接可迁移的方法学创新,不值得深入阅读。

14. 10.1002/sim.70693 — Conditional Estimations for Seamless Phase II / III Clinical Trials Involving Multi‐Stage Early Stopping

  • 作者: Siyu Zhu, Yuxuan Yang, Minggang Yin, Yixin Luo, Xueqing Liang, Shijie Yu et al.
  • 期刊/来源: Statistics in Medicine
  • 机构: Southern Medical University
  • 分类: vol 45 · issue 18-19
  • 相关性 3/10 · novelty: new_method
  • 摘要: 本文针对无缝 II/III 期临床试验设计中引入多阶段早期停止后的条件估计问题。现有估计方法主要适用于两阶段设计,无法直接处理 III 期多阶段早期停止。作者提出基于 Score 统计量的框架,在试验继续进入 III 期的条件下,对所选治疗臂的效应进行条件偏倚校正、条件中位数无偏估计及 Rao-Blackwellization,适用于多种常见终点分布。具体提出了多种估计量,包括多迭代条件偏倚校正估计量(CBAE-MI)、单迭代版本(CBAE-SI)、条件中位数无偏估计量(CMUE-MLE 与 CMUE-ZERO)以及 Rao-Blackwellized(RB)估计量,并推导了相应的置信区间。模拟研究表明 RB 估计量在点估计和区间估计上具有较好的稳健性和保守覆盖概率。该工作属于临床试验设计中的统计方法,与您的主要兴趣(因果推断、高维统计等)关联较弱,但其中条件估计和偏倚校正的思想与您熟悉的 semiparametric 估计理论有一定相通之处。
  • 关键技术: conditional bias adjustment, median-unbiased estimation, Rao-Blackwellization, score statistics, multi-stage early stopping, seamless phase II/III design
  • 为什么对您有用: 本文属于临床试验设计中的统计方法,与您的主要兴趣(因果推断、高维统计等)关联较弱,但其中条件估计和偏倚校正的思想与您熟悉的 semiparametric 估计理论有一定相通之处。作为 gateway reading,本文对统计学家了解临床试验中的条件推断问题有一定价值,但并非您当前研究方向的直接延伸。

15. 10.1002/sim.70704 — Cloud‐Plots for Spherical Data With Applications to Glaucoma and Gait Cyclograms

  • 作者: S. Rao Jammalamadaka, Ali H. Abuzaid
  • 期刊/来源: Statistics in Medicine
  • 机构: University of California, Santa Barbara · Al-Azhar University – Gaza
  • 分类: vol 45 · issue 18-19
  • 相关性 3/10 · novelty: application
  • 摘要: 本文针对球面数据(单位球面上的方向观测)提出一种新的可视化与诊断工具“Cloud-plot”,其目标是识别方向数据中的离群点。方法基于观测之间的测地距离,构造球面中位数和四分位数的稳健类比,并定义球面中位数绝对偏差(SMAD),据此设定离群点判定规则。作者通过模拟研究比较了所提方法与多种现有 discordancy 检验的真阳性率和假阳性率,结果表明 Cloud-plot 在多种样本量和污染设置下表现稳定且具有竞争力。方法进一步应用于青光眼结构生物标志物识别和步态周期图的功能性关节不稳定分析两个医学实例。本文属于应用导向的方法学贡献,核心是可视化与诊断框架,而非新的统计理论或推断方法。
  • 关键技术: geodesic distance, spherical median, robust quartiles, spherical median absolute deviation, outlier detection, simulation study
  • 为什么对您有用: 本文属于应用统计方法学,与您的主要兴趣(如高维统计、U-统计量)无直接交集,但可作为流行病学或医学应用中方向数据诊断的入门读物。其基于测地距离的稳健统计量设计思路,可能对您处理非欧几何数据或构建稳健估计有所启发,但武器库(如非参数理论、U-统计量)足以支撑理解,无需额外工具。作为 gateway reading,本文清晰展示了方向数据的特殊性和实用诊断框架,值得花时间阅读全文以了解应用场景。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论