StatMed — Vol 45 Issue 23-24 · 2026-10-16¶
- 共 12 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 12 篇论文,主线大致可归为四类:临床试验中的因果推断与亚组分析(4 篇)、罕见事件与小样本推断(2 篇)、大规模数据与计算效率(2 篇)、以及应用导向的建模与设计(4 篇)。因果推断与试验设计是本期最集中的主题,其次是针对稀疏或粗化数据的推断方法。
在因果推断与试验设计主线上,Randomization‐Based Covariate Adjustment 在随机化区组 2^K 析因实验中处理高维协变量缺失,提出三种 Lasso 回归调整程序,在有限总体框架下证明渐近方差不劣于未调整估计量,并给出缺失协变量的实用策略;Multi‐Task Learning 则从多个历史试验中筛选预后变量以提高治疗效应估计精度,采用双层约束变量选择(Bi-CVS)并给出一致性理论。两篇均聚焦于通过协变量利用提升效率,但前者强调随机化推断的稳健性,后者强调跨试验的变量选择。亚组分析方面,Valid Data‐Driven Subgroup Selection 比较了 GLM 与保序回归两种方法,通过同时置信带实现后选择推断的均匀保证,直接面向临床试验中的安全性与疗效亚组识别。此外,Joint Models in Phase I Dose‐Finding 将重复生物标志物纳入剂量-毒性建模,发现似然法 CRM 在小样本下存在参数不可识别问题,与前述亚组选择中的小样本推断挑战形成呼应。
罕见事件与稀疏数据推断是另一条突出主线。Bootstrap Calibration of Likelihood‐Ratio Inference 针对超几何-正态随机效应模型,提出两种 bootstrap 校准方法改善罕见事件 meta-analysis 中 LR 统计量的覆盖率,未校正的 LR 区间在稀疏条件下已较稳定,均值校准在极端情形下进一步增益;Coarsened Data in Small Area Estimation 则处理自报结局的粗化与顶码问题,通过贝叶斯两部分模型同时估计吸烟流行率与强度,模拟显示忽略粗化会导致域估计有偏且区间覆盖率差。两篇均处理数据质量对推断的影响,但前者聚焦于似然推断的校准,后者聚焦于分层模型中的测量误差建模。
大规模数据与计算效率方面,Optimal Subsampling for the Proportional Mean Residual Life Model 针对大规模生存数据提出最优子抽样方法,在 L-准则下推导最优抽样概率并给出两步算法,属于计算与效率权衡的典型处理。其余应用导向论文中,GLMM for Changepoint Analysis 将随机效应嵌入动态规划用于生物医学时间序列变点检测,Gated Spatial Hidden Markov Models 通过门控机制校正光照变化进行组织学图像分类,Simulated Annealing for Partial Profile Choice Designs 构造模型稳健的交互效应设计,Robust Functional Ward's Linkages 提出稳健 Ward 型链接用于 EEG 聚类,Network‐Based Block‐Wise Regulatory Analysis 结合网络与分块结构建模癌症异质性。这些论文方法各异,但均未涉及新的理论效率结果。
若按主题优先阅读:因果推断与试验设计方向建议先看 Randomization‐Based Covariate Adjustment 与 Multi‐Task Learning(协变量利用与效率提升);亚组选择与后选择推断可看 Valid Data‐Driven Subgroup Selection;罕见事件推断可看 Bootstrap Calibration;小区域估计中的测量误差建模可看 Coarsened Data in Small Area Estimation。高维与半参数方向本期无直接论文,但 Randomization‐Based Covariate Adjustment 中的 Lasso 调整与有限总体渐近理论涉及高维协变量处理,值得关注。
因果推断 (causal_inference, 2 篇)¶
1. 10.1002/sim.70761 — Randomization‐Based Covariate Adjustment for Randomized Block 2K Factorial Experiments With Missing Baselines¶
- 作者: Zixuan Zhao, Yuehan Yang
- 期刊/来源: Statistics in Medicine
- 机构: Fudan University · Central University of Finance and Economics
- 分类: vol 45 · issue 23-24
- 相关性 7/10 · novelty:
new_method - 摘要: 本文在随机化区组 2^K 析因实验框架下,研究高维协变量且基线存在缺失时的协变量调整问题。作者提出三种基于 Lasso 的回归调整程序,在允许模型误设的随机化有限总体框架下证明估计量的一致性和联合渐近正态性。对于第一种投影调整,每个因子效应估计量的渐近方差不大于未调整估计量;对于联合投影和分层调整,调整与未调整估计量的渐近协方差矩阵之差为半正定。文中还研究了三种处理缺失协变量的策略,并给出实用指导;在稀疏总体投影的线性空间嵌套条件下,若缺失指示变量对潜在结果有信息,将其作为额外调整变量可进一步提升效率。所有方法均不要求指定结果或缺失模型,推断基于随机化及正则条件。模拟和实证应用验证了理论结果。
- 关键技术:
Lasso-based regression adjustment,randomization-based finite-population inference,Neyman-type covariance estimation,missing baseline covariates,factorial experiments - 为什么对您有用: 本文属于因果推断中实验设计的协变量调整方向,与您的 primary interest 中 causal inference 的 estimation 和 finite-population 推断直接相关。您可以用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具来审视其 Lasso 调整估计量的有限样本性质,或进一步探讨缺失机制对效率界的影响。
2. 10.1002/sim.70772 — A Multi‐Task Learning Approach for Identifying Prognostic Variables Across Multiple Historical Clinical Trials¶
- 作者: Xueying Liu, Huijing Jiang, Jennie Zhang, Xinwei Deng
- 期刊/来源: Statistics in Medicine
- 机构: Baylor University · Bristol-Myers Squibb (Germany) · Bristol-Myers Squibb (United States) · Bristol-Myers Squibb (Sweden) · Virginia Tech
- 分类: vol 45 · issue 23-24
- 相关性 6/10 · novelty:
new_method - 摘要: 本文针对临床试验中预后变量的识别问题,提出一种多任务学习方法,旨在从多个相似的历史试验中筛选出可提高治疗效应估计精度的预后变量,并满足 FDA 要求的前瞻性指定。方法上,作者提出双层约束变量选择(Bi-CVS),通过 bi-level 约束同时识别研究特异(within-study)和项目层面(cross-study)的预后变量,并开发了针对临床试验场景的高效算法。理论部分研究了所提选择方法的一致性性质,并通过模拟评估了其在连续、二元和生存时间等不同终点下的表现,最后用真实临床试验数据进行了说明。该工作将变量选择与因果推断中的预后变量利用相结合,对提高治疗效应估计效率有实际意义。
- 关键技术:
multi-task learning,bi-level variable selection,prognostic variable identification,consistency property,clinical trial design - 为什么对您有用: 本文直接关联因果推断中利用预后变量提高治疗效应估计精度的子方向,且其 bi-level 选择框架与您熟悉的变量选择和高维统计方法有交集。您可以用 very_familiar 的 minimax 或高维渐近工具分析其选择一致性,或考虑将其扩展到更复杂的因果结构(如中介或纵向设定),属于立即可做的 follow-up。
数理统计 / 假设检验 (hypothesis_testing, 2 篇)¶
1. 10.1002/sim.70745 — Valid Data‐Driven Subgroup Selection With Uniform Guarantees in Clinical Trials¶
- 作者: Manuel M. Müller, Björn Bornkamp, Frank Bretz, Timothy I. Cannings, Wei Liu, Henry W. J. Reeve et al.
- 期刊/来源: Statistics in Medicine
- 机构: University of Cambridge · Statistical Service · Novartis (Switzerland) · Statistics Austria · Medical University of Vienna · Maxwell Institute for Mathematical Sciences · University of Edinburgh · University of Southampton 等
- 分类: vol 45 · issue 23-24
- 相关性 7/10 · novelty:
application - 摘要: 本文针对临床试验中的亚组选择问题,提出并比较了两种数据驱动的亚组识别方法,目标是在控制第一类错误率的前提下,识别出对治疗反应良好或不良事件风险较低的患者亚组。方法一基于广义线性模型(GLM),方法二基于保序回归(isotonic regression),两者均通过构造同时置信带或类似机制来保证选择后的推断有效性,属于后选择推断(post-selection inference)范畴。作者通过大量模拟研究评估了两种方法在不同建模假设下的第一类错误率控制敏感性,并展示了它们在两个具体任务中的应用:识别不良事件安全亚组和高治疗效应亚组。核心贡献在于为临床试验中的亚组分析提供了可操作的、具有均匀保证(uniform guarantees)的推断框架,并强调了模型假设对错误率控制的影响。对您而言,该文将假设检验与因果推断中的异质性治疗效应估计相结合,其均匀控制的思想与您在高维假设检验和因果推断中的兴趣直接相关。
- 关键技术:
post-selection inference,simultaneous confidence bands,generalized linear models,isotonic regression,Type I error control - 为什么对您有用: 本文属于假设检验与因果推断的交叉领域,具体涉及亚组分析中的异质性治疗效应识别与后选择推断,与您的 primary interest 中的 hypothesis testing 和 causal inference 直接相关。您可以用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具来审视其均匀保证的紧性,例如检验其置信带的宽度是否达到最优;同时,其基于 GLM 和保序回归的方法也可与您的 semiparametric theory 知识对比。总体而言,这是一篇方法学应用型论文,可作为临床试验亚组分析方法的入门参考,但 novelty 有限,属于 application 级别。
2. 10.1002/sim.70776 — Bootstrap Calibration of Likelihood‐Ratio Inference for the Hypergeometric–Normal Random‐Effects Model in Rare‐Event Meta‐Analysis¶
- 作者: Hisashi Noma, Theodoros Evrenoglou, Kazushi Maruo
- 期刊/来源: Statistics in Medicine
- 机构: The Graduate University for Advanced Studies, SOKENDAI · The Institute of Statistical Mathematics · University of Freiburg · University Medical Center Freiburg · University of Tsukuba
- 分类: vol 45 · issue 23-24
- 相关性 5/10 · novelty:
application - 摘要: 本文针对罕见事件 meta-analysis 中传统的正态近似随机效应模型在零单元格存在时失效的问题,研究基于超几何-正态(HGN)模型的似然比(LR)推断。HGN 模型通过精确条件似然避免 Haldane 校正的偏差,但 Wald 型推断在小样本稀疏数据下仍不准确。作者提出两种参数 bootstrap 校准方法:一是对 LR 统计量进行均值校准,二是直接基于 LR 统计量的经验分布进行推断。模拟研究表明,未校正的 LR 置信区间在罕见事件条件下已具有稳定的覆盖率,而 bootstrap 均值校准在极端稀疏情形下进一步改善校准。方法应用于罗格列酮与心肌梗死的 meta 分析。对您而言,该文涉及假设检验的有限样本校准,与您对 hypothesis testing 的兴趣相关,其 bootstrap 校准思路可迁移至其他似然比推断场景。
- 关键技术:
hypergeometric-normal model,likelihood-ratio inference,parametric bootstrap calibration,exact conditional likelihood,rare-event meta-analysis - 为什么对您有用: 该文属于 hypothesis testing 子方向,聚焦于似然比统计量的有限样本校准,与您对假设检验的兴趣直接相关。您可运用 very_familiar 的软件开发和数值方法技能,复现其 bootstrap 校准算法并评估在不同稀疏度下的表现;也可用 moderately_familiar 的 M-estimation 理论分析其校准的渐近性质。中期可做:需在 moderately_familiar 的 semiparametric 理论上加强,以理解 bootstrap 校准在更复杂模型中的适用性。
统计计算 / 算法 (stat_computing, 1 篇)¶
1. 10.1002/sim.70766 — Optimal Subsampling for the Proportional Mean Residual Life Model With Massive Survival Data¶
- 作者: Yiwei Wang, Xiaoran Yang, Kani Chen, Fangfang Bai
- 期刊/来源: Statistics in Medicine
- 机构: University of International Business and Economics · Shandong Institute of Business and Technology · Hong Kong University of Science and Technology
- 分类: vol 45 · issue 23-24
- 相关性 6/10 · novelty:
new_method - 摘要: 本文针对大规模生存数据下的比例平均剩余寿命(PMRL)模型,提出一种最优子抽样方法,以在保持估计效率的同时大幅降低计算成本。作者基于子样本构造估计方程,推导了估计量的渐近性质,并在L-准则下发展出最优抽样概率。文中给出了实用的两步算法,并通过模拟和真实数据应用验证了方法的有效性。该方法属于计算统计与生存分析的交叉领域,其核心在于利用子抽样实现计算与统计效率的权衡。
- 关键技术:
optimal subsampling,L-optimality criterion,estimating equations,asymptotic normality,two-step algorithm - 为什么对您有用: 本文属于统计计算方向,与您对大规模数据下高效算法的兴趣相关。您可运用非常熟悉的软件开发和数值方法技能,复现其算法并评估不同抽样策略的有限样本表现。该工作可作为中期可做的切入点,需先熟悉生存分析中的PMRL模型及其估计方程理论。
流行病学 (epidemiology, 1 篇)¶
1. 10.1002/sim.70780 · arXiv — Coarsened Data in Small Area Estimation: A Bayesian Two‐Part Model for Mapping Smoking Behavior¶
- 作者: Aldo Gardini, Lorenzo Mori
- 期刊/来源: Statistics in Medicine
- 机构: University of Bologna
- 分类: vol 45 · issue 23-24
- 相关性 5/10 · novelty:
application - 摘要: 本文针对小区域估计(SAE)中自报结局的粗化(如取整、数字偏好)问题,提出一个贝叶斯单位级两层模型,同时估计吸烟流行率和强度。模型采用两部分结构:逻辑斯蒂分量建模吸烟概率,灵活的对数正态混合分布建模平均每日吸烟量,并显式建模粗化和顶码机制。粗化参数由数据估计,但其结构设定依赖关于合理取整机制的假设,需要专家判断。模拟研究表明,忽略粗化会导致域估计有偏、不稳定且区间覆盖率差,而所提模型提高了准确性并达到接近名义覆盖率。实证应用基于2019年意大利欧洲健康访谈调查,估计了地区与年龄组交叉分类域的吸烟指标,为公共卫生政策提供参考。对您而言,本文是流行病学中应用贝叶斯分层模型处理测量误差的实例,可作为入门读物,但方法学新颖性有限。
- 关键技术:
Bayesian unit-level SAE,two-part model,mixture of lognormals,coarsening model,top-coding,Markov chain Monte Carlo - 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处理粗化数据,可作为该方向的入门读物;武器库中的贝叶斯计算和分层建模能力足以理解,但方法学贡献一般,不值得深入挖掘。
其他 (other, 6 篇)¶
1. 10.1002/sim.70769 — Generalized Linear Mixed Models for Changepoint Analysis of Biomedical Time Series Data¶
- 作者: Mark Fiecas, Rebecca Killick, Kathryn Cullen
- 期刊/来源: Statistics in Medicine
- 机构: University of Minnesota · University of Minnesota System · Lancaster University
- 分类: vol 45 · issue 23-24
- 相关性 5/10 · novelty:
application - 摘要: 本文提出将广义线性混合模型(GLMM)嵌入动态规划算法,用于生物医学时间序列数据的多变点检测。研究动机来自两类数据:数字健康监测中的二元时间序列(个体多天内的活动状态)和神经影像中的多元fMRI时间序列(静息态动态功能连接)。方法的核心是借助混合模型中的随机效应来刻画时间序列中的结构,如个体内的重复测量或脑网络的社区结构,并在动态规划框架下同时估计变点位置和模型参数。通过模拟研究评估了方法在不同场景下的表现,并应用于两个实际数据集:56天内的身体活动变化分析,以及动态功能连接与非自杀性自伤严重程度之间的关联。该方法属于应用导向的方法学贡献,将经典GLMM与变点检测结合,但未涉及新的理论效率或推断性质。
- 关键技术:
generalized linear mixed models,dynamic programming,multiple changepoint detection,binary time series,functional connectivity - 为什么对您有用: 本文属于应用导向的统计方法,与您的主要兴趣(因果推断、高维统计等)无直接重叠,但作为流行病学或数字健康领域的应用工作,可提供纵向数据建模的参考。您的武器库(如M估计、U统计量)足以理解其方法,但缺乏新颖的理论深度,因此作为gateway reading价值有限,不值得优先精读。
2. 10.1002/sim.70781 — Gated Spatial Hidden Markov Models for Classification in Histological Samples, With Application to Muscle Fiber‐Typing¶
- 作者: Tilman M. Davies
- 期刊/来源: Statistics in Medicine
- 机构: University of Otago
- 分类: vol 45 · issue 23-24
- 相关性 5/10 · novelty:
application - 摘要: 本文提出一种门控空间隐马尔可夫模型(gated SHMM),用于组织学图像中基于连续染色强度的两类分类(如肌纤维分型),目标是在存在大规模光照和对比度波动时进行概率性、光照校正的分类。模型通过一个确定性的数据驱动“门”根据局部亮度重新缩放每个位点的有效决策阈值,并使用自逻辑先验鼓励空间连贯性。贝叶斯推断提供后验类别概率以及类别分离度和空间依赖性的参数汇总。在肌肉组织学数据上的应用表明,该模型对不均匀光照具有鲁棒性,同时保留精细的生物学结构。该方法将光照校正的不确定性传播到后续分类中,这是标准预处理方法所缺乏的。
- 关键技术:
spatial hidden Markov model,autologistic prior,Bayesian inference,illumination correction,probabilistic classification - 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、半参数等)无直接重叠,但作为流行病学或组织学图像分析的应用,可能提供处理空间相关性和测量误差的建模思路。您的武器库(如非参数统计、M估计)可用于评估其模型假设或扩展不确定性量化,但核心机器(空间点过程、贝叶斯计算)不在您的常用工具中,因此暂不可做。作为入门读物,本文对组织学图像分析的数据结构有清晰阐述,但方法学新颖性有限。
3. 10.1002/sim.70770 · arXiv — Simulated Annealing for Model‐Robust Partial Profile Choice Designs in Healthcare Preference Studies¶
- 作者: Yicheng Mao, Roselinde Kessels
- 期刊/来源: Statistics in Medicine
- 机构: University of Calgary · Maastricht University · University of Antwerp
- 分类: vol 45 · issue 23-24
- 相关性 4/10 · novelty:
application - 摘要: 本文研究医疗偏好研究中的离散选择实验(DCE)部分剖面设计,目标是在交互效应模型下构造高效实验设计以降低受访者认知负担。现有部分剖面设计多基于主效应模型,且部分设计无法估计交互效应。作者提出模拟退火(SA)算法,基于交互效应模型构造部分剖面设计,并针对交互效应存在与否未知的情况,提出模型稳健(model-robust)的设计策略。通过大量模拟实验和真实案例,证明所提SA模型稳健设计在不同真实模型下均表现良好。该工作属于实验设计领域,与统计计算中的优化算法相关,但非研究者核心兴趣方向。
- 关键技术:
simulated annealing,model-robust design,partial profile design,discrete choice experiments,interaction-effects model - 为什么对您有用: 本文属于实验设计(design of experiments)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。但其中使用的模拟退火算法属于统计计算范畴,可作为统计计算方向的入门或拓展阅读。武器库中'软件开发和数值方法'足以理解算法实现,但该主题并非研究者当前关注的核心问题,故仅作一般性了解,不值得深入阅读。
4. 10.1002/sim.70771 — Robust Functional Ward's Linkages With Applications in EEG Data Clustering¶
- 作者: Tianbo Chen, Wenlin Dai, Hanbing Zhu
- 期刊/来源: Statistics in Medicine
- 机构: Anhui University · Renmin University of China
- 分类: vol 45 · issue 23-24
- 相关性 4/10 · novelty:
application - 摘要: 本文针对分组函数型数据(每个聚类单元是一组曲线)的层次聚类,提出两种稳健的 Ward 型链接准则。传统 Ward 链接以合并后 SSE 的增量定义簇间不相似度,本文将其推广为构建包含两个候选簇中心代表曲线的公共带所需带宽的加权增量。为降低异常值影响,中心曲线分别在各簇内通过 magnitude-shape outlyingness 和 modified band depth 选取。模拟和两项 EEG 数据分析表明,所提方法在多种污染设定下具有稳健性和竞争力。该方法属于函数型数据聚类与稳健统计的交叉,与您的主要兴趣(因果推断、高维、半参数等)无直接交集,但 EEG 数据应用可作为流行病学或一般应用场景的参考。
- 关键技术:
functional data clustering,Ward's linkage,band depth,magnitude-shape outlyingness,robust estimation - 为什么对您有用: 本文属于函数型数据聚类方法,与您的主要兴趣(因果推断、高维、半参数等)无直接交集,但 EEG 数据应用可作为流行病学或一般应用场景的参考。作为 gateway reading,本文对函数型数据聚类和稳健统计的入门有一定帮助,但方法学深度有限,不值得优先投入时间。
5. 10.1002/sim.70758 · arXiv — Using Joint Models in Phase I Dose‐Finding Designs in Oncology: Considerations for Frequentist Approaches¶
- 作者: Xijin Chen, Pavel Mozgunov, Richard D. Baird, Thomas Jaki
- 期刊/来源: Statistics in Medicine
- 机构: University of Cambridge · MRC Biostatistics Unit · University of Regensburg
- 分类: vol 45 · issue 23-24
- 相关性 4/10 · novelty:
application - 摘要: 本文针对肿瘤学 I 期剂量递增试验,提出一种联合模型框架,将预测临床毒性的重复生物标志物测量纳入剂量-毒性关系建模,并与仅使用二元毒性数据的似然法持续再评估方法(CRM)进行比较。研究发现,在小样本早期剂量递增场景下,似然法 CRM 存在此前被忽视的估计困难(如参数不可识别或估计不稳定),并探讨了可能的补救措施。模拟结果表明,联合模型通过整合生物标志物信息,能缓解似然法 CRM 的估计问题并提高正确选择剂量的比例,但早期试验固有的数据限制在频率学派框架下无法完全克服。该研究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、U-统计量等)无直接交集,但其中小样本下的估计挑战与您熟悉的极大似然估计理论有一定关联。
- 关键技术:
joint modeling,continual reassessment method (CRM),likelihood-based estimation,simulation study,dose-finding design - 为什么对您有用: 本文属于临床试验设计应用,与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接交集。作为次要兴趣(流行病学应用)的延伸,它展示了小样本下似然估计的困难,但方法学新颖性有限。您熟悉的极大似然估计理论可帮助理解其估计问题,但无需深入阅读。
6. 10.1002/sim.70779 — Cancer Heterogeneity Modeling With Omics Data via Network‐Based Block‐Wise Regulatory Analysis¶
- 作者: Rong Li, Shuangge Ma
- 期刊/来源: Statistics in Medicine
- 机构: Renmin University of China · Yale University
- 分类: vol 45 · issue 23-24
- 相关性 4/10 · novelty:
application - 摘要: 本文提出一种基于网络和调控关系的癌症异质性建模方法,利用多组学数据(如基因表达和蛋白表达)同时进行样本分组、调控因子网络估计和调控关系识别。与现有文献不同,该方法关注调控因子的网络结构而非调控靶点,并引入调控因子的未知分块结构以补充网络信息。采用新颖的惩罚化方法同时识别样本组和估计分块结构、组特异网络及调控关系,并开发了有效计算算法。理论上严格证明了估计、选择和分块识别的一致性。模拟研究显示其优于多种备选方法,TCGA乳腺癌数据分析发现了与现有方法不同的合理结果。
- 关键技术:
penalized regression,block-wise structure learning,network-based heterogeneity modeling,multi-omics integration,consistency analysis - 为什么对您有用: 本文属于统计方法在癌症基因组学中的应用,涉及高维惩罚估计和网络结构学习,与您的高维统计和统计计算兴趣有间接关联,但并非核心方向。作为应用导向的方法学论文,其计算算法和一致性证明可能对您在高维问题中的计算技巧有参考价值,但整体相关性中等。
Maintained by 陈星宇 · Homepage · Source on GitHub