联系方式

公众号

意见反馈

归档

2026 年 02 月

在观察性研究中,如何准确估计某种干预或暴露对结局的因果效应,一直是流行病学与数据科学中的核心难题。 近年来,“超级学习者(Super Learner)”与“双重稳健估计器”的组合,逐渐成为因果推断领域的一把利器。它既能灵活拟合数据,又具备良好的统计性质,被越来越多研究者采用。
随着人工智能与机器学习在医学领域的广泛应用,大多数研究仍集中于模型开发阶段,而非将其实际应用于临床。因此,前瞻性验证与实时实施成为确保模型可靠性、泛化能力与临床实用性的关键步骤。 今天我们分享一篇发表在《British Journal
纵向研究中,从传统上我们依赖混合效应模型、重复测量方差分析等工具,试图从噪声中分离出时间效应、组间差异及其交互作用。 然而,面对高维、复杂的神经影像数据,这些方法常显得力不从心:它们或依赖于手工提取的特征(丢失大量信息),或难以建模非线性的时间轨迹。
肥胖在全美范围内的流行率在过去几十年持续上升,与全因死亡、癌症、心血管疾病等多种不良健康结局风险增加密切相关。然而,对于美国各州内不同种族和族裔的肥胖率及其未来预测趋势,近期缺乏更新、详细的估计。
刷知乎,看到一篇文章,说的是经济学研究基本都是线性模型,是否合理的?引发了很多网友的讨论。 今天,我也想说说我们医学数据,线性模型,是否满足它所需要的“线性”的条件。 下面我们先看看知乎这篇讲了些什么,然后再展开讲讲老郑的想法吧。
2026年1月10日,《Child Abuse & Neglect》(心理学二区,IF=3.4)刊登了一篇前沿因果推断研究论文,评估了青春期家庭外照料安置(OOHP)对受虐待青少年健康风险行为的影响。
随着人口老龄化加剧,髋部骨折已成为老年人致残、致死的重要原因。既往研究证实,虚弱和糖尿病是影响髋部骨折的风险因素。
很多因果问题无法通过随机对照试验解决,如何从观察性数据中得出可靠的因果结论,一直是方法学上的挑战。近年来,一种源自计量经济学的方法——断点回归设计,正逐渐受到广泛关注。 断点回归设计(RDD)为在随机临床试验不可行时,利用观察性数据估计因果效应提供了一种严谨的方法。它
在观察性研究中,估计暴露与结局间的因果效应,关键在于控制混杂。 当暴露不随时间变化时,如性别、基因型等,可采用匹配、回归校正、倾向性评分等传统方法进行控制。

收银台

订单信息

应付金额 积分

模块介绍

请加我们助教二维码或加入Zstats使用群
Zstats交流群

Zstats交流群

助教二维码

联系助教

选择支付方式

请输入助教告诉您的积分券

如果不填写积分券,将直接使用当前余额支付

正在创建订单...

请稍候,正在为您生成支付订单

支付二维码

请使用扫描二维码完成支付

等待支付中...

二维码获取失败

支付二维码获取失败,请点击重新获取

正在处理余额支付...

请稍候,正在为您完成支付

正在处理充值并支付...

正在使用积分券兑换,然后完成支付 正在使用当前余额完成支付

支付成功!

您的订单已支付完成,页面将在 秒后自动关闭

支付失败

支付过程中出现错误,请重新选择支付方式

平台说明