联系方式

公众号

意见反馈

纳入162个变量做倾向性得分匹配,这合理吗?

倾向得分匹配方法(PSM)主要用于处理观察性临床研究或临床试验研究数据亚组分析,能够有效消除混杂因素的影响。也由此,倾向评分在临床科研中迅速得到广泛应用。 <

Administrator Administrator 发布于 2025-06-23

临床试验ITT与PPS分析集结果矛盾?看这篇文章如何化解

《柳叶刀》近期发表了一项关于妊娠38周引产预防肩难产的随机对照实验,意向性治疗集(ITT集)未到达统计学意义,而符合方案集分

Administrator Administrator 发布于 2025-06-23

如何利用观察性健康数据,成功回答因果推断问题?

之前我们对发表在《European Stroke Journal》杂志的一篇Review article进行了分享。 这篇评论文章为卒中研究人员对基于观察性数据的描

Administrator Administrator 发布于 2025-06-20

36例小样本,还是阴性结果,凭什么发JAMA子刊?

2025年5月20日,外国学者在JAMA子刊

Administrator Administrator 发布于 2025-06-20

XGBoost是最强机器学习算法吗?

众所周知,机器学习构建预测模型有很多算法,其中,XGBoost是最强的吗?

Administrator Administrator 发布于 2025-06-20

做对这件事,观察性研究也能媲美 RCT!

随机对照试验(RCT)被公认为是确定因果关联的金标准。但受伦理、实践和可行性方面的影响,不适合开展RCT时,越来越多的研究者选择通过大型观察性研究获得证据。 那这时候我们就需要控制观察性研究自身设计缺陷所引起的各种偏倚,提高观察性研究数据因果推断的效能,为了达到这个目的,近年来提出了

Administrator Administrator 发布于 2025-06-20

顶刊《柳叶刀》杂志,它的亚组分析森林图是怎么画的?

现在亚组分析好像越来越流行,无论是观察性研究还是RCT研究,亚组分析一般配备森林图。 比如下方NEJM这张图,配色布局都比较经典美观! <

Administrator Administrator 发布于 2025-06-20

影响因素研究只用回归法建模?机器学习+SHAP新套路不妨试一试

大多数的影响因素研究借助传统回归方法探讨影响因素,这是众所周知的。

Administrator Administrator 发布于 2025-06-20

JAMA(IF=10.5): 机器学习预测模型XGBoost方法,更优秀

传统方法,如逻辑回归,已被广泛用于识别风险因素和预测疾病概率。 很多机器学习构建预测模型的文章中,XGBoost模型优于其他模型。</

Administrator Administrator 发布于 2025-06-20

收银台

订单信息

应付金额 积分

模块介绍

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