最近老郑分享了很多因果推断的前沿方法学推文，今天介绍另一种前沿方法，工具变量因果森林。2025年11月发表在《International Journal of Epidemiology》（医学二区，IF=5.9）的一项研究，是一篇典型的因果推断研究，采用工具变量因果森林这一前沿机器学习方法，探究退休对认知功能的异质性影响。
很多朋友没有数据，没有试验条件，只能通过挖掘公共数据库数据开展研究，但又不想简单做个关联性研究，公共数据库数据难道不能探讨因果吗？
今天在一篇因果推断SCI论文中，看到一个词out of sample，翻译为各模型在所有处理和结局变量下的样本外 AUC 和 MSE。这是何意？“in sample test”与“out of sample”有何区别？
尽管多因素回归仍是目前最常见的方法，但它已不再是前沿方法论的最佳选择。一系列更稳健、更强大的现代方法已成熟可用，且实现简便。了解并应用这些方法，是提升研究质量的关键一步。
近年来，靶向最大似然估计（Targeted Maximum Likelihood Estimation, TMLE） 逐渐成为一种备受推崇的因果推断方法。它不仅具有双重稳健性，还能灵活结合机器学习，在复杂数据中表现优异。
这项研究采用了一种较为成熟的因果推断分析方法：断点回归设计（RDD），很多朋友可能还觉得比较陌生，今天我们重点讲讲！
中介分析到底该怎么做？最近看到一篇武汉教育部青少年网络心理学与行为重点实验室学者在二区SCI发了一篇论文，做了一个纵向中介模型，我们一起看看！
今天解读一篇2025年11月20日发表在医学顶刊柳叶刀《Lancet》主刊（医学一区，IF=88.5）上的一篇临床试验论文。这项临床试验研究设计很特别，采用2×2析因设计，且不是常规的平行组设计，而是分两阶段实施的序列随机化研究，郑老师团队统计师来详细说说！
Zstats交流群
联系助教
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
请稍候，正在为您生成支付订单
请使用扫描二维码完成支付
二维码获取失败
支付二维码获取失败，请点击重新获取
请稍候，正在为您完成支付
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
您的订单已支付完成，页面将在 秒后自动关闭
支付过程中出现错误，请重新选择支付方式
