今天为大家解读的这篇研究，提出了一种兼具特征精简与统计可解释性的新框架——Φ检验。该框架能够在训练好的黑箱模型与评估数据集基础上，进一步筛选核心特征，让精简后的模型保留原始模型的大部分预测性能，同时输出包含特征后选择P值与置信区间的全局特征重要性表格，为黑箱模型的透明化解读提供了严谨的统计支撑。
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！
在复杂、高维的流行病学数据中，结合机器学习的双重稳健估计方法（如TMLE、AIPW、DML）能更可靠地估计因果关系，减少模型设定错误带来的偏差，是未来因果推断的重要发展方向。
今天分享的这篇中国学者的SCI论文，发表在《Alzheimers & Dementia》（医学一区，IF=11.1）杂志上，重点讲一下文章的统计学方法，集成机器学习与SHAP分析的统计解读。
如果你在医学研究、临床研究、公共卫生或药物评价领域工作，今天要介绍的超级学习者（Super Learner，SL），很可能会改变你的数据分析方式！
今天要了解的这篇文献，直观的向我们展示了传统方法（重复测量方差分析、t检验）和现有方法（线性混合效应模型（LME）、协方差模式模型（CP）、广义估计方程（GEE））在MAR缺失机制下的表现问题。
2025年10月19日，北京大学郭军教授团队发文医学顶刊《NEJM》，研究者做了一项三期多中心开放标签随机试验，双重主要终点为无进展生存期（通过盲法独立评价评估）和总体生存期，样本量该如何计算？研究又该如何设计？
医学顶刊BMJ发表了一篇特稿，题目就是：Causal inference is hard, and advanced statistical analysis is not enough（因果推断很难，仅靠先进的统计分析是不够的）。
在机器学习与预测模型横行的今天，你是否也陷入了“AUC焦虑”？认为AUC不破0.8，文章难登顶刊？ 今天，我们用一篇JAMA Network Open顶刊研究，为你破除迷思。它用AUC仅0.61的模型，成功讲了一个精彩的故事。核心密码不在于一味追求区分度，而在于精准拿捏临床价值、可解释性与实用性的三
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
