今天给大家带来一篇2025年12月23日发表在顶刊BMJ（医学一区，IF=42.7）的临床试验文章，研究团队在发现比例风险假设不成立后，运用分段Cox模型、时变HR曲线等互补的方法，精准揭示了药物“早期强效、后期衰减”的真实获益模式。
如果你在医学研究、临床实践、公共卫生或药物评价等领域工作，是否曾为选择“最佳”预测模型而纠结？今天为大家介绍一个可能改变你数据分析方式的强大工具——超级学习者（Super Learner，SL）。
前几天，我们分享了浙江中医药大学医学技术与信息工程学院冯亚宁博士，挖掘CHARLS公共数据库数据，于2025年3月，一作兼通讯在《Cardiovascular Diabetology》（医学一区，IF=10.6）杂志上发表的一篇因果推断研究论文，采用了纵向靶向最大似然估计（LTMLE）方法。
今天和大家分享一篇在Google Scholar被引用1078次的中科院三区SCI，2018年发表在《Health Psychology And Behavioral Medicine》期刊上，题为：Network analysis: a brief overview and tutorial（网络分析：简要概述和教程）。
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。
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
