LASSO及其拓展方法在回归分析变量筛选中的应用

多重共线性是影响回归分析结果的一个重要问题, 近年来发展的LASSO方法对于筛选解释性较高的变量、处理高维数据和解决多重共线性问题具有强大的优势。该方法是在模型估计中增加了惩罚项, 能将一些不必要变量的回归系数压缩为零进而从模型中剔除, 达到变量筛选的目的。本文将重点介绍LASSO这一方法, 并与最优子集、岭回归、自适应LASSO与弹性网络的结果进行比较, 结果显示LASSO与自适应LASSO在解决自变量多重共线性问题以及增强模型解释性、预测精度方面均有较好的表现。     

模拟目标试验在真实世界中的应用：他汀类药物对糖尿病患者死亡率的影响

模拟目标试验是一种观察性研究方法，该方法在无法进行随机对照试验（RCT）的情况下，可以利用真实世界数据（如观察性数据及历史性数据）按照RCT的设计原则进行研究设计，模拟随机分组形成干预组和对照组，最终得到近似RCT的高可信度结论。本研究以他汀类药物对糖尿病患者心肌梗死预后的影响为例，对模拟目标试验的基本概念和应用流程进行介绍，为其在真实世界中的应用提供参考。