基于Super Learner的边缘结构模型研究及发展

时依性混杂是纵向观察性研究数据中常见,但较难用传统回归模型控制的特殊混杂。边缘结构模型通过计算逆概率权重对原始人群进行加权,获得新的虚拟人群,消除混杂因素的影响,是目前控制时依性混杂较流行的方法。近年来,随着机器学习的发展,利用数据自适应算法计算逆概率权重的边缘结构模型逐步受到关注。Super Learner是其中较新颖的一种方法,其能很好地规避传统估计逆概率权重方法的缺陷。该文基于前人的相关研究,总结传统边缘结构模型和逆概率权重的构建与计算,介绍Super Learner的构建、优缺点以及目前在药物流行病学相关研究中的实际应用,并提出未来可研究和待解决的问题。

缺失数据处理在药物流行病学研究中的应用及进展

缺失数据是药物流行病学研究中常见而且难以避免的问题,但与混杂因素相比,往往没有受到重视,其会导致后续对药物的评估引入潜在偏倚,以致得出错误结论。本文旨在通过介绍几种缺失数据的处理方法,为药物流行病学研究提供更多有价值的信息。