首页 > 文献资料
-
有向无环图:语言、规则及应用
几乎所有的科学研究都在探索因果关系,有向无环图(DAGs)是因果关系研究的图形工具.本文系统地介绍了DAGs的图形语言、基本规则和干扰规则,及其在识别研究问题、理解和实施研究设计、指导数据分析、偏倚分类等方面的应用.DAGs对因果关系的研究具有重要的指导价值.
-
现实队列研究中暴露与结局的时序关系
暴露在发生时间上先于结局,是队列研究的优点之一,因此在因果推断上优于其他观察性设计.本文应用有向无环图(Directed Acyclic Graphs,DAGs)构建了现实队列研究中易感人群的因果结构后发现:现实的队列研究以研究人群替换易感人群进行因果效应的估计,人群的暴露与结局在时序关系上可互为先后,因果效应估计的准确性受到替换人群的易感性和基线调查时结局识别和排除有效性的影响.
-
有向无环图在因果推断控制混杂因素中的应用
观察性研究是流行病学病因研究中常用的方法之一,但在因果推断时混杂因素往往会歪曲暴露与结局的真实因果关联.为了消除混杂,选择变量调整是关键所在.有向无环图能够将复杂的因果关系可视化,提供识别混杂的直观方法,将识别混杂转变成识别小充分调整集.一方面有向无环图可以选择调整更少的变量,增加分析的统计效率;另一方面有向无环图识别的小充分调整集可以避开未被测量或有缺失值的变量.总之,有向无环图有助于充分揭示真实的因果关系.
-
客观世界的因果关系:基于有向无环图的结构解析
客观世界因果关系的整体框架较为笼统而缺乏明晰的细节,给因果关系的研究带来困难.本文基于因果关系的时序特性结合有向无环图(DAGs),以因和果的发生时间为界,将客观世界的时间维度划分为3个时间域和2个时间点.通过对5个时间单位上变量间存在着的完整的因果关系的病因网络DAGs进行分析发现,其病因结构由两部分叠加组成:第一部分是各个时间域间/时间点上任取一变量间的组合DAGs,为因果关系的基本结构,构成病因网络的核心,仅混杂路径影响其因果效应估计;第二部分是各个时间域内/时间点上变量间的母子或祖先-后代关系,其DAGs表现为与混杂类似的结构.本文简洁明了地构建了客观世界因果关系研究的整体框架(病因网络DAGs),解释了控制混杂以解决因果效应估计的结构基础,为正确研究和识别因果关系奠定基础.
-
生命历程流行病学中的动态路径分析
现代流行病学研究中,疾病或健康相关事件的发生常难以完全用短期的暴露状态来解释.生命历程流行病学着眼于生命早期阶段的暴露因素对个人整个生命历程中的健康或疾病状况所产生的长期影响,并逐渐得到重视.当对暴露因素的病因机制及其通过其他因素产生的作用大小进行分析时,由于时间因素的存在,传统统计分析方法难以满足生命历程流行病学中病因分析的需求.本文概述了能用于生命历程病因分析的动态路径分析方法,包括该模型的结构、意义及其在生命历程流行病学病因分析中的应用.同时说明了如何准备数据、进行病因机制分析,并证明动态路径分析模型可作为生命历程流行病学中有效的病因分析工具.
-
研究设计时混杂控制策略的结构分类
混杂影响着人群因果关系的发生.依据混杂因素是否已知、可测量及已测量,可将其分为4类情形.基于有向无环图,对混杂的控制策略分为两类:①混杂路径打断法,又可分为单路径和双路径打断法,分别对应于暴露完全干预法、限制法和分层法;②混杂路径保留法,分别对应于暴露不完全干预法(工具变量设计或不完美的随机对照试验)、中间变量法和匹配法.其中,随机对照试验、工具变量设计或孟德尔随机化设计、中间变量分析可满足4类混杂的控制,而限制法、分层法和匹配法仅适用于已知、可测量并已测量的混杂.识别不同类型混杂的控制机制,有助于在研究设计阶段提出应对措施,是获得正确因果效应估计的前提.
-
基于支撑向量机的中医舌色苔色识别算法研究
本文针对舌色苔色的分类与识别,提出了一种DAG和决策树结合的方法.在训练SVM分类器的过程中,根据舌象样本中部分类别线性可分,而另一部分类别线性不可分的特点,采用了不同的核函数及其参数.实验结果表明,本文提出的算法在识别率和识别速度上都有一定提高.
-
有向无环图在循证医学中的应用
循证医学是遵循证据的医学,是临床医生应用佳证据对患者进行诊治的医疗实践,证据的提供者和应用者都需要对医学研究过程中可能出现的偏倚进行识别和控制,有向无环图作为探索因果关系的辅助工具,可通过简单的图形语言揭示研究中可能存在的偏倚,对研究中的偏倚进行有效控制,从而提高医学研究质量,更好的指导临床实践.
