这是一篇去年的比较新的文章，我查了下大概8.5分，文章大概就是介绍一种指数，叫做：甘油三酯葡萄糖-腰身高比指数（cumulative_TyG_WHtR），研究甘油三酯葡萄糖-腰身高比指数和新发心血管疾病的关系，作者搞了个K值聚类分析来把cumulative_TyG_WHtR指数分类，研究分类后指标和心血管疾病关系，这样类似的指数还有很多，比如TYG，WHtR，TyG_WHtR，目前这是一个发文的方

这条斜着的虚线是这两种方法的分界点，蓝色的点代表vimp大于0的，红色的点代表vimp小于0。红色斜着的虚线上的点，代表这个变量在两种分类方法排名相同，高于红色虚线上的点，代表它的vimp的排名更加高，低于红色虚线上的点，表明它的最小深度排名更高。如果我们根据阈值5.2757进行筛选，那么最终可以选出"bili" ，“albumin” ，“copper” ，“prothrombin” ，"edem

摘要：因果推断中，有向无环图(DAG)是可视化因果假设的重要工具，包含三种基本结构：叉形（混杂偏倚）、链形（中介效应）和对撞形（选择偏倚）。通过分析研究生听播客与考试成绩关系的案例，展示了如何识别混杂路径（如情绪和准备程度）并调整变量以获得真实因果效应。模拟数据表明，未调整模型会得出虚假关联，而控制混杂因素后能消除偏差。DAG的应用能有效指导变量选择，避免因果推断中的常见错误。

摘要：真实世界研究（RWS）作为随机对照试验（RCT）的重要补充，通过重叠加权（OW）方法在非理想化场景中评估医疗干预效果。本文对比了四种协变量调整方法（未调整、倾向评分匹配、逆概率加权和重叠加权），发现重叠加权在平衡组间差异（SMD≈0）和保留样本量方面表现最优，其权重算法稳定可靠。通过R语言实例分析，验证了OW方法在模拟RCT三大核心属性（目标人群相关性、协变量平衡性和估计精确性）上的优势，与

北京大学主持的"中国老年健康调查(CLHLS)"是一项覆盖全国23个省市的长期追踪研究，1998-2018年间完成8次调查，累计入户访问11.3万人次，其中80岁以上高龄老人占67.4%。研究收集了老人健康、认知、社会参与及照料需求等丰富数据，并包含2.89万死亡老人临终前状况。调查数据已通过开放平台免费共享，被1万多位学者使用，产出大量学术成果。该数据集以sav格式存储，包含

2019 年底到 2020 年初，新冠疫情在中国爆发，为及时记录新冠疫情对中国中老年人生活和健康的影响，在 2020 年的第 5 轮调查中增加采集了疫情相关的信息。CHARLS 是一项具备中国大陆 45 岁及以上人群代表性的追踪调查，旨在建设一个高质量的公共微观数据库，采集的信息涵盖社会经济状况和健康状况等多维度的信息，以满足老龄科学研究的需要。原创不易，需要全套代码的粉丝，把公众号的本篇文章转发

为利用国际上最佳的数据采集方式，并确保研究结果的国际可比性CHARLS 参照包括美国的健康与退休研究（HRS）在内的系列国际老龄调查研究开展调查设计。2019 年底到 2020 年初，新冠疫情在中国爆发，为及时记录新冠疫情对中国中老年人生活和健康的影响，在 2020 年的第 5 轮调查中增加采集了疫情相关的信息。CHARLS 是一项具备中国大陆 45 岁及以上人群代表性的追踪调查，旨在建设一个高质

假设我们研究的想研究的原因变量有两个"ieu-a-22",“prot-b-66”，想研究的结局变量有3个"finn-b-O15_MEMBR_PREMAT_RUPT",“ukb-b-12621”,“finn-b-O15_PLAC_PREMAT_SEPAR”，如果我们一个一个的做也是要花费一定时间的，如果变量更多就需要更多时间了。然而这个函数也是有部分缺点的，第一就是它是通过在线下载数据，如果你的网络

Charls的数据量不大，但是变量挺多的，非常详尽，特别是一些社科类的数据，又经过多年的随访，挺适合做重复测量数据的，因为表格众多，所以涉及到数据的合并、拼接和清洗，这是一个重要的内容，下一节继续介绍。申请账号以后进入到主页面，需要哪一年的数据都要进行申请，一般都成功，大概3个工作日通过，通过上面的内可以得知2011年是数据的基线表，后面的是随访分析，所以2011年是一定要下载的。比如怎么收集都数

调整了年龄、性别、教育程度、婚姻、吸烟、饮酒、体重指数、腰围、收缩压、高血压病史、心血管疾病史和降脂药物，我们看下亚组变量是不在协变量里面的，和我以前讲的完全一样，就是协变量中要删除亚组本身的那个变量。CHARLS 是一项具备中国大陆 45 岁及以上人群代表性的追踪调查，旨在建设一个高质量的公共微观数据库，采集的信息涵盖社会经济状况和健康状况等多维度的信息，以满足老龄科学研究的需要。今天咱们继续介