NHANES数据库分析，一步一个坎。常规分析小半年，现在半天全部搞定！标准的NHANES数据库分析步骤，包括数据下载整合——数据清洗——数据加权分析三步，可以说各有各难点。为了教大家如何用NHANES数据库，顺利完成一篇SCI论文，我们将推出"半天完成一篇NHANES数据库SCI论文“系列文章，手把手带你快速搞定分析！本文是系列文章的第二篇：如何10分钟完成NHANES数据的清洗工作！第一篇：零代

线性回归是一种常用的统计分析方法，用于建立自变量和因变量之间的线性关系模型。当知道两个变量间存在相关关系时，我们时常想进一步去探讨是否可以通过其中一个变量的数值定量的去预测另外一个变量的数值。在影响因素研究报告中，常常见到一种将单因素和多因素结果放在一起的表格，压缩了表格的长度，同时单因素多因素不同变量也一目了然！但是实际中制作这个表格也是费时费力，首先SPSS无法进行批量单因素分析，还需要手动绘

SEER数据库（The Surveillance, Epidemiology, and End Results）是美国国立癌症研究所（NCI）创建和维护的一个重要的癌症流行病学数据库。它起源于1970年，旨在收集关于癌症发病率、治疗和生存率等方面的详细信息，以用于癌症流行病学研究和临床医学研究。作为包含大量的临床肿瘤回顾性研究资料的数据库，SEER数据库拥有数据全面、定义明确、识别准确、分期细致、

取对数，简单来说，就是把数据“压缩”或者“拉平”，让它更适合线性回归的假设。如果数据中有零（如未检测到的标志物），可用 ln(x+c) 来近似处理（c是一个很小的常数，如0.5或1，或使用下限值的一半）。也可考虑别的变换或建模（如双边分布、分段建模）。许多生物标志物（如血清肌酐、CRP、激素、剂量、花费等）分布右偏，取对数后更接近正态分布，便于使用基于正态假设的方法（t检验、线性回归等）。例如炎症

引言机器学习构建预测模型的文章我们也看了不少了，今天我们分享一篇用集成机器学习法--Supper Learner，结合多个免费公共数据库构建机器学习疾病预测模型。先来看看本文的研究设计吧：1.数据收集与处理：23个缺失相关协变量数据的参与者被排除。2.特征选择：使用了23个人口统计学和临床变量作为预测因子。3.模型的构建与评估NASH-CRN（非酒精性脂肪性肝炎临床研究网络）观察性研究的数据（n=

欢迎报名2024年孟德尔随机化方法高级班课程！郑老师团队开设的孟德尔随机化高级班2024年1月20-21日开课，欢迎报名SEER（The Surveillance, Epidemiology, and End Results）数据库是由美国国立癌症研究所于 1973 年建立，是美国常用的癌症数据库，里面包括了各式各样的肿瘤类型，如肺癌、乳腺癌、胃癌等；还提供了各式各样的临床资料，如性别、年龄、..

什么是机器学习？通俗来讲，机器学习是以数据为研究对象，通过统计学方法构建模型并应用模型对数据进行预测与分析，是一门数据驱动的学科。通常而言，机器学习代指一些较为复杂的模型，例如监督式学习的基于树的Random forest，Decision tree或SVM，以及无监督式学习的K-means聚类，PCA,又或者是深度学习中的神经网络等等。当然，在定义上，我们所常用的回归，例如线性回归，逻辑回归，C

引言从统计学和构建预测模型的基本原理来看，预测模型的核心在于使用已知的信息、预测未知的事件。“已知”指的是在预测事件发生之前就已经存在并且可以获取的数据或特征，它们构成了模型训练的基础；而“未知”则指的是我们想要通过模型进行预测的目标或结局，它通常是基于已知信息来推断或估计的。对于我们想要构建的预测模型来说，筛选出的变量对最后的预测性能至关重要。今天分享一篇基于机器学习构建预测模型的二区Top的文

引言本周末开课：机器学习方法11.30-12.1 R语言构建机器学习课程开启，欢迎报名开启常规机器学习分析的文章大家都看了不少了，今天给大家分享一篇基于4种不同中国青少年受欺凌的受害者轨迹，使用常见的随机森林（RF）法构建预测模型。先来看看本文的研究设计吧：1.数据收集与处理对于缺失的数值型数据，使用中位数进行填充；对于缺失的分类型数据，使用众数进行填充；针对参与者分布不均衡的问题，使用随机过采样

老郑看到一篇文章，机器学习建模建了100个，挺有意思的，是实力？还是内卷？我们一起看看！这篇文章是中国学者发表在中科院一区，影响因子7.0的杂志《BMC Medicine》的一篇机器学习开发预测模型的文章，题为：“Development and external validation of a machine learning-based model to predict postoperativ