<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[HBLKMMU的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/HBLKMMU</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; HBLKMMU]]></copyright><item><title><![CDATA[R语言实战：重复测量数据可视化及解读]]></title><link>https://blog.youkuaiyun.com/HBLKMMU/article/details/158472400</link><guid>https://blog.youkuaiyun.com/HBLKMMU/article/details/158472400</guid><author>HBLKMMU</author><pubDate>Fri, 27 Feb 2026 23:08:16 +0800</pubDate><description><![CDATA[在配对设计中，每个患者在两个时间点被重复测量，做统计检验时，我们不能用独立样本t检验或Wilcoxon符号秩检验，而应该用配对t检验或Wilcoxon符号秩检验，这样才能控制个体间的基线差异，更准确地评估不同时间的变化。轨迹分析：用潜类别增长模型（LCGA）等方法，把患者分成不同的轨迹亚组，比如 “快速改善组”、“无变化组”和“恶化组”，然后分析哪些基线特征（如年龄、病情严重程度）能预测他们属于哪个亚组。混合效应模型：构建线性混合效应模型，同时分析时间、个体间变异和交互作用，更全面地理解数据。]]></description><category></category></item><item><title><![CDATA[深度解析哑变量｜医学数据分析的分类转译神器]]></title><link>https://blog.youkuaiyun.com/HBLKMMU/article/details/157910813</link><guid>https://blog.youkuaiyun.com/HBLKMMU/article/details/157910813</guid><author>HBLKMMU</author><pubDate>Mon, 09 Feb 2026 20:41:35 +0800</pubDate><description><![CDATA[如果自变量X2为二分类变量，例如是否饮酒（1=是，0=否），则回归系数β2可以解释为：其他自变量不变的条件下，X2=1（饮酒者）与X=0（不饮酒者）相比，所引起的因变量Y的平均变化量。b.等距性假设：模型认为从A型到B型的差距（2-1=1）和从B型到AB型的差距（3-2=1）是完全相同的，并且这种差距对药物代谢速度的影响也是相同的（都等于β₁）。如果参照组样本量过小，会导致其他分类与参照组比较时，参数估计的标准误增大、置信区间变宽，降低估计精度，甚至出现极端的参数值，影响结果的可靠性。]]></description><category></category></item><item><title><![CDATA[R语言实战：Lasso回归实现及结果解读]]></title><link>https://blog.youkuaiyun.com/HBLKMMU/article/details/157358983</link><guid>https://blog.youkuaiyun.com/HBLKMMU/article/details/157358983</guid><author>HBLKMMU</author><pubDate>Sun, 25 Jan 2026 13:44:59 +0800</pubDate><description><![CDATA[交叉验证（CV）曲线核心是以惩罚系数 λ 的对数为横轴，以交叉验证的均方误差（MSE）/ 偏差为纵轴，展示不同 λ 下模型的预测性能，同时标注最优 λ（最小误差对应的 λ）和1-SEλ（最小误差 + 1 个标准误对应的 λ，更简约的模型），是选择 LASSO 惩罚强度的核心图。即每一条曲线代表了每一个自变量系数的变化轨迹，纵坐标是系数的值，下横坐标是log(λ)，上横坐标是此时模型中非零系数的个数。λ 越大，惩罚越强，变量被逐步压缩为 0，模型越简约，误差先降后升。缺失率过高（如>20%）的变量直接剔除。]]></description><category></category></item><item><title><![CDATA[Lasso回归在医学研究中的应用]]></title><link>https://blog.youkuaiyun.com/HBLKMMU/article/details/157257081</link><guid>https://blog.youkuaiyun.com/HBLKMMU/article/details/157257081</guid><author>HBLKMMU</author><pubDate>Thu, 22 Jan 2026 16:43:28 +0800</pubDate><description><![CDATA[（Least absolute shrinkage and selection operator，Lasso），通过引入L1正则化项，添加惩罚函数，既能不断压缩回归系数、解决多重共线性，又能将冗余变量系数收缩至0，实现自动变量选择，达到精简模型的目的，完美适配医学高维数据的分析需求。机器学习常面临高维特征场景（如临床影像组学、基因数据），Lasso可快速剔除冗余特征，保留核心变量，简化模型结构，提升泛化能力，为后续复杂模型（随机森林、GBDT）预处理特征，降低计算成本。]]></description><category></category></item><item><title><![CDATA[10分钟搞定插件安装，掌握Zotero必备的几款插件，助你成为驯龙高手]]></title><link>https://blog.youkuaiyun.com/HBLKMMU/article/details/157175931</link><guid>https://blog.youkuaiyun.com/HBLKMMU/article/details/157175931</guid><author>HBLKMMU</author><pubDate>Tue, 20 Jan 2026 14:02:14 +0800</pubDate><description><![CDATA[今天，带你用10分钟解锁Zotero的终极形态，安装几款核心插件，让你的文献管理效率直接起飞，真正成为驾驭文献的“驯龙高手”！安装成功后，Zotero顶部会出现一个“📦”图标，点击即可打开内置的插件商店，像手机应用市场一样直接搜索、安装其他插件，无需再手动下载文件。Linter for Zotero 是 Zotero 的元数据格式化插件，核心价值是自动规范文献条目信息、补全缺失字段、统一格式，大幅提升文献库质量与引用准确性，第二步：点击刷新，智能解析：在右侧的参考文献侧边栏中，找到并点击 “刷新”按钮。]]></description><category></category></item><item><title><![CDATA[R语言实战：多重共线性诊断之方差膨胀因子（VIF）]]></title><link>https://blog.youkuaiyun.com/HBLKMMU/article/details/157098430</link><guid>https://blog.youkuaiyun.com/HBLKMMU/article/details/157098430</guid><author>HBLKMMU</author><pubDate>Sun, 18 Jan 2026 15:30:53 +0800</pubDate><description><![CDATA[当你满怀信心地将这些变量放入多元线性回归模型后，结果却让你大跌眼镜：理论上应该与血糖控制正相关的某个指标，其回归系数竟然出现了负值，或者所有自变量的P值都不显著，但模型整体拟合优度（R²）却很高。当这些存在内在关联的变量被同时放入模型，就会导致回归系数估计值变得极不稳定、标准误增大，使得原本可能有显著影响的变量变得不显著，甚至出现系数符号与医学常识相反的荒谬结果，严重削弱模型的可解释性和可靠性。与VIF等价的一个指标是容忍度，它是VIF的倒数（Tol = 1/VIF）。如何科学地诊断多重共线性？]]></description><category></category></item><item><title><![CDATA[RCS（限制性立方样条图）结果解读]]></title><link>https://blog.youkuaiyun.com/HBLKMMU/article/details/156913030</link><guid>https://blog.youkuaiyun.com/HBLKMMU/article/details/156913030</guid><author>HBLKMMU</author><pubDate>Tue, 13 Jan 2026 20:56:12 +0800</pubDate><description><![CDATA[如果 P-Nonlinear ≥ 0.05：则不能拒绝线性假设，此时虽然图形可能显示有波动，但统计上更支持简单的线性关系，或非线性趋势不显著。定位参考点与风险变化：RCS图中会设定一个参考点，通常为自变量的中位数或具有临床意义的切点，该点对应的相对风险被定义为1。如果 P-Nonlinear < 0.05：则拒绝“关系为线性”的原假设，认为自变量与结局之间存在显著的非线性关系。通过系统性的解读，RCS图便能从一个复杂的统计图形，转化为揭示连续暴露因素与健康结局之间复杂动态关系的强大证据。]]></description><category></category></item><item><title><![CDATA[R语言实战：RCS限制性立方条图分析]]></title><link>https://blog.youkuaiyun.com/HBLKMMU/article/details/156823979</link><guid>https://blog.youkuaiyun.com/HBLKMMU/article/details/156823979</guid><author>HBLKMMU</author><pubDate>Sun, 11 Jan 2026 11:02:13 +0800</pubDate><description><![CDATA[这个约束的效果是：让曲线在数据范围的两端保持线性趋势（不再剧烈弯曲），避免了无意义的波动，更贴合实际的生物学 / 统计学规律。例如，2018年发表在《柳叶刀-糖尿病与内分泌学》上的一项针对360万英国成年人的研究，正是运用RCS清晰揭示了BMI与全因死亡率之间显著的J型关系，找到了死亡风险最低的BMI拐点（约25 kg/m²）。此时，一种强大的可视化与分析方法——限制性立方样条图（RCS）正日益成为顶级期刊的“常客”，一张图就可以揭示隐藏的J型或U型关联，让医学研究从大概相关走向精确刻画。]]></description><category></category></item></channel></rss>