<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[dege857的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/dege857</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; dege857]]></copyright><item><title><![CDATA[WorkBuddy × 混元 Hy4模型正在嘎嘎乱杀，推理能力强得一逼，科研薅羊毛正当时]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/170244541</link><guid>https://blog.youkuaiyun.com/dege857/article/details/170244541</guid><author>dege857</author><pubDate>Sat, 07 Nov 2026 16:53:02 +0800</pubDate><description><![CDATA[作者长期致力于R语言科研，自研scitb包用于基线表生成，但受限于复杂加权功能缺失，始终未能实现类似tableone包中svyCreateTableOne的加权基线表功能。借助免费上线的Hy4模型，通过精准提问，成功引导其理解survey与tableone包算法原理，并基于scitb1逻辑重构出高效、规范的svyscitb1函数。该函数支持加权/非加权例数、统计量及SMD计算，显著提升NHNES数据处理效率。作者感叹AI助力科研之强大，呼吁趁免费期尽快使用。]]></description><category></category></item><item><title><![CDATA[workbudy做科研系列：读文献不用每次从零开始：手把手教你”养”一个 Skill]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/169748220</link><guid>https://blog.youkuaiyun.com/dege857/article/details/169748220</guid><author>dege857</author><pubDate>Mon, 02 Nov 2026 09:02:34 +0800</pubDate><description><![CDATA[本文为《WorkBuddy 做科研》系列首期，手把手教你用 AI 高效读文献。通过自定义 Skill，将零散阅读流程固化为可复用的智能任务：从粗糙初版到精准输出，实现多篇文献统一标准分析。核心在于“先用后改”，让 WorkBuddy 成为你的数字科研同事，真正解放双手，越用越顺手。]]></description><category></category></item><item><title><![CDATA[使用scitable包轻松绘制3d交互效应可视化分析]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/168561802</link><guid>https://blog.youkuaiyun.com/dege857/article/details/168561802</guid><author>dege857</author><pubDate>Wed, 21 Oct 2026 09:04:16 +0800</pubDate><description><![CDATA[本文介绍在SCI论文中，交互效应分析（如表五）可增强结果可信度与数据挖掘价值。通过R语言ggsci3d函数，可可视化连续变量间的交互作用，如ibh与dpg对臭氧浓度的影响，支持3D曲面、等高线及动态旋转图，并可调整协变量、颜色与网格密度，提升图表表现力，助力科研创新。]]></description><category></category></item><item><title><![CDATA[R语言使用ggcube包轻松绘制文章中的各类3D图形]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/168107755</link><guid>https://blog.youkuaiyun.com/dege857/article/details/168107755</guid><author>dege857</author><pubDate>Fri, 16 Oct 2026 09:30:49 +0800</pubDate><description><![CDATA[ggcube是ggplot2的3D绘图扩展，支持散点图、表面图、路径图、柱状图、球体及文字等3D可视化。基于R内置数据（如mpg、iris）和自定义数据，结合coord_3d()与多种几何函数（如geom_point_3d、geom_surface_3d），实现专业级三维图形绘制。通过控制视角、光照、投影与交互式控件，适用于数据探索、科学展示与艺术创作，延续ggplot2简洁语法，极大提升3D可视化效率。]]></description><category></category></item><item><title><![CDATA[没有发现效果，就等于证明无效吗？—— 统计学里「证据缺失」和「缺失的证据」]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/167282315</link><guid>https://blog.youkuaiyun.com/dege857/article/details/167282315</guid><author>dege857</author><pubDate>Mon, 12 Oct 2026 09:13:18 +0800</pubDate><description><![CDATA[研究中“未发现显著结果”常被误读为“无效”，实则仅为“缺乏证据”。统计学强调：缺乏证据 ≠ 证明不存在。传统p值无法证明无效应，需借助等效检验、贝叶斯因子、置信区间或贝叶斯ROPE等方法，结合预设实际意义阈值与足够样本量，才能合理推断“无实际效果”。科研应避免强行二元判断，尊重证据局限，理性悬置结论。]]></description><category></category></item><item><title><![CDATA[chrals.CTI函数升级版发布，增加了CTI衍生的脂肪指数提取]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/166994779</link><guid>https://blog.youkuaiyun.com/dege857/article/details/166994779</guid><author>dege857</author><pubDate>Sat, 03 Oct 2026 09:31:18 +0800</pubDate><description><![CDATA[本文介绍基于CHARLS数据的chrals.CTI函数升级版，可一键提取九种CTI衍生脂肪指数（如CTI-BMI、CTI-WC等），用于评估心血管-肝-代谢多病风险。结合最新研究，该工具支持2011、2015年数据，操作简便，助力临床与流行病学研究中胰岛素抵抗与炎症联合指标的高效应用。]]></description><category></category></item><item><title><![CDATA[复现一篇15文章统计功效的分析方法]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/166254474</link><guid>https://blog.youkuaiyun.com/dege857/article/details/166254474</guid><author>dege857</author><pubDate>Tue, 22 Sep 2026 09:19:19 +0800</pubDate><description><![CDATA[统计功效指研究检测真实效应的能力，通常要求≥0.80。本文基于模拟数据，使用powerSurvEpi包分析心肺适能（CRF）与心代谢多病共存的关联，估算出HR=0.97时需至少1937例样本才能达到80%功效。通过绘制功效-效应量曲线，揭示了不同风险比下的检测能力，强调了研究设计中合理估算样本量的重要性。]]></description><category></category></item><item><title><![CDATA[2021 CLHLS 数据重磅更新：解锁‘家庭幸福’与‘养老金融’新维度]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/165578955</link><guid>https://blog.youkuaiyun.com/dege857/article/details/165578955</guid><author>dege857</author><pubDate>Wed, 16 Sep 2026 09:09:51 +0800</pubDate><description><![CDATA[北京大学“中国老年健康调查”（CLHLS）2021年第九次数据更新，实现电子化采集，失访率仅3.8%，数据质量显著提升。新增成年子女样本、长寿地区生物样本及养老金融、数字鸿沟、孝道指数、长期护理保险等核心变量，构建“父母-子女”配对数据，助力代际研究。结合高龄老人与死亡追踪优势，可深入探索养老金融、智慧养老、家庭支持、长护险政策及长寿机制等前沿课题，极具高分论文潜力。数据可通过北大开放研究平台申请获取。]]></description><category></category></item><item><title><![CDATA[手把手带你复现一篇5分一区CLHLS数据双变量潜轨迹分析文章]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/164713283</link><guid>https://blog.youkuaiyun.com/dege857/article/details/164713283</guid><author>dege857</author><pubDate>Wed, 09 Sep 2026 09:23:45 +0800</pubDate><description><![CDATA[<think>我们根据用户要求，生成≤150字的文章摘要。内容是关于双变量潜类别轨迹建模（LCTM）应用于睡眠时长和体重调整腰围指数（WWI）与心血管风险关联研究。摘要需概括方法（识别共同轨迹）、步骤（单变量轨迹分析后合并）和主要发现（关联风险）。语言简洁。注意字数限制。</think>本文展示了双变量潜类别轨迹建模在老年人心血管风险研究中的应用，通过分别识别睡眠时长与体重调整腰围指数的潜在轨迹，合并后分析其与心血管疾病的关联。方法包括数据宽转长、轨迹拟合及协变量比较，为探索多因素动态变化提供了实用分析框架]]></description><category></category></item><item><title><![CDATA[Scitable包新版sciimp函数上线，支持自定义灵活插补]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/164325296</link><guid>https://blog.youkuaiyun.com/dege857/article/details/164325296</guid><author>dege857</author><pubDate>Thu, 03 Sep 2026 09:58:31 +0800</pubDate><description><![CDATA[<think>我们根据要求，生成≤150字的文章摘要。需要把内容核心概括出来：主要讲多重插补，介绍了升级后的sciimp函数，支持自定义灵活插补（部分变量不插补），以及提供随机森林插补方法处理偏态数据不能常规插补的情况，并可绘图对比。注意摘要要简洁，150字以内，中文。</think>本文介绍多重插补的实践方法：升级版sciimp函数支持自定义部分变量插补，避免对结局及时间变量误补；针对偏态数据常规mice无法收敛时，可切换随机森林插补，并绘制插补前后分布以应对审稿。]]></description><category></category></item><item><title><![CDATA[sci_CLPA函数上线，轻松完成18分文章交叉滞后网络分析图]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/163938282</link><guid>https://blog.youkuaiyun.com/dege857/article/details/163938282</guid><author>dege857</author><pubDate>Fri, 21 Aug 2026 10:09:15 +0800</pubDate><description><![CDATA[本文介绍了交叉滞后网络分析图（CLPA）的使用方法及其解读要点。该分析通过节点和箭头展示变量间的时间预测关系，其中粉色节点代表心血管结局，绿色节点为关键风险因素，浅蓝色节点为功能指标。文章详细讲解了如何通过箭头方向、连线粗细和网络结构来解读变量间的预测关系，并演示了如何使用R语言中的sci_CLPA函数生成分析图和自定义颜色分组。此外，还展示了如何识别高亮变量（权重强度最高的变量）和生成边权重的Bootstrap置信区间图。该分析方法适用于研究变量间的时序因果关系，尤其适合慢性病和健康行为研究。]]></description><category></category></item><item><title><![CDATA[R语言进行神经网络分析]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/163743242</link><guid>https://blog.youkuaiyun.com/dege857/article/details/163743242</guid><author>dege857</author><pubDate>Fri, 14 Aug 2026 08:48:41 +0800</pubDate><description><![CDATA[本文介绍了人工神经网络的基本原理和R语言实现方法。首先解释了神经网络的前向传播、损失计算、反向传播和权重更新四个关键步骤。然后以iris数据集为例，使用R的neuralnet包演示了完整的神经网络建模流程，包括数据标准化、训练集划分、模型构建（含2个隐藏层）、可视化网络结构、预测评估和权重分析。最后将神经网络形象比喻为多评委投票决策系统，便于理解其工作机制。该教程提供了神经网络从理论到实践的完整实现路径。]]></description><category></category></item><item><title><![CDATA[绘制一篇18分文章的交叉滞后网络分析图]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/163544417</link><guid>https://blog.youkuaiyun.com/dege857/article/details/163544417</guid><author>dege857</author><pubDate>Fri, 07 Aug 2026 09:03:02 +0800</pubDate><description><![CDATA[本文介绍了如何复现一篇18分文章的交叉滞后网络分析图，重点解读了该图的构成要素和可视化方法。图中节点分为三类：粉色代表心血管疾病结局，绿色为关键风险因素，浅蓝色是功能指标。蓝色箭头表示变量间的预测关系，线条方向体现格兰杰因果关系。文章使用R语言的igraph包进行复现，详细展示了节点数据生成、颜色定义、网络构建及可视化步骤，包括圆形布局和美化参数设置。同时介绍了使用ggraph和tidygraph包的替代实现方案。该网络图能直观展示健康风险因素如何通过功能指标最终导致疾病发生，为疾病预防提供可视化依据。]]></description><category></category></item><item><title><![CDATA[使用scitable包，两步生成逆概率删失权重（IPCW）]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/163345269</link><guid>https://blog.youkuaiyun.com/dege857/article/details/163345269</guid><author>dege857</author><pubDate>Fri, 31 Jul 2026 18:02:45 +0800</pubDate><description><![CDATA[摘要： 逆概率删失加权（IPCW）是一种用于纠正数据删失或干预偏离导致的选择偏倚的统计方法。其核心是为未删失个体赋予权重（即被观测概率的倒数），从而还原真实情况下的无偏估计。与逆概率加权（IPW）不同，IPCW解决的是“数据被观测到”的问题，适用于随访中有人退出的研究场景。通过R语言scitable包可快速生成IPCW权重：导入数据后，使用sci_CCW()函数指定变量（如暴露时间、结局变量、协变量等），即可输出权重值（如weight_cox），用于后续分析。该方法在真实世界研究中尤其重要，能有效处理失访或]]></description><category></category></item><item><title><![CDATA[charls_METS_IR函数发布，秒提charls数据中的胰岛素抵抗指标指标METS-IR]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/163143313</link><guid>https://blog.youkuaiyun.com/dege857/article/details/163143313</guid><author>dege857</author><pubDate>Sun, 26 Jul 2026 11:05:01 +0800</pubDate><description><![CDATA[摘要：本研究基于CHARLS数据库2011年和2015年数据，开发了计算胰岛素抵抗指标METS-IR及其累积加权指标cumMETS-IR的R函数。通过整合血检数据与健康调查数据，分析了这两个指标与多种健康结局的关联。结果显示，cumMETS-IR与年龄、BMI、血糖血脂指标等代谢参数显著相关，并能预测多种慢性疾病风险。研究为胰岛素抵抗相关研究提供了便捷的分析工具，并揭示了cumMETS-IR作为代谢风险预测指标的潜在价值。]]></description><category></category></item><item><title><![CDATA[论文被拒因为“逻辑不通”？BMJ最新发文：别再假装你只研究“关联”了！]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/162989818</link><guid>https://blog.youkuaiyun.com/dege857/article/details/162989818</guid><author>dege857</author><pubDate>Sat, 18 Jul 2026 10:39:37 +0800</pubDate><description><![CDATA[科研论文中刻意回避"因果"词汇转而使用模糊的"关联"表述，实际上损害了研究的逻辑严谨性。BMJ最新研究指出，70%顶刊论文虽进行因果推断却不敢使用因果术语，导致研究目标不清、讨论逻辑混乱。正确做法应区分研究阶段：提出问题大胆使用因果语言，计算过程严谨表述统计关联，讨论部分明确因果解释的前提假设。预测性研究则应避免"关联"一词，改用"预测""分类"等准确表述。使用因果术语不会自动使研究成为因果推断，但能促使研究者更严谨地论证假设、更诚实地讨论偏倚。]]></description><category></category></item><item><title><![CDATA[R语言贝叶斯核机回归用于估算多污染混合物的健康影响]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/162767108</link><guid>https://blog.youkuaiyun.com/dege857/article/details/162767108</guid><author>dege857</author><pubDate>Fri, 10 Jul 2026 16:46:49 +0800</pubDate><description><![CDATA[本文介绍了贝叶斯核机回归（BKMR）在多污染物健康效应评估中的应用。BKMR通过核函数灵活建模暴露变量与健康结局的非线性关系，克服传统线性模型的局限。文章使用R语言bkmr包进行演示，包括数据模拟、模型拟合、收敛性评估和结果解读。关键步骤包括计算后验包含概率(PIP)评估变量重要性、绘制单变量和双变量暴露-反应曲线、检测交互作用，以及通过分位数分析评估混合暴露的总体效应。可视化方法如轨迹图、条形图和热图等有效辅助结果呈现，为环境流行病学研究混合物健康效应提供了有力工具。]]></description><category></category></item><item><title><![CDATA[手把手带你解析主成分分析]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/162406564</link><guid>https://blog.youkuaiyun.com/dege857/article/details/162406564</guid><author>dege857</author><pubDate>Mon, 29 Jun 2026 09:44:09 +0800</pubDate><description><![CDATA[什么是主成分分析（PCA）？
主成分分析是一种用于降维的统计技术。它取一组彼此相关的变量，并将其重新表示为一组新的、无相关变量，称为主成分。第一主成分（PC1）捕捉数据中可能存在的最大方差;第二个（PC2）捕捉PC1后剩余最大方差，依此类推，每个分量与前一个分量正交。
]]></description><category></category></item><item><title><![CDATA[scitable包复现一篇charl数据库4分马尔科夫链文章]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/162177138</link><guid>https://blog.youkuaiyun.com/dege857/article/details/162177138</guid><author>dege857</author><pubDate>Mon, 22 Jun 2026 09:07:50 +0800</pubDate><description><![CDATA[本文介绍了使用马尔科夫链模型研究中国老年人肌少症与虚弱状态转变关联的方法复现。作者通过模拟数据展示了如何构建多状态马尔科夫模型，计算不同时间点的状态转移概率，并分析协变量（如肌少症）对转移强度的影响。文章重点演示了三种模型的建立（未调整模型、部分调整模型和全调整模型），并展示了如何可视化不同协变量组的状态转移概率变化趋势。最后指出该方法对数据要求较高，实际应用中存在挑战。全文通过R代码示例展示了马尔科夫链在医学研究中的具体应用。]]></description><category></category></item><item><title><![CDATA[stata复现一篇4分文章的潜轨迹分析]]></title><link>https://blog.youkuaiyun.com/dege857/article/details/161915334</link><guid>https://blog.youkuaiyun.com/dege857/article/details/161915334</guid><author>dege857</author><pubDate>Fri, 12 Jun 2026 09:30:40 +0800</pubDate><description><![CDATA[本文介绍了使用Stata 17进行潜轨迹分析（traj插件）的方法，复现了一篇关于老年人心血管风险研究的4分文章。主要内容包括：1）traj插件的安装方法；2）示例数据的下载；3）模型参数设置说明（分组数、因变量、自变量、模型类型等）；4）模型运行和轨迹图绘制；5）结果解读（组别分配概率和图形参数）。分析过程简洁明了，最终获得了与研究文章一致的轨迹图。该方法适用于纵向数据模式识别，但需注意必须使用Stata 17及以上版本。]]></description><category></category></item></channel></rss>