<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Codewar的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/tm_ggplot2</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; tm_ggplot2]]></copyright><item><title><![CDATA[竞争风险模型（Fine-Gray）：比Cox更精准的生存分析]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164370042</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164370042</guid><author>tm_ggplot2</author><pubDate>Fri, 04 Sep 2026 15:37:56 +0800</pubDate><description><![CDATA[想象一下，你在做一个肺癌的预后研究。病人随访了5年，你信心满满地跑了个Cox回归，觉得稳了。然后你发现一个问题：有23个病人死亡了，但其中有8个是死于心梗、脑梗、车祸——压根不是肺癌！这时候你的Cox模型告诉你"肺癌的死亡风险是HR=2.3"，但这个数字其实是在骗你。因为那8个人已经被Cox模型当作"censoring"（删失）处理了——也就是说，模型假装他们还活着。这科学吗？当然不科学。这就是要解决的问题。]]></description><category></category></item><item><title><![CDATA[从吃这个药有用吗到循证医学：医学决策是怎么一步步变靠谱的]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164370013</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164370013</guid><author>tm_ggplot2</author><pubDate>Fri, 04 Sep 2026 15:37:21 +0800</pubDate><description><![CDATA[进了医院，医生跟你说"你这个病，我们推荐用这种疗法"。你问"为什么？"医生说"因为指南这么写的"。你心里犯嘀咕：这指南是谁写的？可靠吗？凭啥说我这种情况就要用这个？今天把这件事的前世今生讲清楚，保证你以后听到"循证医学"不再觉得是句废话。]]></description><category></category></item><item><title><![CDATA[如何用R语言快速给你的问卷数据做探索性因子分析（EFA）？]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164369990</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164369990</guid><author>tm_ggplot2</author><pubDate>Fri, 04 Sep 2026 15:36:37 +0800</pubDate><description><![CDATA[确定能提取几个因子 → 旋转让结构清晰 → 解读每个因子的含义。KMO + Bartlett 检验判断数据适不适合 → 碎石图 + Kaiser 准则确定因子数量 → Varimax 正交旋转 → 载荷矩阵解读 + 删题 → 因子命名 + 报告。]]></description><category></category></item><item><title><![CDATA[方差分析被试间/被试内/混合设计到底怎么分？看这篇就够了]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164369969</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164369969</guid><author>tm_ggplot2</author><pubDate>Fri, 04 Sep 2026 15:35:56 +0800</pubDate><description><![CDATA[在说设计之前，先搞清楚「被试」是什么意思。被试，就是你研究里参与实验的人（或动物、用户……）。你可以理解为「实验对象」。比如你想研究「喝咖啡对注意力有没有影响」，你招募了 30 个人做实验。这 30 个人，就是 30 个被试。现在关键问题来了——这 30 个人，每个人只参与一种条件？还是同一个人参与了多种条件？这就是被试间 vs 被试内的分界线。被试间：不同人跑不同的条件 → 看组间差异被试内：同一个人跑所有条件 → 看条件变化混合设计：两种都有 → 同时看组间差异和条件变化，还能看交互效应。]]></description><category></category></item><item><title><![CDATA[卡方检验看着简单，但你的列联表可能根本不满足应用条件]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164369946</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164369946</guid><author>tm_ggplot2</author><pubDate>Fri, 04 Sep 2026 15:35:07 +0800</pubDate><description><![CDATA[卡方检验看着简单，但四个假设一个都不能忘：分类变量、期望频数≥5、样本量够大、观测独立。违反前两条用 Fisher 精确检验替代；有序分类变量不要当无序变量处理；配对数据用 McNemar 检验；样本量太大时结合 Cramer's V 判断实际意义。]]></description><category></category></item><item><title><![CDATA[量表问卷是怎么被设计出来的？心理学研究的测量工具全解析]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336709</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336709</guid><author>tm_ggplot2</author><pubDate>Fri, 04 Sep 2026 15:33:43 +0800</pubDate><description><![CDATA[你有没有过这种经历——做完一套心理问卷，看到分数结果一脸懵："这东西到底怎么算出来的？""为什么是这几十道题？""凭啥说我焦虑程度6.8分？今天把这事给你讲明白，保证你看完之后看任何问卷都带着"内行看门道"的眼神。]]></description><category></category></item><item><title><![CDATA[R语言Meta分析：手把手教你合并多项临床研究结果]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336687</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336687</guid><author>tm_ggplot2</author><pubDate>Fri, 04 Sep 2026 15:33:23 +0800</pubDate><description><![CDATA[Meta分析不是简单的"把数据填进去跑一下"就完事了。系统性地检索和筛选文献（PRISMA流程）评估每项研究的偏倚风险（ROB工具）合理处理异质性（随机效应、亚组分析）检验和敏感性分析（Egger检验、逐一剔除）谨慎解读结果（证据质量分级，GRADE系统）但只要掌握了R语言的这套工具链，完成一个规范、严谨、美观的Meta分析，其实并不难。"Meta分析的本质，是在不确定性中寻找最可靠的答案。而R语言，就是你寻找这个答案路上最可靠的伙伴。下一期我们会继续深入，讲讲如何用R语言做网络Meta分析。]]></description><category></category></item><item><title><![CDATA[还在用卡方检验处理临床数据？手把手教你「分层卡方」让混杂变量无处遁形]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336656</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336656</guid><author>tm_ggplot2</author><pubDate>Fri, 04 Sep 2026 15:32:58 +0800</pubDate><description><![CDATA[📌 要点一：什么时候想起分层卡方？发现混杂因素在两组间分布不均时。不要直接用普通卡方，先问自己——有没有混杂变量？📌 要点二：看哪个核心指标？OR_MH（调整后的比值比）+ 95% CI + Breslow-Day p值。三者缺一不可。📌 要点三：p值显著不等于因果！分层卡方只能控制已知的混杂变量，无法控制未测量的混杂。因果推断还需要更多方法（如PSM、工具变量等）。好了，这篇就到这里。分层卡方是临床研究里性价比最高的统计方法之一，搞懂了，受用无穷。有问题评论区见，下期想看什么统计方法，留言告诉我。]]></description><category></category></item><item><title><![CDATA[问卷数据严重偏态怎么办？——从“数据清洗“到“统计方法选择“的全流程避坑]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336629</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336629</guid><author>tm_ggplot2</author><pubDate>Fri, 04 Sep 2026 15:32:32 +0800</pubDate><description><![CDATA[问卷数据偏态这个问题，太常见了，千万别硬来。先检验、再判断、最后选方法——这个顺序不能乱。数据偏态不是你的错，但处理不好就是你的问题了。希望大家都顺顺利利毕业、发文章，少踩坑，多出成果。]]></description><category></category></item><item><title><![CDATA[巧用限制性立方样条回归玩转剂量-反应关系]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336539</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336539</guid><author>tm_ggplot2</author><pubDate>Fri, 04 Sep 2026 15:31:34 +0800</pubDate><description><![CDATA[好了，说了这么多，来个总结：RCS（限制性立方样条回归）是你探索剂量-反应关系非线性的一把利器。审稿人问"为什么线性"，你不用慌，拿RCS检验结果出来就行。建模：用lrm()或glm()rcs()拟合检验：用anova()看非线性P值画图：用Predict()ggplot2呈现结果。]]></description><category></category></item><item><title><![CDATA[临床研究设计不再抓瞎：RCT与观察性研究怎么选]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336517</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336517</guid><author>tm_ggplot2</author><pubDate>Thu, 03 Sep 2026 16:53:57 +0800</pubDate><description><![CDATA[RCT，全称，中文叫随机对照试验。我主动把研究对象「人为分组」，通过随机分配的方式，让实验组和对照组在基线特征上尽量相似，唯一不同的就是干预措施。然后我观察结局。说人话：就好比你把一群人随机抽签分成两组，一组吃新药，一组吃安慰剂（或者传统药），然后看哪组效果好。观察性研究，就是我不主动干预，我只是观察。医生在临床上看到两组患者：一组用了新药，一组用了传统药——这种就叫做观察性研究，因为分组不是研究者随机产生的，而是自然发生的。队列研究（Cohort Study）]]></description><category></category></item><item><title><![CDATA[工具变量IV选得好，内生性问题自然少]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336488</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336488</guid><author>tm_ggplot2</author><pubDate>Thu, 03 Sep 2026 16:53:14 +0800</pubDate><description><![CDATA[假设你在研究"教育年限对工资的影响"，最简单的回归模型长这样：其中：= 工资= 教育年限= 我们最关心的参数——多读一年书能多挣多少钱如果你用OLS（普通最小二乘法）来估计 ，你得到的结果在什么条件下是一致的（即样本量越大越接近真实值）？也就是说，自变量  必须跟误差项  不相关。在我们这个例子里，这意味着"教育年限"不能跟任何影响工资但没放进模型的因素相关。]]></description><category></category></item><item><title><![CDATA[从临床试验设计到结果：RCT的统计框架全梳理]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336469</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336469</guid><author>tm_ggplot2</author><pubDate>Thu, 03 Sep 2026 16:52:30 +0800</pubDate><description><![CDATA[RCT统计框架全景图1. 试验类型决定α设定：优效/非劣用单侧α=0.025，等效用双侧α=0.052. 样本量计算参数要有文献/专家依据，不能拍脑袋3. 主要分析用ITT，敏感性分析用PP，两者都要报告4. 主要终点中途不能改，改了就是大雷5. SAP要在试验开始前写好，不是数据分析完了再补。]]></description><category></category></item><item><title><![CDATA[你的回归结论可能是错的：为什么相关不等于因果是个危险陷阱]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336452</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336452</guid><author>tm_ggplot2</author><pubDate>Thu, 03 Sep 2026 16:51:53 +0800</pubDate><description><![CDATA[说个我亲眼见过的事。我一个朋友，前阵子发了篇论文回来，兴冲冲跟我说：叔，我的回归分析做完了，显著！控制了好几个变量，结论是跑步越多的人，收入越高！我说：你控制了什么变量？他说：年龄、性别、教育程度、工作年限。我说：你控制了"城市"吗？他愣了一下。我接着问：你控制了"是否经常出差"吗？跑步多的，可能本来就更注意健康，而且愿意跑步的人，往往生活在更注重健康的环境里，收入高可能是因为这个，而不是跑步本身。他当场石化。]]></description><category></category></item><item><title><![CDATA[从K-means到BERTopic：我用文本数据跑主题模型，发现导师之前都讲错了]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336422</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336422</guid><author>tm_ggplot2</author><pubDate>Thu, 03 Sep 2026 16:50:58 +0800</pubDate><description><![CDATA[我有个研究生朋友，去年写论文要做文本分析，用LDA跑了一遍，出来的topics他看了半天——"政治、金融、医学，三个完全不搭的词全揉在一个topic里"。简单理解就是：模型读过海量的句子，它知道"Apple"在"iPhone"语境里是科技公司，在"juice"语境里是水果。你可以理解为：让机器替你读书、替你读论文、替你读评论，然后告诉你"这堆文本里说了啥"，本质是把一堆乱七八糟的文字，自动归类成几个"话题"，告诉你每个话题里最关键的词是什么、每个文档主要在讲什么。说了这么多理论，来点实操的。]]></description><category></category></item><item><title><![CDATA[样本量估算全攻略：R语言pwr包实操演示]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336405</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336405</guid><author>tm_ggplot2</author><pubDate>Thu, 03 Sep 2026 16:50:23 +0800</pubDate><description><![CDATA[R语言里做样本量估算最常用的包是`pwr`包，基本覆盖了所有常见统计检验的样本量和功效分析。安装方法：# 安装并加载pwr包 install.packages("pwr") library(pwr)函数用途两组独立样本t检验两组样本量不等的t检验多组方差分析相关系数卡方检验比例检验（单样本）两比例比较样本量估算不是玄学，是有公式可循的科学。用R语言的pwr包，小样本t检验、大样本方差分析、相关系数、卡方检验、比例比较，基本都能搞定。效应量估准，样本量算准。]]></description><category></category></item><item><title><![CDATA[巢式病例对照研究设计及其统计分析方法]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336391</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336391</guid><author>tm_ggplot2</author><pubDate>Thu, 03 Sep 2026 16:49:51 +0800</pubDate><description><![CDATA[先说清楚概念。巢式病例对照，字面意思就是"嵌套在队列里面的病例对照"。它的操作方式是：从一个已经建立好的大型队列（比如社区人群队列、医院电子病历队列、医保数据库队列）出发，在随访期内识别所有新发的目标病例，然后从同一个队列中，按一定匹配原则选取非病例作为对照组。说人话就是：你不是先找病人和对照，而是先有一群人，跟踪随访，然后从中"冒"出来的病例才是你的病例，对照是从同一队列里"土生土长"的。图1：巢式病例对照研究设计流程图。]]></description><category></category></item><item><title><![CDATA[李克ert量表（Likert）到底该用几级？5级还是7级？]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336382</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336382</guid><author>tm_ggplot2</author><pubDate>Thu, 03 Sep 2026 16:49:16 +0800</pubDate><description><![CDATA[5级和7级差别没有那么大，样本量够大时结果趋于一致级数越多，数据越接近正态分布，但作答负担越重4级一般不推荐，缺少真正的中立项选题时考虑受众：专业研究者用7级，普通用户用5级最重要的是：设计时想清楚你要测什么，而不是纠结于"几级更好"]]></description><category></category></item><item><title><![CDATA[机器学习vs统计学习：一文说清区别，别再傻傻分不清]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336361</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336361</guid><author>tm_ggplot2</author><pubDate>Thu, 03 Sep 2026 16:48:34 +0800</pubDate><description><![CDATA[统计学习：从少量样本推断总体规律，关心因果机制和统计显著性，模型简单、可解释性强。机器学习：从大量数据自动学习规律，关心预测准确率和泛化能力，模型复杂、可解释性弱。两者不是对立的，是互补的。统计是地基，ML是上层建筑。]]></description><category></category></item><item><title><![CDATA[R语言ggplot2画图丑？是你没掌握这5个核心语法，被导师夸论文图表好看其实不难]]></title><link>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336323</link><guid>https://blog.youkuaiyun.com/tm_ggplot2/article/details/164336323</guid><author>tm_ggplot2</author><pubDate>Thu, 03 Sep 2026 16:47:22 +0800</pubDate><description><![CDATA[ggplot2的语法体系我给你们捋完了。但我想多说一句：语法只是工具，画出来的图好不好看，取决于你知不知道什么是"好看"。我见过很多人，代码写得挑不出毛病，图做出来就是丑。为什么？因为不知道什么叫好的数据可视化。第一，一张图只讲一件事。别贪多，你想展示的关系越多，图越乱。超过三个维度，用facet分开。第二，配色别太花哨。学术图表配色尽量简洁，两个色系以内最佳。viridis和Color Brewer够你用了。第三，坐标轴标签要清晰。单位要说清楚，数字格式要统一，别让读者猜。第四，图例要精简。]]></description><category></category></item></channel></rss>