dege857的博客

摘要：本文介绍了环境流行病学中两阶段分析法的应用，通过R语言实现温度与死亡率关系的多城市研究。首先利用dlnm包计算各城市温度效应系数，然后通过mixmeta包进行荟萃分析。结果显示高温与死亡率显著相关(p<0.05)。进一步分析发现人口规模是重要效应修饰因子，大城市温度上升导致的死亡风险更高（RR=1.4）。研究采用样条函数处理非线性关系，并可视化温度百分位与相对风险的关系曲线，为环境健康风险评估提供了方法学参考。

摘要：本文介绍了SCI文章中交互效应表格（表五）的重要性，通过亚组分析提升文章可信度和数据挖掘价值。文章包含R语言代码示例，展示了如何处理亚组分析中的常见错误（如变量转换和缺失值处理）以及森林图的字符添加技巧，包括调整格式、修改数字为字符等操作。视频教程和代码示例帮助读者掌握亚组分析的关键步骤，为高质量SCI论文撰写提供实用工具。

摘要：C反应性蛋白原甘油三酯葡萄糖指数（CTI）是一种结合胰岛素抵抗和炎症的新型指标，对癌症、恶病质和心脏病风险具有预测价值。本文介绍了使用R语言从CHARLS数据库提取CTI和累积CTI（cuCTI）的方法，通过chrals.CTI和chrals.cuCTI函数可分别计算2012年和2015年的CTI值，并生成累积指标。该指数可通过ggexplore函数进行数据挖掘分析与其他健康结局的关联。研究为利用大型队列数据开展代谢相关疾病研究提供了便捷工具。

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。

GOLD BioAge：新型生物年龄测量方法 GOLD BioAge是一种基于Gompertz定律的生物年龄算法，通过整合实际年龄和常规生物标志物来评估个体衰老程度。该指标能有效预测死亡风险和慢性疾病发病率，每增加1年差异，死亡风险提升13-15%。研究显示，高BioAgeDiff组（生物年龄与实际年龄差异大）的中老年人群生存概率显著降低。该算法已开发为R包scitable的chrals.bioAge函数，便于科研应用。初步分析表明，GOLD BioAge与多种健康指标存在显著关联，为衰老研究提供了新的量化

工具变量回归（IV Regression）是解决回归分析中内生性问题的有效方法，通过引入与内生解释变量相关但与误差项无关的工具变量（如税收与香烟价格）。本文以AER包的香烟数据为例，演示了二阶段回归法：首先检验工具变量与价格的正相关性（R²=0.47），随后建立价格与消费量的负相关关系（弹性-1.08）。使用ivreg函数验证结果一致，证实价格每上涨1%会导致消费量减少约1.08%。该方法适用于存在遗漏变量或双向因果的场景，类似孟德尔随机化中的工具变量原理。

血浆动脉粥样硬化指数（AIP）作为新型心血管风险指标受到关注。研究表明AIP与胰岛素抵抗、糖尿病存在非线性关系。本文提供了CHARLS数据库计算AIP的R语言代码，可同时提取6种非传统脂质参数。通过数据挖掘方法，研究者可快速探索AIP与其他健康指标的相关性，为相关研究提供简便的分析工具。文章还列举了AIP在糖尿病、动脉粥样硬化等领域的应用参考文献，为开展相关研究提供便利。

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JAMA文献结论一致，为真实世界研究提供了高效的分析工具。（150字）

本文介绍了基于R语言sciml包中scisvm函数进行支持向量机(SVM)分析的完整流程。主要内容包括：数据准备与预处理（缺失值处理、分类变量转换）、数据集划分（7:3比例）、SVM模型构建与评估（ROC曲线绘制、SHAP特征重要性分析）。文章还展示了多模型比较（SVM、随机森林、逻辑回归）的ROC分析和决策曲线评估，以及多分类SVM的实现方法。该整合包简化了SVM分析过程，支持二分类和多分类任务，为机器学习建模提供了便捷工具。

本文介绍如何绘制双组交互森林图，用于展示亚组交互效应分析结果。通过复现一篇10分SCI文章中的双组森林图案例，演示了调整模型前后的交互效应可视化方法。

摘要：本研究基于北京大学"中国老年健康调查(CLHLS)"数据(1998-2018年)，分析了植物性饮食模式与中国老年人死亡率的关系。研究采用健康植物性饮食指数(hPDI)、不健康植物性饮食指数(uPDI)和总体植物性饮食指数(PDI)评估65岁以上老年人(样本量8,780人)的饮食模式。分析方法包括基线特征比较、Cox回归模型和限制性立方样条曲线(RCS)。结果显示，较高的hPDI评分与显著降低的死亡风险相关(P<0.001)，而uPDI评分与死亡风险呈非线性关系(P<0.

摘要：本文通过两个实际案例解释了宽数据转长数据时数据量翻倍的现象。在第一个案例中，将3种燃料类型数据合并后，数据量变为原来的3倍；第二个案例将4个年份的衰弱指数合并，数据量变为4倍。文章强调，纵向数据（面板数据）因包含多个时间点或类型，必然导致数据量增加。基线表的绘制方式取决于研究目的，可参考相关文献选择合适的数据结构。通过R代码演示了数据转换过程，直观展示了单个ID数据如何扩展为多行记录。

倾向评分匹配（Propensity Score Matching，简称PSM）是一种统计学方法，用于处理观察研究（Observational Study）的数据，在SCI文章中应用非常广泛。

北京大学"中国老年健康调查"（CLHLS）是一项覆盖全国23省市的长期追踪研究，1998-2018年间完成8次入户调查，累计访问11.3万人次，重点关注高龄老人健康。研究发现饮食模式对老年健康有重要影响，植物性饮食（如地中海饮食）对糖尿病、心血管疾病等具有保护作用。研究者开发了专用R包sciclhls，包含CLHLS.hPDI和CLHLS.UPDI函数，可从CLHLS数据库便捷提取健康/不健康植物性饮食指数，为后续老年健康饮食研究提供分析工具。该研究为探索饮食模式与老年健康关系提供了重要

心脏代谢指数（CMI）是反映肥胖和血脂的新型指标，研究表明其与糖尿病及多种慢性病显著相关。本文介绍了CMI的计算方法，并利用CHARLS数据开发了专用提取函数charlsCMI，通过ggexplore工具快速挖掘CMI与其他变量的关联性。结果显示CMI与TYG、高血压等代谢指标显著相关（P<0.05），为研究者提供了高效的数据分析途径。该工具简化了CMI相关研究流程，有助于发现潜在的健康关联因素。

摘要：列线图（诺莫图）是一种基于多变量回归分析的预测工具，通过直观的图形化评分系统预测临床结局或疾病风险。近年来在高质量临床研究中广泛应用，尤其在SEER数据库分析中。本文以一篇16分SCI论文为例，展示了如何使用列线图建立风险预测模型（包括变量筛选、模型构建和可视化），并通过最佳阈值划分低、中、高风险组，最终用KM曲线验证分层效果。分析使用R语言实现，涵盖逐步回归、风险分数计算、截点优化和生存分析全流程，为临床预测模型研究提供了可复现的方法学框架。文中还探讨了限制性立方样条(RCS)等替代方法的适用性。

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8次调查数据，采用特定编码系统标记不同变量类型和缺失值。作为研究中国高龄老人健康的重要资源，该调查特别适合膳食模

今天咱们来介绍一下一篇5分的潜轨迹文章+随机森林charls文章复现，文章的名字叫Predictive analysis of bullying victimization trajectory in a Chinese early adolescent cohort based on machine learning（基于机器学习的中国青少年早期队列欺凌受害轨迹预测分析）

我们在建立数据模型后通常希望在外部数据验证模型的检验能力。然而当没有外部数据可以验证的时候，交叉验证也不失为一种方法。交叉验验证（交叉验证，ＣＶ）则是一种评估模型泛化能力的方法，广泛应用中于数证据采挖掘和机器学习领域，在交叉验证通常将数据集分为两部分，一部分为训练集，用于建立预测模型；另一部分为测试集，用于测试该模型的泛化能力。

摘要：随机过采样是一种处理类别不平衡的机器学习技术，通过复制少数类样本来平衡数据集。本文介绍了其优缺点：优点是简单易行且不改变原始数据分布，缺点可能引发过拟合。通过R语言演示了使用ROSE包实现随机过采样的过程，从生成不平衡数据到平衡处理，并可视化对比了处理前后的数据分布差异。该方法适用于逻辑回归等模型，但需注意可能导致的预测偏差，建议配合敏感性分析使用。文章还预告后续将介绍更高级的SMOTE合成采样方法。（149字）

本文介绍了sciml包中集成的随机森林分析方法scirandomForest。该方法基于randomForest包进行封装，可一键生成随机森林模型及其可视化结果，包括变量重要性排序、SHAP解释、ROC曲线和决策曲线等。文章通过胆管炎数据演示了该函数的使用流程，展示了模型训练、结果解读和验证集评估的全过程。该工具包还支持与其他模型（如逻辑回归）的性能比较，为机器学习分析提供了便捷的解决方案。未来计划扩展支持更多机器学习算法。该方法简化了随机森林分析流程，有助于提高科研效率和结果可解释性。

本文介绍了randomForestExplainer包在随机森林分析中的应用。该包作为randomForest的辅助工具，可帮助用户更直观地理解模型结果。文章以波士顿房价数据为例，演示了如何构建随机森林模型、计算变量最小深度和重要性指标，并通过可视化展示关键变量。重点讲解了缺失值处理方法和多种重要性评估指标的选择策略，最后展示了如何提取最重要的预测变量。该包提供了丰富的可视化功能，有助于深入理解随机森林模型的变量贡献。

本次复现一篇charls的文章名字《社交和智力活动与我国中老年人群认知轨迹的关联：一项全国代表性队列研究》Associations between social and intellectual activities with cognitive trajectories in Chinese middle-aged and older adults: a nationally representative cohort study

CHARLS（中国健康与养老追踪调查）是一项针对中国大陆45岁及以上人群的全国性追踪调查，旨在构建一个高质量的公共微观数据库，涵盖社会经济和健康状况等多维度信息，以支持老龄科学研究。该调查参照国际老龄研究标准，如美国的HRS，确保数据的国际可比性。自2011年基线调查以来，已进行了多轮追踪调查，并在2020年增加了新冠疫情相关信息的采集。为便于数据可视化，开发了scimp包中的charlsmap函数，支持快速绘制中国省市级地图，并提供了多种自定义选项，如省名拼音显示、比例调整、图例标题修改及多颜色配置，帮助

本文复现了《固体烹饪燃料使用与衰弱轨迹之间的关联：来自中国全国队列的结果》一文的研究，探讨了固体燃料使用与衰弱轨迹之间的关系。研究基于中国全国队列数据，通过潜轨迹模型（GBTM）分析虚弱指数的变化轨迹，并将其分为四类：低水平组1、低水平组2、快速升高组和缓慢升高组。研究结果显示，使用固体燃料与虚弱指数的快速增长显著相关，而清洁能源的使用则与缓慢增长相关。复现过程中，作者使用了R语言进行数据处理和模型拟合，并通过基线表和逻辑回归模型验证了研究结果。复现结果与原研究基本一致，进一步支持了固体燃料使用对健康的负面

先提取2011年的，要先生成2011年数据，其实主要是要demographic_background，health_status_and_functioning，health_care_and_insurance这三个，我这里直接沿用既往代码了。CHARLS数据中有个变量就是认知功能（痴呆）的评分，再医学和社会学很多文章用得到，但是这个指标需要手工提取，目前我编写了charlscognition函数，可以很方便的提取出认知功能（痴呆）的评分。可以提取2011-2018年的认知评分数据。

这种方法结合了潜变量模型和轨迹分析的优点，可以用来探索不同个体随时间变化的规律或趋势，并将这些个体分类到不同的潜类别中去。目前潜轨迹模型（GBTM）属于比较好发文的，能发的文章分数也比较高，有些机构还开专门开了潜轨迹模型（GBTM）培训班，既往咱们已经介绍额如何使用lcmm包构建潜轨迹模型，今天咱们来介绍traj包进行潜轨迹分析。例如，在医学研究中，它可以用来分析患者在接受某种治疗后的恢复过程，识别出不同的恢复模式以及与之相关的因素。咱们先导入R包和数据，数据使用R包自带的trajdata数据。

但是也是相当复杂的，29个变量中，有些变量计算非常复杂，比如说认知功能，而且每一波的有些指标会变化，等于每个年份都要校对一遍，这个工作量想想都大，我也是校对变量校对到想吐了。在上图文章中，可以看到这篇文章虚弱有5个指标定义，是个2分类变量，在本篇文章中虚弱是个结局变量，也有部分文章把它用作观察变量，查看和死亡或者其他结局的关联。虚弱和虚弱指数自己手动算还是比较麻烦的，特别是虚弱指数，光找变量就有得你找的，但是用我写的函数可以很轻易做出来，下面我来演示一下，以2011年基线表为例子。

目前潜轨迹模型（GBTM）属于比较好发文的，能发的文章分数也比较高，有些机构还开专门开了潜轨迹模型（GBTM）培训班，因为属于纵向分析，本公众号今后将陆续介绍它，本期以文章《Framework to construct and interpret latent class trajectory modelling》来介绍规范建立潜轨迹模型（GBTM）这种方法结合了潜变量模型和轨迹分析的优点，可以用来探索不同个体随时间变化的规律或趋势，并将这些个体分类到不同的潜类别中去。也许，考虑具有最低人口百分比的类别。

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向，这样的指数，变一个结局变量，又可以继续搞一篇文章，很多类似文章层出不穷，nhanes也有很多，

作者使用了k-m曲线，发现两个支架的不良事件无明显区别，P=0.40, 但是作者发现在12个的时候，两条曲线还是分得比较开的，有可能在0-12个月这段时间，两条曲线时有区别的。数据变量很多，我解释几个我等下要用的，HBP：是否发生高血压，结局指标，AGE：年龄，是我们的协变量，SEX：性别，OCCU.NEW这个我也不知道时什么，反正是个2分类变量。我们可以看到在30岁这个位置，两条曲线还是分得比较开的，有可能在0-30岁这个区间两个支架的不良事件结局时有区别的，所以我们可以把节点设置为30。

目前我在ggscitable包的基础上编写了scikm函数，这是一个挺强大的函数，有许多功能，还有一些功能待更新，我打算分层3章来介绍它，目前这章是是基础篇，比较简单，就不打算录制视频了，纯文字版。本章先介绍一些基本的绘图功能，慢慢深入，假设我想了解不同性别的生存率情况，data这里填入数据，X这里填入咱们的研究变量，必须是分层变量，y这里填入结局，time这里填入时间。三个分类也是一样的，换个X就行。#####新格兰风格,小图。##更改图例和图例位置。#####新格兰风格。

很多新手刚才是总是觉得自己没什么可以写的，自己不知道选什么题材进行分析，使用scitable包+ggscitable包后这个完全不用担心，选题多到你只会担心你写不完，写得不够快。刚才咱们定义的是结局变量，看哪个变量和结局又关系，我们也可以定义观察变量X变量，看哪个变量和X有关系。这个是个来自私人创建的医院内部数据库，我一个朋友的，变量我就不解释了，这个数据有141个变量，605个数据。这个数据中有个TYG指数（甘油三酯葡萄糖指数），假设我想看哪个结局和这个指数相关，前面的整理数据步骤都是一样的。

我们进行研究的时候经常会遇见偏态数据，数据转换是统计分析和数据预处理中的一项基本技术。在 R 中实现和可视化最常见的数据转换：对数、平方根和立方根转换。参考文献：https://www.r-bloggers.com/2024/12/how-to-transform-data-in-r-log-square-root-cube-root/当您的数据集不满足统计分析所需的假设时（例如绘制限制立方样条或者曲线拟合不理想的时候），数据转换就变得必要。咱们可以看到上面两个数据都是偏态数据，下面进行数据转换。

交互作用效应(p for Interaction)在SCI文章中可以算是一个必杀技，几乎在高分的SCI中必出现，因为把人群分为亚组后再进行统计可以增强文章结果的可靠性，进行可视化后可以清晰的表明变量之间的关系。Death是结局变量，其他的都是一些协变量，假设我想研究年龄和死亡的关系，想知道肌酐和年龄有没有交互作用。默认的Y轴是log（P），如果你想表示为概率也可以转换，我们可以看到右边这个轴的概率明显不同了。下面绘制3D效果图，这个是你的电脑速度而定，我的电脑是有点慢，差不多要30秒。

第一行是标签，第二个是记录次数，如果没有多次记录就默认是1次，sex是性别，age是年龄，后面都是一些维生素，食物或者微量元素的摄入量。SERV_DATA填入数据，RESPONDENTID填入ID，如果没有重复记录REPEATNUM这里填入1，之后看你收集了那个指标，对应录入就行。在既往文章中，我介绍了使用dietaryindex包膳食指数，有不少粉丝私信问如何计算炎症指数，这个其实挺简单的，今天简单介绍一下把。一句话代码，结果就出来啦，总的指标炎症指数和单独指标的炎症指数都出来啦，非常简单。

这个是一个完整的独立的charls机器学习文章复现教程，，从数据下载到数据分析全流程，因为要照顾一些新手和文章的完整性，会从基线数据下载，多年数据整理合并开始说，可能会和前面得一些教程有点重合，这也是没办法的事，注意衡量取舍一下，别到时说我凑字数，凑文章，最后说明下我只是复现一个思路，不能解决你所有问题，只是开启思路，达到抛砖引玉的目的。下载和整理数据分成两个章节，1是下载2011年的基线数据，2.是把2013年、2015年，2018年、2020年的数据和2011年的数据进行合并。

我目前专门编写了一个scimp包，目前只有一个charlsmap函数，顾名思义，这个是一个专门用于绘制charls数据地图的函数，但并不是说它只能绘制charls地图，基本中国省市级地图都能绘制，目前此包已经省级到1.8版，增加了显示省名字和小图功能，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。小图的位置，大小都是可以调整的，我这里简单调整一下。

我们知道男性不可能痛经的，但是男性喝酒可能尿酸又高，你的数据中要是男性过多的化就会对结果造成影响，因此，性别就是一个混杂因素，性别分层以后就能得到女性尿酸和痛经的关系，等于是个消除混杂的处理。做了交互效应分析以后，咱们发现两个问题，虽然"Q1432"和结局并无关联，但是再Q27278这个亚组，当Q27278等于0的时候，"Q1432"和结局是线性相关的，理论上有一个亚组相关就可以写一篇文章。这个是个来自私人创建的医院内部数据库，我一个朋友的，变量我就不解释了，这个数据有141个变量，605个数据。

而我们通常的真实世界研究通常用的是观察性数据，非随机化，数据可能来自电子健康记录、登记数据、或者回顾性收集的数据，患者年龄性别等其他特征很难相似，观察变量X在两组见不会随机分配。倾向性评分用于消除混杂因素的影响，正确估计处理措施对结局的作用，主要有四种方法：倾向性评分匹配，倾向性评分分层，倾向性评分逆概率加权（IPTW）和倾向性评分调整。我这几天查看了一些真实世界研究的方法，其实不需要有复杂的统计学方法，大多数都是倾向评分匹配，逆概率加权，数据插补这类的，比如下面文章说的是：模拟随机临床试验,