Part 1 基本概念因变量：待检验理论重点关注的，受多个变量影响的变量。（实际考察的，结果）自变量：影响因变量变化的变量。因子：重点关注的自变量。控制变量(control variables)：其他变量都应尽可能控制以突出因子的作用confounding variables：对其他自变量和因变量有混合交叉影响randomize variable：需要随机抽样以均衡其对因变量的影响处理（水平）：因
转载
2024-06-08 08:12:33
255阅读
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。在观察研究中，由于种种原因，数据偏差（bias）和混杂变量（confounding variable）较多，倾向评分匹配的方法正是为了减少这些偏差和混杂变量的影响，以便对实验组和对照组进行更合理的比较。 为什么
转载
2023-08-13 11:06:04
186阅读
1评论
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。在观察研究中，由于种种原因，数据偏差（bias）和混杂变量（confounding variable）较多，倾向评分匹配的方法正是为了减少这些偏差和混杂变量的影响，以便对实验组和对照组进行更合理的比较。 为什么
转载
2023-09-11 12:31:43
296阅读
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。在观察研究中，由于种种原因，数据偏差（bias）和混杂变量（confounding variable）较多，倾向评分匹配的方法正是为了减少这些偏差和混杂变量的影响，以便对实验组和对照组进行更合理的比较。 为什么
转载
2023-11-09 01:14:09
842阅读
相关关系VS因果关系相关性有三种来源：因果、混淆和样本选择。因果关联例子就是天下雨地面会湿，这种关系是能够被人类所理解的、是可解释的、稳定的（无论在任何国家或城市，天下雨地都会湿）。混淆关联是由混淆偏差（Confounding Bias）造成的。比如图中X是T和Y的共同原因，但如果不对X进行观察，就会发现T和Y是具有相关性的，但T和Y之间是没有直接因果效应的，这就是产生了虚假相关。样本选择偏差（S
转载
2024-05-31 20:21:46
137阅读
# Logistic回归与混杂因素的矫正
在生物统计学和社会科学研究中，混杂因素（confounding factors）是指那些与独立变量和因变量相关联的变量，如果不对其进行调整，可能会导致对因果关系的错误解读。Logistic回归是一种常用的统计方法，可以在分析二元响应变量时有效地矫正混杂因素。本文将介绍如何在R语言中进行Logistic回归模型分析，并通过一个示例来说明如何实现混杂因素的矫
