Adversarial Orthogonal Regression: Two non-Linear Regressions for Causal Inference
Sharif University of Technology(谢里夫理工大学);Carnegie Mellon University(卡内基梅隆大学)
我们提出了两种非线性回归方法,命名为对抗正交回归(AdOR)的加性噪声模型和对抗正交结构方程模型(AdOSE)的一般情况下的结构方程模型。这两种方法都试图使回归残差与回归变量无关,同时不对噪声分布作任何假设。在这两种方法中,同时训练两个对抗网络,其中回归网络输出预测,损失网络估计互信息(在AdOR中)和KL发散(在AdOSE中)。这些方法可以被公式化为一个极大极小两人博弈;在均衡时,AdOR发现输入和输出之间的确定性映射,并估计残差和输入之间的互信息,而AdOSE估计给定输入的输出的条件概率分布。所提出的方法可以用作子程序来解决因果关系中的几个学习问题,例如因果方向确定(或更一般地,因果结构学习)和因果模型估计。合成和真实世界的实验表明,所提出的方法具有显着的性能相对于以前的解决方案。
2019-09-10 cs.LG stat.ML
Prediction-Powered Causal Inference by Automatic Debiased Machine Learning and Semi-Supervised Riesz Regression
University of Tokyo(东京大学)
研究半监督设置下因果参数的半参数有效估计,通过结合去偏机器学习和半监督Riesz回归,提出DML-PPCI和TMLE-PPCI方法,实现比仅用标注数据更小的渐近方差。
2026-06-12 cs.LG econ.EM math.ST
An Overview of Path Analysis: Mediation Analysis Concept in Structural Equation Modeling
本文用结构方程模型(SEM)的概念对路径分析结构进行了指导性讨论。本文介绍了通径分析技术,并说明了如何处理与这种统计方法学的数据分析,特别是在研究模型中的中介。目标受众是统计学家,数学家或方法学家,他们要么了解SEM或简单的基本统计学,特别是回归和线性/非线性建模,以及博士学位。统计学、数学、管理学、心理学甚至计算机科学的学生。
2015-04-14 stat.ME
Feature selection in stratification estimators of causal effects: lessons from potential outcomes, causal diagrams, and structural equations
估计平均因果效应的理想回归(如果有的话)是什么?我们研究这个问题的设置离散协变量,推导出各种分层估计的有限样本方差的表达式。这种方法澄清了许多被广泛引用的结果背后的基本统计现象。我们的论述结合了三种不同的方法论传统研究因果效应估计的见解:潜在的结果,因果关系图和结构模型与添加剂错误。
2022-09-23 stat.ME stat.ML
Nonlinear Causal Discovery via Kernel Anchor Regression
Tsinghua University(清华大学);University of Oxford(牛津大学)
学习因果关系是科学中的一个基本问题。锚回归已经被开发来解决这个问题的一个大类的因果图模型,虽然变量之间的关系被假设为线性的。在这项工作中,我们解决了非线性设置,提出核锚回归(KAR)。除了使用经典的两阶段最小二乘估计的自然配方,我们还研究了一个改进的变种,涉及非参数回归在三个不同的阶段。我们提供了建议的KAR估计的收敛性结果和KAR学习非线性结构方程模型(SEM)的可识别性条件。实验结果表明,所提出的KAR估计优于现有的基线性能。
2022-10-30 cs.LG stat.ME stat.ML
BGM-IV: AI-Powered Bayesian Generative Modeling for Instrumental Variable Regression with High-Dimensional Covariates
Department of Biostatistics(生物统计学系)
BGM-IV通过构建因果结构的潜在空间,解决高维协变量下的非线性工具变量估计问题,提供了一种有效的方法。
2026-09-29 cs.AI cs.LG stat.ME
Causal Discovery in Equal Variance Linear Gaussian DAGs via SURE-Tuned Ridge Regression
University of Southern California(南加州大学)
针对因果发现中连续优化方法难以适配样本有限、计算有限场景的问题,提出SURE-Ridge方法,在小样本下结构汉明距离最低且所有样本量下运行时间最短。
2026-08-19 cs.LG eess.SP stat.ML
A multiple covariance approach to PLS regression with several predictor groups: Structural Equation Exploratory Regression
假设变量组Y依赖于R个主题变量组X1,>...,X R .我们假设Y中的分量线性依赖于Xr中的分量。在这项工作中,我们提出了一个多协方差标准,扩展了PLS回归到这个多个预测组的情况。在此基础上,我们建立了一个PLS型的探索性方法-结构方程探索性回归(SEER)-允许同时进行组中的降维和调查的线性模型的组件。SEER使用每个组的多维结构。最后给出了应用实例。
2008-02-11 math.ST stat.ME stat.TH
Regression-with-residuals Estimation of Marginal Effects: A Method of Adjusting for Treatment-induced Confounders that may also be Moderators
治疗诱导的混杂因素使时变处理效应和因果中介的分析复杂化。天真地以这些变量为条件来估计边际效应可能会不适当地阻断因果通路,并可能诱导治疗与结局之间的虚假关联,导致偏倚。虽然有几种估计边际效应的方法避免了这些复杂性,包括边际结构模型(MSM)的逆处理概率加权(IPTW)估计以及高度约束的结构嵌套平均模型(SNELS)的g和残差回归(RWR)估计,但每种方法都有一系列非平凡的局限性。具体而言,IPTW估计是低效的,难以与连续治疗或介质一起使用,并且可能遭受有限样本偏倚,而g-和RWR估计高度约束的边际效应的SNARY是不切实际的假设,即没有效果调节。在这项研究中,我们采用RWR的方法来估计边际效应与一组适度约束的SNEARTH,适应几种类型的治疗的混杂因素和/或中介的混杂因素的相互作用,从而放松假设没有效果温和。通过一系列的模拟实验和实证例子,我们表明,这种方法优于IPTW估计的MSM,以及g-和RWR估计的高度约束的SNARDING中,影响缓和假设了。
2018-08-23 stat.AP
Feature Screening for High-Dimensional Structural Break Predictive Regression
Zhejiang University(浙江大学);Zhejiang Gongshang University(浙江工商大学);University of Macau(澳门大学)
提出一种在高维结构断点预测回归中筛选活跃预测变量和估计断点的方法,结合SICS、RCRS和IC准则,实现一致估计与选择。
2026-06-18 stat.ME
Prediction Suboptimality of the Lasso in Sparse Linear Regression
Waseda University(早稻田大学)
研究Lasso在高维线性回归中选择调参方式时的预测性能次优问题,发现通过简单改进可在高概率事件和均方误差上提升性能,分析了高斯极大值在选定或局部化支撑上的作用,并讨论了设计矩阵结构因素对次优现象的影响及扩展至其他估计器和更一般噪声结构的可能性。
2026-05-18 math.ST stat.ME stat.TH
Structural modeling using overlapped group penalties for discovering predictive biomarkers for subgroup analysis
从大规模的协变量中识别预测性生物标志物用于亚组分析已经引起医学研究的基本关注。在这篇文章中,我们提出了一个广义惩罚回归方法与一个新的惩罚函数,以加强之间的预测和预测效果的层次结构,这样一个非零的预测效果必须导致其祖先的预测效果是非零的模型。我们的方法能够通过产生用于亚组分析的稀疏的、可解释的和可预测的模型来选择有用的预测性生物标志物,并且可以处理不同类型的响应变量,例如连续的、分类的和事件发生时间的数据。我们证明了我们的方法是渐近一致的正则化条件下。针对广义惩罚回归模型的极小化问题,提出了一种结合优化极小化和乘子交替方向法的综合优化算法,命名为\texttt{smog} .丰富的模拟研究和真实案例研究表明,我们的方法是非常强大的发现真正的预测生物标志物和识别亚组的患者。
2019-04-26 stat.ME stat.ML
Detecting Structural Changes in High-Dimensional Multivariate Regression Models
Auburn University(奥本大学)
本文提出高维多元回归中结构变化检验的扫描方法,包括单点、多点及离散化多尺度扫描,并证明其渐近性质,应用于美国股票组合的因子暴露分析。
2026-09-24 stat.ME
Non-parametric Structural Change Detection in Multivariate Systems
结构变化检测问题经常在分析和计量经济学中遇到,其中模型的性能可能会受到潜在关系中不可预见的变化的显著影响。虽然这些问题在统计学上有着相对较长的历史,但在非参数设置下多变量数据的背景下进行的研究数量仍然很少。在本文中,我们提出了一个一致的方法来检测多个结构变化的相关回归系统在一个大的维变量空间。在大多数应用中,从业者也没有关于不同变量的相关性的先验信息,因此,需要同时估计结构变化的位置以及相应的稀疏回归系数。该方法结合了非参数能量距离最小化原理和惩罚回归技术。在显示出模型的渐近一致性后,我们将所提出的方法与仿真研究中的竞争方法进行了比较。作为一个大规模应用的例子,我们认为在最近的金融危机期间的新闻分析的背景下,结构变化点检测。
2019-05-28 stat.ME
Nonparametric method of structural break detection in stochastic time series regression model
Indian Institute of Management Kozhikode(印度科泽科德管理学院);Indian Institute of Science Education and Research(印度科学教育与研究学院);Indian Institute of Management Bangalore(印度班加罗尔管理学院)
提出用于检测时间序列结构突变的非参数方法,不设特定参数形式,能精确定位变化点且估计的结构突变具一致性,经模拟研究和实际例子验证了算法有效性。
2026-07-28 stat.ME
A Tutorial for Analyzing Structural Equation Modelling
本文提供了一个教程讨论分析结构方程模型(SEM)。结构方程模型是一种包含观测指标和未观测指标的回归模型,在实际和基础研究中得到了广泛的应用。我们提供了一个介绍SEM方法和如何处理与这种建模分析数据的详细描述。目标受众是统计学家/数学家/方法学家,他们要么了解SEM,要么了解简单的基本统计学,特别是回归和线性/非线性建模,以及博士。统计学、数学、管理学、心理学甚至计算机科学的学生。
2015-04-14 stat.ME
svReg: Structural Varying-coefficient regression to differentiate how regional brain atrophy affects motor impairment for Huntington disease severity groups
对于亨廷顿舞蹈症,识别与运动障碍相关的脑区可用于开发干预措施以减轻运动症状,该疾病的主要症状。然而,大脑区域对运动障碍的影响可能因患者的不同而不同。因此,我们的兴趣不仅是识别大脑区域,而且还要了解它们对运动障碍的影响如何因患者群体而异。这可以看作是变系数回归的模型选择问题。然而,当变量之间存在预先指定的组结构时,这是具有挑战性的。我们提出了一种新的变量选择方法的变系数回归这样的结构变量。经验表明,我们的方法可以始终如一地选择相关变量。此外,我们的方法筛选不相关的变量比现有的方法更好。因此,我们的方法导致一个模型具有更高的灵敏度,较低的错误发现率和更高的预测精度比现有的方法。最后,我们发现,从大脑区域运动障碍的影响不同的疾病严重程度的患者。据我们所知,我们的研究是第一个确定疾病严重程度和大脑区域之间的这种相互作用的影响,这表明需要根据疾病严重程度进行定制干预。
2020-07-12 stat.ME
Structural Risk Minimization for $C^{1,1}(\mathbb{R}^d)$ Regression
将函数拟合到高维数据的一种方法是提供平滑度约束。最近提出了如下光滑函数逼近问题:给定一个有限集$E \subset \mathbb{R}^d$和一个函数$f: E \rightarrow \mathbb{R}$,用一个函数$\widehat{f} \in \dot{C}^{1, 1}(\mathbb{R}^d)$(一类具有Lipschitz梯度的一阶可微函数)插值给定的信息,使得对所有$a \in E$,$\widehat{f}(a) = f(a)$,且$\mathrm{Lip}(\nabla \widehat{f})$的值最小.提供了一种算法,该算法构造这样的近似函数$\widehat{f}$并估计无噪声设置中的最佳Lipschitz常数$\mathrm{Lip}(\nabla \widehat{f})$。我们解决统计方面的重建近似函数$\widehat{f}$从一个密切相关的类$C^{1, 1}(\mathbb{R}^d)$给定样本的噪声数据。我们观察$a \in E$的独立和同分布样本$y(a) = f(a) + ξ(a)$,其中$ξ(a)$是噪声项,并且集合$E \subset \mathbb{R}^d$是固定和已知的。我们得到统一的界限有关的经验风险和真正的风险在类$\mathcal{F}_{\widetilde{M}} = \{f \in C^{1, 1}(\mathb…
2018-03-30 math.ST stat.CO stat.ME
Structural randomised selection
高维组学数据分析中的一个重要问题是识别与感兴趣的表型相关的分子变量的子集。这需要解决高维数、强多重共线性和模型不确定性的挑战。我们提出了一种新的集成学习方法,用于提高稀疏惩罚回归方法的性能,称为结构随机选择(STRANDS)。该方法建立并改进了随机套索方法,包括两个步骤。在这两个步骤中,我们通过对变量进行重复子采样来降低维度。我们将惩罚回归方法应用于每个子采样数据集并对结果进行平均。在第一步中,通过可变相关结构通知子采样,并且在第二步中,通过来自第一步的可变重要性度量通知子采样。STRANDS可以与任何稀疏惩罚回归方法一起使用,作为“基本学习者”。使用合成数据和真实的生物数据集,我们证明了STRANDS通常会改进其基础学习者,并且在第一步中考虑相关结构可以帮助提高模型空间探索的效率。
2022-04-02 stat.ME
Semiparametric Estimation of Structural Functions in Nonseparable Triangular Models
具有不可加性可分离的不可观测异质性的三角系统为复杂结构关系的建模提供了一个理论上有吸引力的框架。然而,由于需要大量支持识别的外生变量,估计中的维数灾难以及缺乏推理工具,它们在实践中并不常用。本文介绍了两类半参数不可分三角模型,解决这些限制。它们基于内生变量的简化形式条件分布的分布和分位数回归建模。我们发现,平均,分布和分位数结构功能,确定在这些系统中,通过控制功能的方法,不需要一个大的支持条件。我们提出了一个计算上有吸引力的三阶段的过程来估计的结构功能,其中前两个阶段包括分位数或分布回归。我们为每个阶段提供了渐近理论和统一的推理方法。特别地,我们得到了结构函数的分布回归估计的泛函中心极限定理和bootstrap泛函中心极限定理。这些结果建立了结构函数的三阶段估计的自举的有效性,并导致简单的推理算法。我们用数值模拟和需求分析的实证应用说明了我们所有方法的实施和适用性。
2019-10-05 econ.EM stat.ME
Evaluating the effects of high-throughput structural neuroimaging predictors on whole-brain functional connectome outcomes via network-based vector-on-matrix regression
本研究提出基于网络的向量对矩阵回归模型及新型子图提取方法,利用UK Biobank的4242名参与者数据,揭示了白质微结构完整性等结构影像特征对静息态功能连接子网络的显著影响。
2023-10-27 q-bio.NC q-bio.QM stat.CO
Errors-in-variables beta regression models
Beta回归模型为建模限于区间(0,1)的连续结果提供了足够的方法。本文讨论了beta回归模型的扩展,允许解释变量被测量的误差。采用结构化方法,将测量误差的协变量假设为随机变量。提出了三种估计方法,即极大似然法、极大伪似然法和回归校正法。蒙特卡罗模拟被用来评估所提出的估计和朴素估计的性能。同时,对具有测量误差的β回归模型进行了残差分析.结果显示在一个真实的数据集。
2013-04-10 stat.ME
Bayesian Structural Equation Modeling in Multiple Omics Data Integration with Application to Circadian Genes
众所周知,不同数据源之间的整合是可靠的,因为它有可能揭示在单一来源分析中可能处于休眠状态的基因组表达的新功能。此外,不同的研究证明了对多平台数据进行更强大的分析的合理性。为此,在这项研究中,我们考虑了昼夜节律基因的组学特征,如拷贝数变化和RNA序列数据以及它们的生存反应。我们开发了一种贝叶斯结构方程模型,结合线性回归和对数正态加速失效时间回归,以整合这两个平台之间的信息来预测受试者的生存。我们把共轭先验的回归参数,并推导出吉布斯抽样使用它们的条件分布。我们广泛的模拟研究表明,综合模型提供了一个更好的适合的数据比其最接近的竞争对手。对来自最大的基因组学和转录组学数据库TCGA的胶质母细胞瘤癌症数据和乳腺癌数据的分析支持了我们的发现。所开发的方法被封装在R CRAN提供的R包semmcmc中。
2021-12-06 stat.AP stat.ME
Individual Differences in Structural Equation Model Parameters
每个人的参数值可能不同。本文讨论了一个三步的方法来研究这种差异,计算,然后建模“个人参数的贡献”,使研究的异质性在任意结构方程模型参数的技术挑战,执行线性回归。拟议的方法允许的差异误差方差的调查方法的研究,否则将很难作出贡献。
2013-04-12 stat.ME
Markov Switching Multiple-equation Tensor Regressions
本文提出马尔可夫切换多方程张量回归模型,利用共同隐马尔可夫过程刻画体制变化,并通过Soft PARAFAC分层先验实现降维与收缩,配合高效MCMC算法,在真实数据上优于Lasso回归。
2024-06-30 stat.ME
Online Change-Point Detection in Linear Regression with Autoregressive Errors via Streaming Variational Bayes
Yonsei University(延世大学)
该研究提出流式变分贝叶斯方法,用于带自回归误差的线性回归在线变点检测,经模拟和比特币波动率数据验证,其检测性能优于频率主义序贯监测程序。
2026-10-14 stat.ME
Bayesian Spatial Binary Regression for Label Fusion in Structural Neuroimaging
阿尔茨海默病是一种神经退行性疾病,相对于正常衰老,它会加速认知能力的下降。更好地了解大脑中的早期疾病机制以促进有效的靶向治疗具有至关重要的科学意义。海马的体积常用于疾病的诊断和监测。通过神经成像测量这个体积是困难的,因为每个海马必须手动识别或自动描绘,这是一项称为分割的任务。自动海马体分割通常涉及将先前手动分割的图像映射到新的大脑图像,并传播标签以获得每个海马体在新图像中的位置的估计。最近解决这个问题的方法是从多个手动分割的图谱中传播标签,并使用称为标签融合的过程将结果组合在一起。迄今为止,大多数标签融合算法采用直接分配或通过优化估计的投票权重的投票过程。我们建议使用一个完全贝叶斯空间回归模型的标签融合,有利于直接纳入协变量的信息,同时访问整个后验分布。我们的研究结果表明,将组织分类(例如,灰质)到标签融合过程中,可以大大提高分割时,相对均匀,健康的大脑被用作患病大脑的图谱。完全贝叶斯方法还产生了关于海马体积的有意义的不确定性测量,这些信息可以用来检测健康人群和患病人群之间的显著的、有科学意义的差异,提高了早期检测和跟踪疾病的可能性。
2022-01-14 stat.AP stat.ME
Linear shrinkage for predicting responses in large-scale multivariate linear regression
我们提出了一种新的预测方法的多变量线性回归问题的特征数量小于样本量,但结果的数量是非常大的。许多流行的程序,如惩罚回归程序,需要参数调整,这是计算上无法在这样的大规模问题。我们采取了不同的方法,从同步估计问题的想法,执行普通的最小二乘参数估计线性收缩的动机。我们的方法是非常计算效率和调谐自由。我们表明,它可以渐近优于普通最小二乘,而无需对真实回归系数进行任何结构假设,并说明其在模拟和单细胞RNA-seq数据分析中的良好性能。
2021-04-18 stat.ME
Definite Non-Ancestral Relations and Structure Learning
University of Washington(华盛顿大学);Technical University of Munich(慕尼黑工业大学)
在基于有向无环图(DAG)的因果图模型中,有向路径表示相应变量之间的因果路径。在这样一条路径的开始处的变量被称为在路径的结束处的变量的祖先。变量之间的祖先关系在因果建模中起着重要作用。在结构学习的现有文献中,这些关系通常是从学习的结构中推导出来的,并用于定向边缘或制定可能的DAG空间的约束。然而,它们通常不会被当作直接的推理目标。在这项工作中,我们通过CPDAG和d-分离关系的祖先关系的图形特征。我们提出了一个框架,可以学习明确的非祖先的关系,而无需首先学习的骨架。这个框架产生的结构信息,可以用于分数和约束为基础的算法,以更有效地学习因果DAG。
2021-05-20 cs.LG stat.ME
Inequality Restricted Estimator for Gamma Regression: Bayesian approach as a solution to the Multicollinearity
本文研究了Gamma回归模型中参数受线性约束时的多重共线性问题。线性约束可以从先验信息中获得,以确保科学理论的有效性或基于物理现象的结构一致性。为了对模型进行相关的统计推断,应考虑关于模型参数的任何可用知识和先验信息。因此,本文提出了一种算法,以获得贝叶斯估计的伽玛回归模型的参数受到一些线性不等式的限制。通过蒙特卡罗模拟和实际数据集的应用,我们证明了所提出的估计量在相关性和准确性方面优于极大似然然估计量和岭估计量等普通估计量。
2023-03-09 stat.ME
Hypothesis testing for partial tail correlation in multivariate extremes
Department of Statistics, West Virginia University(西弗吉尼亚大学统计系);School of Mathematical Sciences, Lancaster University(兰卡斯特大学数学科学学院)
本文提出了一种用于多变量极值中部分尾相关性检验的方法,通过尾部回归和极值协方差矩阵分析,揭示极值依赖结构中的稀疏性。
2025-12-30 stat.ME
Differential Equation-Constrained Exponential-Type Local Polynomial Regression Under Model Misspecification
The University of British Columbia Okanagan(不列颠哥伦比亚大学奥肯那根分校)
研究模型误设问题,提出受微分方程约束的回归框架,利用局部多项式回归技术,聚焦局部指数增长模型,通过模拟研究比较不同估计量在两种误设场景下的表现,评估模型稳健性。
2026-07-29 stat.CO stat.ME
Structure Discovery in Nonparametric Regression through Compositional Kernel Search
U. Cambridge(剑桥大学);MIT(麻省理工学院)
尽管它的重要性,在非参数回归的内核的结构形式的选择仍然是一个黑色的艺术。我们定义了一个空间的内核结构,这是由添加和乘以少量的基本内核组成。我们提出了一种方法来搜索这个空间的结构,反映了科学发现的过程。学习的结构通常可以将函数分解为可解释的组件,并在时间序列数据集上进行长距离外推。我们的结构搜索方法在各种预测任务上优于许多广泛使用的内核和内核组合方法。
2013-05-13 cs.LG stat.ME stat.ML
smoothbp: Fast Bayesian Hierarchical Piecewise Regression with Smoothed Transitions and Spike-and-Slab Model Selection
Wicking Dementia Research & Education Centre, College of Health & Medicine, University of Tasmania(塔斯马尼亚大学健康与医学院温金痴呆症研究与教育中心)
提出R包smoothbp,利用Rust实现的Metropolis-within-Gibbs采样器和HMC,实现具有逻辑平滑转换的贝叶斯分层分段回归,支持多断点、随机效应和自动断点选择。
2026-06-18 stat.AP stat.CO stat.ME
Prediction of treatment outcome for autism from structure of the brain based on sure independence screening
自闭症谱系障碍(ASD)是一种复杂的神经发育障碍,行为治疗干预已显示出对ASD幼儿的希望。然而,在了解每种治疗方法的效果方面进展有限。在这个项目中,我们的目标是检测治疗后大脑的结构变化,并选择与治疗结果相关的结构特征。建立接受特定治疗的患者的大型数据库的困难和医学图像分析问题的高维性是这项工作的挑战。为了选择预测特征并建立准确的模型,我们使用了确定独立筛选(SIS)方法。SIS是一种理论和经验验证的超高维一般线性模型的方法,它通过迭代特征选择来实现预测精度和正确的特征选择。与逐步特征选择方法相比,SIS在每次迭代中去除多个特征,计算效率高。与其他线性模型如弹性网络回归、支持向量回归(SVR)和偏最小二乘回归(PSLR)相比,SIS具有更高的精度。我们在各种实验中验证了SIS的优越性能:首先,我们从FreeSurfer中提取大脑结构特征,包括皮质厚度,表面积,平均曲率和皮质体积。接下来,我们根据结构特征预测不同的治疗结果。我们表明,SIS在所有任务中实现了预测和测量之间的最高相关性。此外,我们报告SIS选择的区域作为ASD的生物标志物。
2019-02-26 q-bio.NC stat.ME
When correcting for regression to the mean is worse than no correction at all
Universidade de São Paulo(圣保罗大学);Universitat Autònoma de Barcelona(巴塞罗那自治大学);cE3c - Centre for Ecology, Evolution and Environmental Changes & CHANGE - Global Change and Sustainability Institute, Lisboa, Portugal(里斯本 cE3c 生态、进化与环境变化中心及 CHANGE 全球变化与可持续发展研究所)
本文指出常规的回归均值纠正方法存在系统偏差和误差率膨胀问题,建议通过评估未纠正的粗略斜率与测量重复性导出的结构空期望进行分析,以更准确判断治疗差异效应。
2026-02-28 physics.data-an q-bio.QM stat.ME