• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

Discussion of "Data-driven confounder selection via Markov and Bayesian networks" by Jenny Häggström.

作者信息

Kennedy Edward H, Balakrishnan Sivaraman

机构信息

Department of Statistics, Carnegie Mellon University, Pittsburgh, Pennsylvania 15213, U.S.A.

出版信息

Biometrics. 2018 Jun;74(2):399-402. doi: 10.1111/biom.12787. Epub 2017 Nov 2.

DOI:10.1111/biom.12787
PMID:29099991
Abstract
摘要

相似文献

1
Discussion of "Data-driven confounder selection via Markov and Bayesian networks" by Jenny Häggström.珍妮·哈格斯特伦所著《通过马尔可夫和贝叶斯网络进行数据驱动的混杂因素选择》的讨论
Biometrics. 2018 Jun;74(2):399-402. doi: 10.1111/biom.12787. Epub 2017 Nov 2.
2
Discussion of "Data-driven confounder selection via Markov and Bayesian networks" by Häggström.哈格斯特伦所著《通过马尔可夫和贝叶斯网络进行数据驱动的混杂因素选择》的讨论
Biometrics. 2018 Jun;74(2):403-406. doi: 10.1111/biom.12784. Epub 2017 Nov 2.
3
Rejoinder to Discussions on: Data-driven confounder selection via Markov and Bayesian networks.对关于“通过马尔可夫和贝叶斯网络进行数据驱动的混杂因素选择”讨论的回应
Biometrics. 2018 Jun;74(2):407-410. doi: 10.1111/biom.12783. Epub 2017 Nov 2.
4
Bayesian modeling of cost-effectiveness studies with unmeasured confounding: a simulation study.未测量混杂因素下成本效益研究的贝叶斯建模：一项模拟研究。
Pharm Stat. 2014 Jan-Feb;13(1):94-100. doi: 10.1002/pst.1604. Epub 2013 Nov 13.
5
Data-driven confounder selection via Markov and Bayesian networks.通过马尔可夫和贝叶斯网络进行数据驱动的混杂因素选择。
Biometrics. 2018 Jun;74(2):389-398. doi: 10.1111/biom.12788. Epub 2017 Nov 2.
6
Bayesian sensitivity analysis for unmeasured confounding in observational studies.观察性研究中未测量混杂因素的贝叶斯敏感性分析。
Stat Med. 2007 May 20;26(11):2331-47. doi: 10.1002/sim.2711.
7
"A Bayesian sensitivity analysis to evaluate the impact of unmeasured confounding with external data: a real world comparative effectiveness study in osteoporosis".一项用于评估未测量混杂因素及外部数据影响的贝叶斯敏感性分析：骨质疏松症的真实世界比较疗效研究
Pharmacoepidemiol Drug Saf. 2016 Sep;25(9):982-92. doi: 10.1002/pds.4053. Epub 2016 Jul 11.
8
Meta-analysis of observational studies with unmeasured confounders.对存在未测量混杂因素的观察性研究的荟萃分析。
Int J Biostat. 2012 Jan 6;8(2):/j/ijb.2012.8.issue-2/1557-4679.1350/1557-4679.1350.xml. doi: 10.2202/1557-4679.1350.
9
Evaluating the impact of unmeasured confounding with internal validation data: an example cost evaluation in type 2 diabetes.利用内部验证数据评估未测量混杂的影响：2 型糖尿病成本评估实例。
Value Health. 2013 Mar-Apr;16(2):259-66. doi: 10.1016/j.jval.2012.10.012. Epub 2013 Jan 23.
10
The sign of the unmeasured confounding bias under various standard populations.不同标准人群下未测量混杂偏倚的迹象。
Biom J. 2009 Aug;51(4):670-6. doi: 10.1002/bimj.200800195.

引用本文的文献

1
Causal feature selection using a knowledge graph combining structured knowledge from the biomedical literature and ontologies: A use case studying depression as a risk factor for Alzheimer's disease.使用结合生物医学文献和本体结构化知识的知识图进行因果特征选择：以抑郁症作为阿尔茨海默病风险因素为例的研究。
J Biomed Inform. 2023 Jun;142:104368. doi: 10.1016/j.jbi.2023.104368. Epub 2023 Apr 21.
2
A doubly robust method to handle missing multilevel outcome data with application to the China Health and Nutrition Survey.一种处理缺失的多水平结局数据的双重稳健方法及其在中国健康与营养调查中的应用。
Stat Med. 2022 Feb 20;41(4):769-785. doi: 10.1002/sim.9260. Epub 2021 Nov 16.
3
Challenges in Obtaining Valid Causal Effect Estimates with Machine Learning Algorithms.
使用机器学习算法获取有效因果效应估计值面临的挑战。
Am J Epidemiol. 2023 Sep 1;192(9). doi: 10.1093/aje/kwab201. Epub 2021 Jul 15.
4
Automated data-adaptive analytics for electronic healthcare data to study causal treatment effects.用于研究因果治疗效果的电子医疗数据的自动化数据自适应分析。
Clin Epidemiol. 2018 Jul 6;10:771-788. doi: 10.2147/CLEP.S166545. eCollection 2018.
5
Stacked generalization: an introduction to super learning.堆叠泛化：超级学习导论。
Eur J Epidemiol. 2018 May;33(5):459-464. doi: 10.1007/s10654-018-0390-z. Epub 2018 Apr 10.