Methods for adjusting for covariate measurement error in flexible modelling of functional form: results of a blinded, controlled neutral comparison simulation study
函数形式灵活建模中协变量测量误差的校正方法：一项盲法、受控的中立比较模拟研究AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论的是流行病学中协变量测量误差校正与灵活函数形式建模的模拟比较，属于方法学/统计方法评价，未涉及所提供领域细分中的因果识别、面板、离散选择、结构估计、时间序列或金融计量等方向，故不选择任何细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
函数形式灵活建模中协变量测量误差的校正方法：一项盲法、受控的中立比较模拟研究
- 研究问题
- 摘要称，协变量测量误差在流行病学研究中普遍存在并会扭曲暴露—结局关联的估计，但校正方法几乎只在线性建模假设下被研究；当真实关联为非线性、且函数形式本身用灵活回归估计时，这些校正方法表现如何尚不清楚。
- 方法与思路
- 作者提出一项在 STRATOS 框架内开展的盲法、多阶段中立比较模拟研究：将六类校正方法（逐点与基于系数的 SIMEX、logit 与风险尺度上的贝叶斯推断、多重插补、回归校准）分别与 B 样条、惩罚样条、分数多项式、自然样条组合，共 23 种分析方案，应用于五种函数形式下生成的病例对照数据，并变化样本量、重复子研究规模、误差幅度与误差分布。
- 材料陈述的贡献
- 摘要称，逐点 SIMEX 总体最准确且最稳健，其次是与惩罚样条、分数多项式或自然样条配对的贝叶斯方法与回归校准；多重插补表现较差，贝叶斯估计配未惩罚 B 样条表现最差。惩罚样条、分数多项式与自然样条近乎等价，B 样条则持续较差；没有单一方法在所有情形中占优，作者据此强调敏感性分析的价值。
- 阅读关注点
- 应核对模拟设计细节：五种函数形式与误差分布的具体设定、重复子研究规模与误差幅度的取值范围、性能指标（暴露分布中心 95% 区间上估计函数的对数均方误差）的定义与计算方式、盲法与中立比较的具体实施流程，以及结论对样本量和误差结构的敏感性。
- 阅读边界
- 仅依据摘要，无法判断模拟场景是否覆盖真实流行病学数据特征、结论能否外推到其他误差机制（如非经典、差异误差）或其他函数形式；摘要未说明置信区间覆盖率、偏倚等其他评价维度，也未给出具体数值结果。该文为 arXiv 预印本，不能据此声称已经同行评审或期刊接收。
原文摘要
Covariate measurement error is pervasive in epidemiological research and distorts estimated exposure-outcome associations, yet correction methods have been studied almost exclusively under linear modelling assumptions. Their behaviour when the underlying association is non-linear and is itself estimated with flexible regression, remains poorly characterised. We report a blinded, multi-stage neutral comparison simulation study, conducted within the STRATOS initiative, evaluating measurement error correction coupled with flexible modelling of functional form. Six families of correction methods (pointwise and coefficient-based Simulation Extrapolation [SIMEX], Bayesian inference on the logit and risk scales, Multiple Imputation [MI], and Regression Calibration [RC]) were each combined with B-splines (BS), penalised splines (PS), fractional polynomials (FP), and natural splines (NS), yielding 23 analytic methods. Methods were applied to case-control data generated under five functional forms (J-shape, linear, two threshold models, and saturation) across simulated datasets spanning varying sample sizes, replication substudy sizes, error magnitudes, and error distributions, with classical additive error and a replication substudy for error calibration. Performance was assessed by the log mean squared error of the estimated function over the central 95 % of the exposure distribution. Pointwise SIMEX was the most accurate and most robust approach overall, followed by Bayesian methods and RC when paired with PS, FP, or NS; MI performed less well, and Bayesian estimation with unpenalised BS performed worst. PS, FP, and NS were near-equivalent, whereas BS was consistently inferior. No single method dominated across all scenarios, underscoring the value of sensitivity analyses.