卡罗林斯卡学院 阿维德·舍兰德、艾琳·加布里埃尔和迈克尔·萨克斯讨论生物统计学
信用:古尼拉·索纳布林 因果推断在医学研究中很重要，有助于确定治疗是否有益以及自然暴露是否有害
在许多情况下，数据收集使因果推理变得困难，而不会做出过于乐观或理想化的假设
在《美国统计协会杂志》上发表的一篇新文章中，卡罗林斯卡学院的研究人员开发了新的统计方法，使因果推断在某些情况下成为可能，而无需做出这样的假设
医学流行病学和生物统计学系的作者艾琳·加布里埃尔、迈克尔·萨克斯和阿维德·舍兰德在新论文中描述了如何使用和解释这些方法
可应用于各种不同研究环境的新工具 随机试验是一种实验类型，其中志愿者组被随机分配以获得或不获得新药，然后在两个随机分配的组之间进行比较，以评估随机药物对患者的生存、感染或健康的影响
与新药不同，有许多东西不能随机分配给志愿者，如吸烟和石棉接触，或者可以随机分配，但通常是在观察性研究中进行研究，如红酒和水果消费
在这些情况下，暴露的影响可能难以确定，因为其他因素可能会影响感兴趣的暴露和结果
例如，与匈牙利相比，生活在瑞典与较低的死亡率和较高的云莓消费量相关，因此在一个包括匈牙利和瑞典人的群体中寻找云莓对死亡率的影响可能会使一名研究人员相信云莓降低死亡率
使用新方法开发的统计方法 虽然有许多工具可以处理测量的因素，例如居住国，以允许测试和估计这些影响，但所有这些方法都要求研究人员愿意猜测他们尚未测量的所有其他因素
这里介绍的工作使用数学、逻辑和统计学来放松这种猜测的需要，并且，不是给出一个单一的效果值，而是给出一系列可能的效果大小
虽然一些研究人员已经开发了类似的方法，但这些方法非常少，并且是针对数据类型以及数据是如何收集的
艾琳·加布里埃尔和她的同事们开发了新的方法，允许更大数量的数据收集方式，其中许多在瑞典非常普遍，这是由于注册
第一作者艾琳·加布里埃尔说:“这些易于实施的统计方法，在许多因果推断受到不可测量的混淆和/或选择偏差威胁的情况下，可能会有所帮助。”
作者希望他们的工具将被世界各地的研究人员使用，以帮助他们做出决策，而不必猜测他们数据中不可测量的因素
在他们正在进行的和未来的工作中，他们的目标是建立和描述可以在不完善的临床试验中使用的新的统计工具
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
