RSS 订阅订阅本栏目
共 10 篇 ← 返回全部栏目
当某个时间点、年龄或空间位置没有观测值时，插值可以根据周围的已知点，估计已知范围内的新数值。但估计值不是新观测，曲线更平滑也不代表更接近真实情况。线性、多项式、样条和径向基函数依赖不同的假设，选择时需要同时考虑数据维度、局部形态、噪声和使用目的。
面对一组彼此相关的变量，主成分分析（PCA）和因子分析都能把它们概括成更少的维度，因此常被混在一起。两者真正的区别不在于“能不能降维”，而在于研究目的：PCA用于压缩数据，因子分析用于描述多个指标背后的共同特征。本文从原理、输出、适用场景和R实现四个方面说明如何选择。
HR=0.8，能不能直接写成“疾病进展风险降低20%”？两条 Kaplan-Meier 曲线没有交叉，是否就说明比例风险假设成立？P＞0.05，是否等于“没有影响”？
Skill 负责把经验写成程序化工作方法，MCP 负责把外部世界变成可调用接口。
不必把背语法当成入场券。但要让分析结果可信、可复核，仍然需要学会读代码、改代码和验证代码。
检索近 5 年有关“大语言模型生成医学参考文献准确性”的研究，返回查询式、PMID、DOI、题名和摘要能支持的结论。未检索到的内容不要补写。
大数定律描述的是：在适当条件下，随着重复观测增多，样本平均值会逐渐靠近总体的期望值。
同一段抽样代码，运行两次却得到两组结果。这不一定是程序出错，很可能只是少了一行 set.seed()。
同一组数据，标准差是12，标准误却只有1.2。哪个数字更能代表数据“稳定”？先别比较大小，它们回答的不是同一个问题。
最近看到 Jacob Scott 的 R Best Practice Cheat Sheet。一张表，把项目结构、依赖管理、可复现示例、函数、命名、数据库和 Git 串了起来。很适合收藏，也值得加几条使用说明。
