报告与演讲

硕士论文答辩 Link to heading

临床实践指南旨在指导临床操作，通常涉及因果语言。然而，这些指南有时会提出比其参考文献更强的因果主张，我们将这种现象称为“因果跳跃（causation jump）”。这些跳跃表现为何种形式？又可能带来怎样的后果？👉🔗

Erasmus MC 因果推断组会上的报告 Link to heading

[2025年4月30日] 阴性对照人群简介 👉🔗

阴性对照人群（NC population）是一种强大但较少使用的工具，可用于排除未测混杂因素，并证伪工具变量（IV analysis）分析中的排除限制假设。本报告总结了 Piccininni 和 Stensrud (2024) 一文中的一些关键观点。

[2025年4月2日] 预测卵巢癌筛查试验中的治疗效应 👉🔗

我们试图“挽救”一项平均治疗效应（ATE）接近于零的试验：尽管投入了大量编码工作，并巧妙运用了 g-方法（g-methods），结果仍不甚理想。这是我正在进行的项目的阶段性汇报。

[2024 年 10 月 2 日] 近端因果推断简介 👉🔗

近端因果推断使用已知但未测量的混杂因素周围的变量来尝试获得因果效应的点估计值。它是如何工作的？本报告以外行人能理解的语言解释了它。

[2024 年 5 月 1 日] 标准化的简介 👉🔗

简要介绍标准化，这是现代因果推断中大量使用的一类重要的g-方法。

[2024 年 2 月 7 日] 糖尿病临床指南中的因果语言使用：因果关系和一致性评估 👉🔗

介绍我的硕士论文项目的研究计划。临床指南中的因果语言和连接词是什么样的，它们是否被正确使用和解释？

Erasmus MC 流行病学系journal club 上的报告 Link to heading

[2024 年 9 月 20 日] 数据清理：检测、诊断和编辑数据异常

数据清理是必须做的，但在流行病学课程中几乎没有提及、报告和教授。我们能找到的讨论这个主题的最佳论文发表于大约二十年前。数据清理应该重新引起流行病学家的注意吗？这个报告是关于论文数据清理：检测、诊断和编辑数据异常 (van den Broeck et al., PLoS Medicine 2005;2(10):e267.) 的介绍。

[2024 年 5 月 31 日] 用于估计处理结果的因果机器学习 👉🔗

估计反事实世界所涉及的因果效应总是很有吸引力，尤其是使用机器学习技术。机器学习可以为因果推理做些什么，我们应该如何看待它？这是论文用于预测治疗结果的因果机器学习 (Nature Medicine 2024;30:958–68) 的演示文稿。