🧭 方法逻辑地图：从问题走到模型
第一步：你希望得到什么
| 研究目的 | 下一步 | 常见路线 |
|---|---|---|
| 描述分布/差异 | 样本能代表谁？结局怎么测？ | 抽样、标化、描述与区间 |
| 解释政策/干预效果 | 谁接受了什么策略？何时开始？ | TTE、PSM/IPW、DID/SDID、IV、RDD |
| 预测未来结局 | 预测时点有哪些信息？如何独立验证？ | 正则化、ML、校准、净获益 |
| 探索分型与机制 | 特征相似性或构念如何定义？ | 聚类、潜类别、定性、SEM/fsQCA |
| 综合既有证据 | 分析单位是原始研究还是综述？ | Meta、网状Meta、伞状/范围综述 |
| 资源配置与长期决策 | 状态、历史、容量与互动如何运转？ | Markov、微观、DES、SD、ABM与PSA |
第二步：把目标写成一句话
对〔目标人群〕，在〔时间窗〕比较〔策略A/B〕，估计〔风险差/均值差/ATT等〕；或在〔预测时点〕预测〔未来结局〕。不要把“找影响因素”“做一个高级模型”作为完整目标。
第三步：检查数据与设计
- 暴露和结局谁先发生？是否有可核验的基线与处理日期？
- 分析单位是患者、医院、城市、文件还是综述？重复/聚类发生在哪里？
- 结局支持集、缺失、失访、竞争事件和抽样权重是什么？
- 因果识别依赖什么：条件可交换、平行趋势、阈值连续性还是有效工具？哪些假设不能直接检验？
第四步：沿着合适的分叉前进
| 情境 | 详细框架 |
|---|---|
| PSM、匹配、IPW、熵平衡 | 目标→混杂→重叠→平衡→推断 |
| 同时政策/交错政策/少量处理城市 | 基础DID · 交错DID · SDID/DML |
| 二元、费用、计数、面板与空间数据 | 六步计量模型选型 |
| 无标签探索患者或机构分型 | 特征→距离→算法→类数→稳定性 |
| 观察数据评价治疗策略 | 先写目标试验协议 |
| 多干预比较/多综述总结 | 网状Meta · 伞状综述 |
| 模型性能与政策情景 | 蒙特卡洛 · 模拟选型 · 个体微观模拟 |
| 政策文本/医疗AI/公共队列 | 文本测量 · AI评价 · 纵向数据 |
第五步：让诊断决定能解释多远
平衡好不等于无混杂；趋势检验不显著不等于假设已证明；轮廓系数高不等于天然亚型；高AUC不等于临床获益；排序靠前不等于高确定性最佳干预；模拟重复多不等于结构正确。
最后交付一张模型说明卡
研究问题｜估计目标｜数据结构｜识别假设｜模型与代码｜必要诊断｜结果尺度与区间｜敏感性｜适用边界。
请按这张逻辑地图为我的研究选方法。先指出信息缺口，再比较有依据的路线，不按复杂程度和P值挑模型。
普贤 · 社医卫管方法库 · 教学参数与代码接口需结合实际数据、软件版本和研究设计核对。