工作、通勤、照顾家庭，让很多人难以每天规律运动。那么，如果把一周的大部分中高强度身体活动集中在1-2天完成，是否也能获得类似健康收益？中国人民大学统计学院王晓军教授团队基于41,225名中老年人的腕戴式加速度计数据，对身体活动模式、久坐行为与失能风险进行了研究。参与者平均年龄61.6岁，连续7天佩戴加速度计记录中高强度身体活动（MVPA）和久坐时间。研究将参与者分为“不活跃组”“周末战士组”和“规律活动组”。其中，“周末战士”并不特指周六、周日，而是指每周达到推荐活动量，并将至少50%的MVPA集中在任意1-2天完成。经过约7.7年的随访，共有2,589名参与者被观察到日常生活活动受限。结果显示，与身体活动不足者相比，“周末战士”和规律活动者的失能风险分别约降低32%和34%，两种活动模式总体上没有明显差异。即使在久坐时间较长的人群中，两种活动模式仍与较低失能风险相关。这些结果提示，每周累计达到足够的中高强度身体活动总量，可能比运动究竟分散在多天还是集中在1-2天更重要。对于难以“天天运动”的人群来说，这意味着可以根据自己的时间安排灵活运动。相关成果以“Weekend warrior physical activity, sedentary behaviour, and incident disability in middle-aged and older adults: a UK Biobank accelerometer study”为题发表于Geriatrics & Gerontology International（https://doi.org/10.1111/ggi.70818）。

T形子宫是一种罕见的子宫畸形，尽管在普通人群中患病率相对较低，但在不孕症患者中显著升高，且与不良妊娠结局密切相关。目前，T形子宫尚无普遍标准化的诊断标准。近年来，三维经阴道超声（3D-TVS）已成为评估子宫腔形态的首选无创影像学方法，但不同研究使用的参数和截断值不同，且现有研究提出的标准主要基于医生主观形态学印象，而非基于与正常生育人群的比较。本研究是在中国女性队列中，利用从3D-TVS冠状面获得的精确且可重复的测量值，客观比较正常子宫与T形子宫的形态，并基于这些测量值，开发了三步序贯策略，为T形子宫提供了客观、准确且可重复的诊断方法，有效减少了诊断中的不确定性。

为什么有的人群能够拥有更长的健康预期寿命？不同出生队列、社会经济群体或地区之间健康预期寿命（Health Expectancy）的差异究竟来源于哪些因素，又集中发生在哪些年龄阶段？长期以来，健康预期寿命已成为衡量健康老龄化的重要指标，但现有研究多侧重于描述差异的大小，难以进一步揭示其形成机制。针对这一问题，中国人民大学统计学院王晓军教授团队提出了一种基于纵向随访数据的健康预期寿命归因—分解新方法，实现了从年龄和影响因素两个维度解析不同人群健康预期寿命差异的来源。与传统基于横断面数据的方法相比，该方法能够利用个体长期随访信息，更准确地刻画健康变化和死亡过程，并进一步量化不同影响因素在不同年龄阶段对健康预期寿命差异的具体贡献。该框架所考虑的影响因素不仅包括疾病和死因，也可以扩展至生活方式、社会经济条件、环境暴露以及遗传风险等多种因素。该研究不仅能够回答“健康预期寿命差异有多大”，更能够回答“健康预期寿命差异从哪里来”，为识别影响健康老龄化的关键因素和关键年龄窗口提供了新的统计工具。与此同时，团队开发了配套软件包 LongDecompHE 和可视化 Shiny 平台，方便研究人员开展健康预期寿命的测算、归因与分解分析。该研究为理解人口健康不平等、优化慢性病防控策略以及推进健康中国和积极应对人口老龄化国家战略提供了新的方法学支撑。相关成果以“Decomposing Differences in Cohort Health Expectancy by Cause and Age with Longitudinal Data”为题发表于人口学领域国际顶级期刊《Demography》（https://doi.org/10.1215/00703370-12654071）。

In spatial and social network analysis, multivariate spatial autoregressive (MSAR) models are effective tools for analyzing network data with multivariate responses. When the dimension of the response is divergent, however, the number of unknown parameters in an MSAR increases at a rate that is proportional to the square of the dimensionality, which poses significant challenges to the model estimation process. To address this issue, we propose a novel reduced-rank MSAR model by imposing a low-rank structure on the spatial influence matrix of the multivariate responses. The proposed model achieves substantial dimensionality reduction and offers insightful interpretations. To mitigate the high computational cost of the quasi-maximum likelihood estimator (QMLE), we propose a least squares estimator (LSE) for estimating the unknown parameters. Furthermore, we establish the asymptotic nature of the LSE when both the network size and the dimensionality of the responses diverge to infinity. To determine the rank, we propose an information criterion estimator and demonstrate the consistency of its rank selection process. Extensive numerical simulations validate the proposed model and parameter estimates. Finally, a dataset derived from Shouqianba, one of the largest aggregate payment platforms, is analyzed for illustration purposes.

在目标人群中存在未观测混杂且缺乏工具变量时，因果效应的估计较为困难。本文利用来自辅助人群的工具变量，通过数据融合的方法来识别目标人群中的因果效应。文章首先讨论了基于条件平均处理效应同质性的传统思路，但该方法在处理效应存在异质性时可能产生偏倚。为此，本文提出了等混杂（equal-confounding）假设，即在调整观测协变量后，不同人群中的未观测混杂偏倚相同，但允许处理效应在不同人群之间存在差异。在此基础上，可以利用辅助人群识别混杂偏倚，并据此校正目标人群中处理与结果之间的关联性，从而恢复因果效应。文章进一步提出了多稳健估计方法及去偏机器学习方法，并通过模拟研究和真实数据分析验证了方法的有效性。

随着人口老龄化加速，如何实现阿尔茨海默病（Alzheimer’s disease, AD）的早期识别与动态风险预测，已成为公共健康领域的关键问题。然而，现实研究中常面临随访时间不精确（区间删失）以及认知指标随时间动态变化等复杂数据挑战，传统方法难以充分利用这些信息。针对这一问题，我院团队提出了一种融合神经网络与多变量函数主成分分析（MFPCA）的动态预测模型，可在区间删失框架下有效整合多维纵向认知与功能数据，实现个体化风险评估。基于模拟研究与阿尔茨海默病神经影像计划（ADNI）数据的实证分析表明，该方法在预测准确性和稳定性方面均优于现有主流方法，能够更精准地刻画疾病进展过程。进一步地，团队开发了在线应用平台（http://olap.ruc.edu.cn/），支持个体化动态风险预测与可视化展示，为科研人员和临床实践提供便捷工具。该研究不仅在方法学上拓展了复杂生存数据建模与机器学习的交叉研究，也为阿尔茨海默病的早期筛查与精准干预提供了新的技术手段。