Уважаемые коллеги, доброго времени суток! Представляем вам британское научное издание Biostatistics. Журнал имеет первый квартиль, издаётся в Oxford University Press, его SJR за 2021 г. равен 2,135, пятилетний импакт-фактор 4,735, печатный ISSN - 1465-4644, электронный - 1468-4357, предметные области - Статистика и теория вероятности, Медицина, Статистика, вероятность и неопределенность. Вот так выглядит обложка:
Здесь два редактора - Димитрис Ризопулус, контактные данные - d.rizopoulos@erasmusmc.nl
и Шерри Роуз - sherrirose@stanford.edu.
Одним из важных научных достижений 20-го века является взрывной рост статистических рассуждений и методов для применения в исследованиях здоровья человека. Примеры включают разработки в области вероятностных методов вывода, эпидемиологической статистики, клинических испытаний, анализа выживаемости и статистической генетики. Существенные проблемы в области общественного здравоохранения и биомедицинских исследований стимулировали развитие статистических методов, которые, в свою очередь, улучшили нашу способность делать обоснованные выводы из данных. Целью журнала является продвижение статистической науки и ее применения к проблемам здоровья человека и болезней с конечной целью улучшения здоровья населения.
Адрес издания - https://academic.oup.com/biostatistics
Пример статьи, название - Longitudinal regression of covariance matrix outcomes. Заголовок (Summary) - In this study, a longitudinal regression model for covariance matrix outcomes is introduced. The proposal considers a multilevel generalized linear model for regressing covariance matrices on (time-varying) predictors. This model simultaneously identifies covariate-associated components from covariance matrices, estimates regression coefficients, and captures the within-subject variation in the covariance matrices. Optimal estimators are proposed for both low-dimensional and high-dimensional cases by maximizing the (approximated) hierarchical-likelihood function. These estimators are proved to be asymptotically consistent, where the proposed covariance matrix estimator is the most efficient under the low-dimensional case and achieves the uniformly minimum quadratic loss among all linear combinations of the identity matrix and the sample covariance matrix under the high-dimensional case. Through extensive simulation studies, the proposed approach achieves good performance in identifying the covariate-related components and estimating the model parameters. Applying to a longitudinal resting-state functional magnetic resonance imaging data set from the Alzheimer’s Disease (AD) Neuroimaging Initiative, the proposed approach identifies brain networks that demonstrate the difference between males and females at different disease stages. The findings are in line with existing knowledge of AD and the method improves the statistical power over the analysis of cross-sectional data.
