复旦大学流行病与卫生统计学考博真题近年来呈现出鲜明的学科交叉性和研究前沿导向特征，2021-2023年真题分析显示其命题趋势已从传统的统计学方法考核转向“方法-数据-场景”三位一体的综合应用能力评估。以2022年真题为例，开卷部分要求考生基于某地肺癌发病率十年数据（年均增长率4.2%，95%CI 2.8%-5.6%）构建空间自相关模型，闭卷部分则涉及多水平模型在医联体医疗资源分配中的应用，这种设计充分体现了新医科背景下对复合型研究人才的选拔需求。

在考试重点分布上，研究设计类题目占比从2019年的32%提升至2023年的41%，其中队列研究中的失访偏倚控制（如采用Inverse Probability Weighting加权方法）、病例对照研究的匹配效率优化（如双变量匹配与多变量匹配的样本量差异）成为高频考点。统计方法部分呈现“经典方法+前沿技术”并重态势，贝叶斯网络在因果推断中的应用（2021年真题）、机器学习算法在疾病预测中的过拟合问题（2023年真题）连续三年被纳入核心考题。值得关注的是，2023年新增的“真实世界数据（RWD）分析”专题，要求考生对电子健康记录中的缺失数据（MCAR/MAR机制鉴别）和多重治疗效应（MTE）校正方法进行系统阐述。

题型结构方面，2023年采用“3+2”模式：3道开卷论述题（占比60%）侧重方法原理与实际应用衔接，2道闭卷计算题（占比40%）强化统计软件操作能力。计算题部分呈现两大趋势：一是R语言与Stata的混合考题（如先使用R进行数据清洗再调用Stata进行生存分析）；二是开放性计算要求（如根据研究问题自主选择统计模型并说明选择依据）。以2023年闭卷题为例，要求基于某肿瘤登记数据（含年龄、性别、吸烟史、BMI等变量）构建混合效应模型，重点考察交叉随机效应的识别与检验方法。

答题策略研究显示，高分答卷普遍具备三个特征：一是建立“问题树-方法树-数据树”三维分析框架，如针对混杂因素控制问题，能同步运用协变量选择（LASSO回归）、交互效应检验（Likelihood Ratio Test）和敏感性分析（Egger's test）形成完整证据链；二是注重方法适用性论证，如解释为何在纵向数据中优先选择随机效应模型而非固定效应模型时，需结合个体变异来源（Between-Within模型）与设计类型（重复测量或多水平数据）；三是强调结果的可解释性，要求将统计指标（如HR=2.15, 95%CI 1.78-2.58）转化为临床决策语言（如“吸烟者肺癌风险增加115%”）。

备考建议应聚焦三个维度：首先构建“经典方法库+前沿工具包”知识体系，重点掌握多变量回归（含中介效应分析）、生存分析（含Cox模型扩展）、空间统计（如Geographical加权回归）三大核心模块，同时关注机器学习在流行病学中的应用（如随机森林用于风险分层）；其次强化计算能力训练，建议通过Kaggle真实数据集（如MIMIC-III医疗数据库）进行全流程模拟，重点突破数据清洗（缺失值处理）、模型验证（交叉验证）和结果可视化（ggplot2高级应用）；最后注重学术热点追踪，2023年新增考点显示，考生需关注“健康中国2030”战略下的政策评价方法（如双重差分法DID）、全球健康治理中的疾病负担建模（如GBD2022更新方法）等前沿领域。建议考生建立“真题-文献-实践”联动学习机制，例如针对2022年关于医联体资源配置的考题，可延伸阅读《柳叶刀》2021年发表的“分级诊疗体系效果评估”系列研究，将理论方法与实证分析深度融合。