arXiv 0910.37562009-10-20stat.ME

评论：配对配对在随机试验中的重要作用，以及对墨西哥全民健康保险评估的应用

Comment: The Essential Role of Pair Matching in Cluster-Randomized Experiments, with Application to the Mexican Universal Health Insurance Evaluation

Kai Zhang, Dylan S. Small

备注：: Published in at http://dx.doi.org/10.1214/09-STS274B the Statistical Science (http://www.imstat.org/sts/) by the Institute of Mathematical Statistics (http://www.imstat.org)
发表信息：: Statistical Science 2009, Vol. 24, No. 1, 59-64
DOI：: 10.1214/09-STS274B

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

评论“配对配对在随机化实验中的重要作用，及其在墨西哥全民健康保险评估中的应用”[arXiv：0910.3752]

英文摘要：

Comment on ``The Essential Role of Pair Matching in Cluster-Randomized Experiments, with Application to the Mexican Universal Health Insurance Evaluation'' [arXiv:0910.3752]

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

配对配对在随机试验中的重要作用及其在墨西哥全民健康保险评估中的应用

The Essential Role of Pair Matching in Cluster-Randomized Experiments, with Application to the Mexican Universal Health Insurance Evaluation

许多实地实验的一个基本特征是，调查人员只能随机分组个人-如家庭、社区、公司、医疗实践、学校或教室-即使个人是感兴趣的单位。为了弥补由此造成的效率损失，一些研究将相似的集群配对，并在配对中随机治疗。然而，许多其他研究避免配对，部分原因是文献中的说法，临床试验标准组织也表示，这种配对的群集随机化设计存在严重问题。我们认为，所有这些说法都是没有根据的。我们还证明了文献中为这种设计推荐的估计量仅在不需要匹配的情况下是无偏的，其标准误也是无效的。为了克服这个问题，没有建模假设，我们开发了一个简单的基于设计的估计，大大改善了统计特性。我们还提出了一个基于模型的方法，其中包括我们的设计为基础的估计，以及在文献中的估计的一些好处。我们的方法还解决了个人层面的不合规问题，这在应用程序中很常见，但在大多数现有方法中是不允许的。我们表明，从偏见的角度来看，效率，电源，鲁棒性或研究成本，并在大或小的样本，配对应使用在集群随机实验只要可行的，不这样做，相当于放弃了相当一部分的数据。我们开发这些技术的背景下，我们正在进行的墨西哥全民健康保险计划的随机评估。

2009-10-20stat.ME

反驳：配对和随机试验的未来

Rejoinder: Matched Pairs and the Future of Cluster-Randomized Experiments

对“配对匹配在随机化实验中的重要作用，及其在墨西哥全民健康保险评估中的应用”的反驳[arXiv：0910.3752]

2009-10-20stat.ME

评论：配对的基本作用

Comment: The Essential Role of Pair Matching

评论“配对配对在随机化实验中的重要作用，及其在墨西哥全民健康保险评估中的应用”[arXiv：0910.3752]

2009-10-20stat.ME

通过一个保证实验不失败的准则的最优重随机化

Optimal Rerandomization via a Criterion that Provides Insurance Against Failed Experiments

我们提出了一个优化的重新随机化设计程序的非序贯治疗对照实验。随机实验是寻找自然界因果效应的黄金标准。但有时随机分配会导致治疗组和对照组的不平等分配，这显然是观察到的协变量的不平衡。此外，未观察到的协变量可能存在不平衡。观察到的或未观察到的协变量的不平衡增加处理效应估计误差，扩大了置信区域的宽度并降低了实验功效。“重新随机化”是一种策略，通过将观察到的协变量的不平衡限制在预先指定的阈值，从而省略不佳的不平衡分配。然而，过多地限制该阈值可能会增加未观察到的协变量的收缩误差的风险。我们引入了一个标准，结合观察到的不平衡，同时考虑到无意中不平衡未观察到的协变量的风险。然后，我们使用这个标准来定位最佳的重新随机化阈值的基础上，从业者的期望保险水平对高估计误差。我们展示了我们的设计在模拟和数据集从一个大型随机实验在教育中的收益。我们在CRAN上提供了一个名为OptimalRerandExpDesigns的开源R包，它可以根据我们的算法生成设计。

2021-01-25stat.ME

平衡且稳健的随机化处理分配：健康保险实验及更广场景下的有限选择模型

Balanced and Robust Randomized Treatment Assignments: The Finite Selection Model for the Health Insurance Experiment and Beyond

本文重新形式化并扩展 Morris 提出的有限选择模型，引入无调参且仿射不变的 D-最优选择准则，实验表明其协变量平衡平均优于完全随机化 68%、优于重随机化 56%，为实验设计提供了简单、高效且稳健的通用工具。

2023-07-04stat.APstat.ME

使用R的有限选择模型将单位随机和平衡分配至治疗组

Randomized and Balanced Allocation of Units into Treatment Groups Using the Finite Selection Model for R

最初的有限选择模型（FSM）是在20世纪70年代开发的，以加强兰德健康保险实验的设计（HIE; Newhouse et al. 1993）。在Carl Morris（Morris 1979）开发该方法时，存在基本的计算限制，使该方法广泛适用于从业者。如今，随着随机化实验越来越普遍，需要实施随机化、平衡、稳健且易于适用于多个治疗组的试验设计。为了帮助解决这个问题，我们重新审视原来的FSM下的潜在结果框架的因果推断，并提供其第一个现成的软件实现。在本文中，我们提供了一个介绍有限状态机和一个逐步指导其使用R。

2021-05-06stat.ME

更多相关论文收起更多论文

从试验推广到目标总体的方差估计

On variance estimation for generalizing from a trial to a target population

与观察性研究相比，随机对照试验（RCT）提供了较强的内部效度。然而，选择偏倚威胁着随机试验的外部效度。因此，随机对照试验的结果可能不适用于广泛的公共政策人群或狭窄的人群，如特定的保险池。一些研究者使用倾向得分（PS）将随机对照试验的结果推广到目标人群。在这种情况下，PS定义为根据观察到的协变量参与试验调节的概率。我们研究了一个无模型的逆概率加权估计（IPWE）的平均处理效应在目标人群的随机试验数据。我们提出了方差估计，并比较我们的方法与基于模型的方法的性能。我们研究了无模型估计对异质处理效应的稳健性。

2017-04-25stat.ME

在存在干扰、治疗不依从和结果缺失情况下的两阶段随机化实验的贝叶斯分析

A Bayesian Analysis of Two-Stage Randomized Experiments in the Presence of Interference, Treatment Nonadherence, and Missing Outcomes

针对现代复杂实验中同时存在的干扰、治疗不依从和结果缺失问题，提出一种基于贝叶斯方法的因果推断框架，扩展两阶段随机化实验和主分层框架，通过灵活分布模型实现主因果效应的弱可识别，从而提供更具信息量的分析。

2023-04-05stat.ME

结果适应性倾向得分方法处理删失和高敏感性：应用于保险索赔

Outcome Adaptive Propensity Score Methods for Handling Censoring and High-Dimensionality: Application to Insurance Claims

倾向得分通常用于减少非随机化观察性研究中的混杂偏倚，以估计平均处理效应。该方法的一个重要假设是，所有与治疗和关注结局相关的混杂因素均被测量并纳入倾向得分模型。在缺乏关于潜在混杂因素的强先验知识的情况下，研究人员可能不可知地想要调整一组高维的治疗前变量。因此，倾向得分估计需要变量选择程序。此外，最近的研究表明，在倾向得分模型中仅包括与治疗相关的变量可能会扩大处理效应估计值的方差，而包括仅预测结果的变量可以提高效率。在本文中，我们提出了一个灵活的方法，将结果协变量的关系，在倾向得分模型，包括预测的二元结果概率（OP）作为协变量。我们的方法可以很容易地适应于变量选择方法的集合，包括正则化方法和基于分类和回归树的现代机器学习工具。我们评估了我们的方法，以估计多个治疗组中可能删失的二元结局的处理效应。模拟研究表明，将OP用于估计倾向得分可以提高统计效率并防止模型误指定。所提出的方法被应用到一个队列的晚期前列腺癌患者从私人保险索赔数据库中确定比较四种常用药物治疗去势抵抗性前列腺癌的不良反应。

2022-07-30stat.APstat.ME

随机对照试验中估计分布性处理效应的回归调整方法

Regression Adjustment for Estimating Distributional Treatment Effects in Randomized Controlled Trials

本文提出一种结合分布回归与预处理信息的回归调整方法，在无强分布假设下提升随机实验中分布性处理效应估计效率，仿真与实际应用验证其精度更优，可识别传统方法遗漏的效应。

2025-01-14econ.EMmath.STstat.ME

从不依从性实验中估计群体平均处理效应

Estimating population average treatment effects from experiments with noncompliance

随机对照试验（RCT）是估计因果效应的金标准，但通常使用的样本不代表实际感兴趣的人群。我们提出了一种重新加权的方法来估计人口平均处理效应的设置与不遵守。仿真结果表明，建议的顺应性调整的人口估计优于其未调整的对应时，顺应性相对较低，可以预测的观测协变量。我们应用该方法来评估医疗补助覆盖范围对目标人群的医疗保健使用的影响，这些目标人群可能会从医疗补助计划的扩展中受益。我们从俄勒冈州健康保险实验中提取RCT数据，其中只有不到三分之一的随机选择接受医疗补助的人实际登记。

2020-08-08econ.EMstat.APstat.ME

两阶段随机试验中直接效应和溢出效应的统计推断和功效分析

Statistical Inference and Power Analysis for Direct and Spillover Effects in Two-Stage Randomized Experiments

当一个单元的结果可能受到同一群中其他单元的处理分配的影响时，两阶段随机化实验正成为因果推断的越来越流行的试验设计。在本文中，我们提供了一个方法框架的一般工具的统计推断和功率分析的两阶段随机试验。在基于随机化的框架下，我们考虑了一个新的直接影响的利息以及平均直接和溢出效应的文献研究的估计。我们提供了这些因果量的无偏估计量和它们的保守方差估计在一般设置。利用这些结果，我们然后开发假设检验程序和推导样本量公式。我们从理论上比较了两阶段随机化设计与完全随机化设计和群随机化设计，这两种设计代表了两种极限设计。最后，我们进行模拟研究，以评估我们的样本量公式的经验表现。为了实证说明，所提出的方法被应用到印度国家健康保险计划的随机评估。有一个开放源码软件包可用于实施拟议的方法。

2022-10-20stat.ME