Treatment effect estimation under covariate-adaptive randomization with heavy-tailed outcomes
针对重尾结局下协变量自适应随机化的处理效应估计，本文分析基于影响函数的M估计量，提出分层变换均值差估计量与通用方差估计量，并证明核密度估计一致性。
2024-07-06 stat.ME
Flexible Inference of Optimal Individualized Treatment Strategy in Covariate Adjusted Randomization with Multiple Covariates
为了最大限度地提高临床效益，临床医生通常根据每个患者的个体特征定制治疗，需要个性化的治疗规则，这对统计学家来说具有重要的研究意义。在具有许多协变量的协变量调整的随机化临床试验中，我们用协变量的单个指数的未指定函数来建模处理效应，并且使基线响应完全任意。我们设计了一类估计器，以一致地估计处理效应函数及其相关指数，同时绕过基线响应的估计，这是受维数灾难。我们进一步开发推理工具，以确定预测协变量和隔离有效的治疗区域。在模拟和临床数据的例子证明了该方法的实用性。
2021-11-19 stat.ME
Randomization does not imply unconfoundedness
因果推断中的一个常见假设是，随机治疗分配确保潜在结果与治疗无关，或者用一个词来说，不混淆。本文强调，随机化和unconfoundedness是独立的属性，并不意味着其他。随机治疗分配的研究不必是无混杂的，确定性分配的研究仍然可以是无混杂的。一个推论是，倾向得分与治疗分配概率不是一回事。这些事实不应作为反对随机化的论据。本文的寓意是，只有当研究者知道或能够重建分配过程时，随机化才是有用的。
2021-07-29 stat.ME
Bridging the Gap Between Design and Analysis: Randomization Inference and Sensitivity Analysis for Matched Observational Studies with Treatment Doses
针对剂量治疗匹配观察性研究缺乏有效随机化推断与敏感性分析的问题，提出适用于一般匹配设计、多种结局类型及两类零假设的新方法，并经模拟与真实数据验证。
2024-09-19 stat.ME
Randomization-Based Inference for Average Treatment Effects in Inexactly Matched Observational Studies
Department of Biostatistics, New York University（纽约大学生物统计学系）；Data Science Institute, University of Chicago（芝加哥大学数据科学研究所）；Center for Data Science, Zhejiang University（浙江大学数据科学中心）
本文提出逆后匹配概率加权方法，用于在不精确匹配情况下进行平均处理效应的随机化推断，通过理论和模拟结果证明其能有效降低偏差并提升覆盖率。
2026-04-03 stat.ME
A Randomization-Based Method for Evaluating Time-Varying Treatment Effects
本文提出基于随机化的配对删失结局检验，利用伪观测构建特定时间得分以分析治疗效应的时间变化与长期效应，并配套敏感性分析方法，通过KLoSA匹配队列研究社会参与对生存的影响。
2025-06-09 stat.ME
A randomization-based perspective of analysis of variance: a test statistic robust to treatment effect heterogeneity
在有限总体环境中考虑了Neyman原假设（无平均治疗效应）的Fisher随机化检验，该环境与两种以上治疗的完全随机化实验相关。从理论和计算两方面对使用$F$统计量进行此类检验的后果进行了检查，并认为在治疗效应异质性下，在Fisher随机化检验中使用$F$统计量可能会严重增加内曼原假设下的I型错误。提出了一种替代的检验统计量，导出了它在Fisher和Neyman原假设下的渐近分布，并证明了它的优点。
2017-07-24 math.ST stat.ME stat.TH
Model-Twin Randomization (MoTR) for Estimating the Recurring Individual Treatment Effect
提出模型孪生随机化（MoTR）方法，利用单人密集纵向观测数据在序列干扰下估计稳定复现的个体处理效应，并基于近八年 Fitbit 数据验证其个性化健康行为因果推断价值。
2025-09-27 stat.AP stat.ME
User Sentiment as a Success Metric: Persistent Biases Under Full Randomization
我们研究用户情绪（通过可选的调查报告）作为完全随机A/B测试的指标。用户水平协变量和治疗分配均会影响缓解倾向。我们提出了一组相合估计量的平均和局部处理效应的治疗和应答用户。我们表明，我们的问题可以映射到缺失数据问题和观测因果推断的交集，我们确定的条件下，存在相合估计量。我们通过模拟研究评估估计的性能，发现更复杂的模型不一定提供优越的性能。
2019-06-26 stat.AP stat.ME
Randomization Tests that Condition on Non-Categorical Covariate Balance
随机化实验的一个好处是，治疗组和对照组的协变量分布平均平衡，从而得到处理效应的简单无偏估计量。然而，特定的随机化可能会产生协变量不平衡，研究人员希望在分析阶段通过调整或其他方法来解决。在这里，我们提出了一个随机化检验，条件是协变量平衡，只考虑治疗分配，这是类似于观察到的协变量平衡。以前的条件随机化检验只允许分类协变量，而我们的随机化检验允许任何类型的协变量。通过大量的模拟研究，我们发现我们的条件随机化测试是更强大的无条件随机化测试和其他条件测试。此外，我们发现我们的条件随机化检验是有效的（1）无条件跨水平的协变量平衡，（2）有条件的协变量平衡的特定水平。同时，无条件随机化检验对（1）有效，但对（2）无效。最后，我们发现我们的条件随机化测试是类似的随机化测试，使用模型调整的检验统计量。
2018-10-04 stat.ME
Robust Blocked Response-Adaptive Randomization Designs
在大多数临床试验中，患者以相等的概率随机分配到治疗组中，以获得处理效应的无偏估计。反应自适应随机化（RAR）是出于伦理原因而提出的，其中随机化比率连续倾斜以有利于更好的治疗。然而，关于自适应随机化中时间趋势引起的偏倚的实质性分歧尚未得到充分认识。当存在时间趋势时，传统的贝叶斯RAR方法会夸大第一类错误。在我们的方法中，患者被分配到区组中，并且针对区组重新计算随机化比率，而不是传统的自适应随机化，其中每个患者都进行了随机化。我们进一步研究了频率论和贝叶斯设计的一系列场景的设计。我们比较了我们的方法与平等的随机化和不同数量的区组，包括传统的RAR设计，其中随机化比例是改变患者的基础。如果每个区组中有两名或更多患者，则对分析进行分层。由于可能无法从$μ_i$获取任何信息，因此应避免使用小块。另一方面，具有大区块的RAR在效率和治疗更多受试者到更好的治疗之间具有良好的平衡，同时保留了区块RAR的独特无偏性。
2019-09-12 stat.AP
Randomization Inference For the Always-Reporter Average Treatment Effect
Columbia University（哥伦比亚大学）；Princeton University（普林斯顿大学）
本文研究随机化推断在存在流失的随机对照试验中的处理效应，聚焦始终报告者（AR-ATE）的平均处理效应，提出一种最坏情况随机化检验以确保统计显著性。
2026-03-27 econ.EM stat.ME
Randomization Tests for Distributions of Individual Treatment Effects via Combined Rank Statistics
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chicago（芝加哥大学）
本文提出了一种自适应结合多个秩统计量的方法，用于评估随机实验中个体因果效应的分布，避免了传统方法中选择统计量带来的效力损失问题。
2026-05-08 stat.AP stat.ME
Fit CATE Once: Model-Assisted Randomization Tests Without Sample Splitting
National University of Singapore（新加坡国立大学）
本文提出一种结合随机化检验与灵活处理效应模型的CATE估计方法，通过残差化结果的协方差结构估计无符号CATE，并利用实际分配进行随机化推断，实现类型I误差控制和更高统计效力。
2026-05-09 stat.AP stat.ME stat.ML
Selective randomization inference for subgroup effects with continuous biomarkers
提出“自包含”方法选择连续生物标志物亚组截断值并应用条件化构建有效随机化检验，避免I类错误失控，比样本拆分更具功效且计算高效。
2025-04-27 stat.AP stat.ME
The Reach of Treatment Effects: Randomization Inference for Zero-Effect Regions
National University of Singapore（新加坡国立大学）
该研究针对处理效应的范围问题，开发局部随机化检验构建最大零效应区域的上置信界，经模拟和多领域应用验证可有效排除大零效应区域。
2026-10-16 stat.AP stat.CO stat.ME
Re-evaluating the impact of hormone replacement therapy on heart disease using match-adaptive randomization inference
针对观察性研究中匹配对随治疗分配变化导致的$Z$-依赖性问题，提出匹配自适应随机化推断算法，校正HRT与冠心病研究的反保守结论并验证年龄异质性效应。
2024-03-02 stat.AP stat.ME
ML-assisted Randomization Tests for Detecting Treatment Effects in A/B Experiments
本研究提出一种机器学习辅助的随机化检验方法，通过对比含与不含处理变量的两个ML模型的交叉验证误差构建检验统计量，结合ML预测能力与随机化检验的有限样本有效性，可稳健高效地检测A/B实验中的异质性、干扰等复杂处理效应，并通过理论与实证验证了其优势。
2025-01-13 stat.ME stat.ML
Quantile Treatment Effects and Bootstrap Inference under Covariate-Adaptive Randomization
本文研究协变量自适应随机化下分位数处理效应的估计和推断。我们提出两种估计方法：（1）简单分位数回归和（2）逆倾向得分加权分位数回归。对于这两个估计，我们得到了他们的渐近分布均匀分布在一个紧凑的一组分位数指标，并表明，当治疗分配规则没有达到强平衡，逆倾向得分加权估计有一个更小的渐近方差比简单的分位数回归估计。对于方法（1）的推论，我们证明了使用加权bootstrap标准误的Wald检验在拒绝下。但对于方法（2），其渐近规模等于名义水平。我们还表明，对于这两种方法，Wald检验使用协变量自适应引导标准误的渐近大小等于标称水平。我们说明了使用模拟和真实数据集的新的估计和推断方法的有限样本性能。
2020-02-25 stat.ME
Evaluation of Treatment Effect Modification by Biomarkers Measured Pre- and Post-randomization in the Presence of Non-monotone Missingness
在疫苗研究中，研究者通常对基于生物标志物的主要分层研究临床治疗效果的效应修饰物感兴趣，这对于在新试验中选择生物标志物研究终点以评估治疗、探索临床治疗效果的生物学机制以及研究临床治疗效果的介质都很有用。然而，在受试者可能因既往暴露而进入研究的试验中，基线生物标志物值可变，临床治疗有效性可能共同取决于基线时测量的生物标志物和疫苗接种后固定时间测量的生物标志物。因此，通过基于生物标志物的主要分层和基线生物标志物值进行双变量效应修正分析是有意义的。如果在随机化后固定时间点测量生物标志物的受试者也在基线测量生物标志物，则先前的方法允许进行该评估。然而，研究设计中的其他并发症在实践中可能发生。例如，在登革热相关性研究中，基线生物标志物值仅可从一部分具有随机化后测量的生物标志物的参与者获得。如何在这些研究中进行双变量效应修正分析仍然是一个开放的研究问题。在这篇文章中，我们提出了一种估计的可能性方法，利用二次采样的基线生物标志物的效果修改分析，并说明我们的方法与数据集从两个登革热3期疫苗的有效性试验。
2017-10-26 stat.ME
Multiple conditional randomization tests for lagged and spillover treatment effects
本文提出使用单一数据集构建多个独立条件随机化检验的序贯方法，可单独解释p值或用标准多重检验组合，并应用于证据因子、滞后效应和溢出效应分析。
2024-10-11 math.ST stat.ME stat.TH
Randomization-based confidence sets for the local average treatment effect
本文改进 Imbens 和 Rosenbaum 的随机化方法，提出基于学生化 Anderson–Rubin 统计量的置信集构造程序，在不完全依从实验中同时保证有限样本精确性与异质效应下的渐近有效性，并给出高效算法。
2025-02-10 math.ST stat.ME stat.TH
Inference for Instrumental Variables: A Randomization Inference Approach
工具变量（IV）的方法提供了一个框架，研究因果关系的随机实验与不遵守和观察性研究中的自然情况下产生的，如果随机轻推接受治疗。传统上，IV的推断依赖于Wald估计量或两阶段最小二乘分布的渐近近似，通常具有结构建模假设和/或矩条件。在本文中，我们利用随机化推理方法IV推理。首先，我们概述了确切的方法，它使用随机分配的治疗实验作为推理的基础，但缺乏一个封闭的形式的解决方案，并可能在许多应用中计算不可行。然后，我们提供了一种替代的精确方法，几乎精确的方法，这是计算上可行的，但保留了精确方法的优点。我们还回顾了渐近推理方法，包括与两阶段最小二乘法相关的方法，并将其与随机推理方法进行了分析比较。我们还使用一组模拟进行额外的比较。最后，我们从社会科学的三个不同的应用。
2018-02-06 stat.AP stat.ME
Local Randomization Regression Discontinuity Designs when Test Scores are the Running Variable
回归不连续设计（RDD）的内部有效性的解释通常诉诸于这样一种观点，即RDD在处理截点附近是“与”随机的。Cattaneo、Frandsen和Titiunik（2015）是第一个将这一理由充分总结的人，并提出估计RDD局部平均处理效应（LATE）与随机化实验相同。本文探讨了分析RDD作为一个本地的随机试验时，运行变量是一个测试成绩的影响。我推导出了使用局部随机化方法$aρΔ$估计的LATE估计值的偏倚公式。其中，$a$是潜在熟练度与未进行治疗的潜在结果之间的关系，$ρ$是测试可靠性，$Δ$是治疗和对照运行变量值之间的距离。我使用这种偏倚的量化来证明，当运行变量是测试分数或其他人类开发的测量（例如，医学测试）。
2022-09-23 stat.ME
Temporal discontinuity trials and randomization: success rates versus design strength
本文针对非对称证据下如何选择治疗方法的问题，以克罗恩病为例，证明在异质性效应下刻意治疗分配可优于随机化，并给出时间不连续性设计近似随机试验的条件与新参数。
2024-08-22 stat.ME
Covariate-adjusted Fisher randomization tests for the average treatment effect
Fisher随机化检验（FRT）在任何单位无处理效应的强原假设下提供精确的$p$值，并允许灵活的协变量调整以提高把握度。感兴趣的是，该程序是否也可用于检验平均处理效应为零的弱原假设。为此，我们评估了两个一般策略的FRT与协变量调整的检验统计量：从一个结果模型的残差的基础上，只有协变量，并从一个结果模型的输出与治疗和协变量。基于理论和模拟，我们建议使用观察结果对治疗、中心协变量及其相互作用的普通最小二乘（OLS）拟合进行协变量调整，并使用治疗的稳健$t$值作为检验统计量进行FRT。由此产生的FRT是有限样本精确的强原假设，渐近有效的弱原假设，更强大的比未经调整的模拟下的替代品，所有的线性模型是否正确指定或不。我们分别发展了完全随机化、整群随机化、分层随机化和再随机化的理论，并对每种设计下的检验程序和检验统计量给出了建议。我们首先关注有限总体视角，然后将结果扩展到超总体视角，突出显示标准误的差异。出于相似性的程序，我们还评估了现有的五个排列测试的设计为基础的性能，原来的线性模型，并显示了优越性的建议FRT测试的处理效应。
2021-04-29 math.ST stat.ME stat.OT
A general theory of regression adjustment for covariate-adaptive randomization: OLS, Lasso, and beyond
我们考虑随机试验中处理效应的估计和推断问题。在实践中，分层随机化，或更一般地说，协变量自适应随机化，通常用于设计阶段，以平衡与结局最相关的几个变量的治疗分配。然后，在分析阶段进行回归以调整剩余的不平衡，从而产生更有效的处理效应估计值。建立和统一的协变量自适应随机化下的普通最小二乘调整估计量的最新结果，本文提出了一个一般的回归调整理论，允许任意模型的误设定和大量的基线协变量的存在。我们证明了两个Lasso调整的处理效应估计量的理论，这两个估计量在各自的类中都是最优的。此外，提出了非参数一致方差估计，以促进有效的推论，其工作，无论使用的具体随机化方法。通过仿真研究和临床试验的例子证明了所提出的估计的鲁棒性和提高效率。该研究揭示了通过在协变量自适应随机实验中实施机器学习方法来提高处理效应估计效率。
2020-11-19 math.ST stat.ME stat.TH
Learning Treatment Effects during Resource Allocation via Priority-Queue Randomization
Carnegie Mellon University（卡内基梅隆大学）；Allegheny County Department of Human Services（阿勒格尼县人类服务部）
提出优先级队列随机化实验设计框架，在优先服务高需求个体的同时识别因果效应，并优化队列分配以平衡统计效率与优先级。
2026-05-24 cs.LG stat.ME stat.ML
On Mendelian Randomization Mixed-Scale Treatment Effect Robust Identification (MR MiSTERI) and Estimation for Causal Inference
如果定义工具变量（IV）的遗传变异受到混淆和/或对非治疗介导的目标结局具有水平多效性效应，则标准孟德尔随机化分析可能产生偏倚结果。我们提供了新的识别条件的因果关系的治疗中存在的不可测量的混杂，利用无效的IV的独立性和排除限制的假设可能会被违反。孟德尔随机化混合尺度处理效应稳健辨识（MR MiSTERI）方法依赖于（i）假设处理效应不随相加量表上无效IV的变化而变化;以及（ii）由于混杂导致的选择偏倚不随比值比量表上无效IV的变化而变化;和（iii）结果的残差方差是异方差的，因此随着无效IV而变化。我们正式确定，他们的结合可以确定一个因果关系的影响，即使是一个无效的IV受到多效性。MiSTERI被证明是特别有利的，在存在普遍的异质性的多效性效应的加性尺度，设置在其中两个最近提出的稳健估计方法MR GxE和MR GENIUS可以严重偏置。为了将多个，可能相关的和弱IV，MR研究中的一个常见的挑战，我们开发了一个MAny弱无效仪器（MR MaWII MiSTERI）的方法，以加强识别和提高准确性MaWII MiSTERI被证明是强大的水平多效性，违反IV独立性假设和弱IV偏见。仿真研究和实际数据分析结果表明所提出的MR MiSTERI方法的鲁棒性。
2021-03-30 stat.ME
Global Average Treatment Effects for Individualized Randomization Experiments with Aggregate Data
Shanghai University of Finance and Economics（上海财经大学）；London School of Economics and Political Science（伦敦政治经济学院）；DiDi China Ride Hailing Business Group（滴滴中国网约车业务组）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
针对个体随机实验中存在时空干扰且仅能获取聚合数据的问题，提出IRE-VCDP模型以估计全局平均处理效应（GATE），并给出估计与推断方法及理论保证。
2026-05-26 stat.ME
Causal Inference from Possibly Unbalanced Split-Plot Designs: A Randomization-based Perspective
裂区设计在具有随机化限制的多因素试验中具有广泛的适用性。实际的考虑往往保证使用不平衡的设计。本文研究了可能不平衡的裂区设计中基于随机化的因果推断。从最近研究的平衡情况下的想法延伸产生的治疗对比估计的采样方差的表达式，以及保守的估计的采样方差。然而，即使当处理效应是严格可加的时，该方差估计量的偏差也不会消失。一个仔细的和涉及矩阵分析，以克服这个困难，从而在一个新的方差估计，这是在温和的条件下变得无偏。一个建设过程中，产生这样的估计极小极大偏差的建议。
2019-06-20 stat.ME
A Closer Look at Testing the "No-Treatment-Effect" Hypothesis in a Comparative Experiment
用于比较实验的“无治疗效应”假设的标准检验包括排列检验、Wilcoxon秩和检验、双样本$t$检验和Fisher型随机化检验。从业者都知道，这些程序测试不同的无效应假设，并基于不同的建模假设。然而，这种意识并不总是，甚至通常，伴随着对这些差异的明确理解或欣赏。借用丰富的文献因果关系和有限总体抽样论，本文开发了一个建模框架，提供了几个重要问题的答案，包括：究竟是什么假设正在测试，什么模型假设正在作出，以及是否有其他，也许更好的方法来测试一个没有效果的假设？该框架有助于明确描述三种主要的推理方法：基于过程的，基于随机化的和基于选择的。它还促进了对模型假设和推断目标的仔细考虑，并强调了随机化的重要性。一路上，费舍尔型随机化测试比较置换测试和一个不太知名的奈曼型随机化测试。一项模拟研究比较了奈曼型随机化测试的操作特性的其他更熟悉的测试。
2015-09-10 stat.ME
Randomization-based Z-estimation for evaluating average and individual treatment effects
本文在基于随机化的推断框架下系统研究了处理效应的模型分析，推导了Z估计渐近理论，并提出了针对平均和个体处理效应的稳健估计方法。
2024-11-18 math.ST stat.ME stat.TH
Randomization inference for treatment effects on survival outcomes
Wake Forest University（维克森林大学）；Wake Forest University School of Medicine（维克森林大学医学院）；University of Chicago（芝加哥大学）；The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院）
针对随机临床试验生存结局处理效应推断的不足，提出两种非参数置信区间，模拟验证其有效性并结合实例说明应用，提供相关代码与应用工具。
2026-08-18 stat.ME
Fisher's Randomization Test for Causality with General Types of Treatments
本文扩展 FRT 以检验任意处理类型下的条件独立性，结合分配与结果模型实现渐近错误控制和 Bayes factors 统计量，并提出未观测混杂敏感性分析。
2025-06-11 stat.ME
Randomization Tests for Weak Null Hypotheses in Randomized Experiments
Fisher随机化检验（FRT）适用于任何检验统计量，在明确的原假设下，可以恢复所有缺失的潜在结局。然而，它往往是寻求后，以测试一个弱的原假设，治疗不影响平均单位。为了将FRT用于弱原假设，我们必须解决两个问题。首先，我们需要估算缺失的潜在结果，尽管弱原假设无法确定所有这些结果。其次，我们需要选择一个合适的检验统计量。对于一般弱原假设，我们提出了一种方法来填补一个兼容的尖锐的原假设下的缺失的潜在结果。基于这种估算方案，我们主张学生化统计。所得到的FRT具有多个期望的特征。首先，它是无模型的。其次，在我们用来估算潜在结果的尖锐原假设下，它是有限样本精确的。第三，它保守地控制了弱原假设下的大样本第一类错误。因此，我们的FRT对处理效应异质性不可知。我们建立了一般析因实验的统一理论。我们还将其扩展到分层和聚类实验。
2020-11-05 stat.AP stat.ME
Cluster-Adaptive Network A/B Testing: From Randomization to Estimation
A/B测试是产品开发中的一个重要决策工具，用于评估新服务、功能或产品的用户参与度或满意度。A/B测试的目标是估计新变更的平均处理效应（ATE），当用户交互时，这变得复杂。当A/B检验的重要假设，即稳定单位治疗值假设（SUTVA），即每个个体的反应仅受其自身治疗的影响，是不成立的，ATE的经典估计通常会导致错误的结论。在本文中，我们提出了一个簇自适应网络A/B测试过程，其中包括一个顺序的簇自适应随机化和簇调整估计。聚类自适应随机化被用来最小化两个治疗组内的聚类水平Mahalanobis距离，从而可以减小ATE估计的方差。此外，聚类调整估计器用于消除网络干扰引起的偏差，导致一致的估计ATE。数值研究表明，我们的聚类自适应网络A/B测试实现了一致的估计，具有更高的效率。基于真实网络进行了实证研究，以说明我们的方法如何在应用中有利于决策。
2020-08-19 stat.ME
Randomization for the susceptibility effect of an infectious disease intervention
传染病干预措施（如疫苗）的随机试验通常集中在相互联系或可能相互作用的个体群体上。当感兴趣的病原体在研究受试者之间传播时，可能会发生干扰：个体感染结果可能取决于其他人接受的治疗。流行病学家将主要的因果效应定义为“易感性效应”，即在保持接触传染性不变的情况下，接受治疗与不接受治疗的感染风险的对比。一个相关的量-“直接效应”-被定义为接受治疗与不接受治疗的感染风险之间的无条件对比。本文的目的是表明，在广泛推荐的随机设计下，当结果具有传染性时，在随机试验中，直接效应可能无法恢复干预措施的真实易感性效应的迹象。该分析方法使用传染病传播的结构特征来定义易感性效应。一个新的概率耦合参数揭示了不同治疗分配下潜在感染结果之间的随机显性关系。结果表明，当结果具有传染性时，估计随机化下的直接效应可能会对干预措施（如疫苗）的效果提供误导性的推断。
2019-12-09 math.ST q-bio.PE stat.AP
Adaptive sample splitting for randomization tests
针对亚组分析中随机化检验因样本量小效力不足的问题，提出基于确定性评分的自适应样本划分方法AdaSplit，在CATE估计与检验间分配样本，提升检验效力，并在血压干预试验中识别出有效亚组。
2025-07-31 stat.ME
Affordable Uplift: Supervised Randomization in Controlled Experiments
Humboldt-Universität zu Berlin（柏林洪堡大学）
客户评分模型是可扩展直复营销的核心。可持续发展模型提供了一个用于业务决策的治疗增量效益的估计。隆升模型的训练和监测需要实验数据。然而，在随机治疗分配下收集数据是昂贵的，因为随机靶向偏离了既定的靶向政策。为了提高实验的成本效益，方便频繁的数据汇集和模型训练，我们引入了监督随机化。这是一种新的方法，将现有的评分模型整合到随机试验中，以针对相关客户，同时通过对主动样本选择的校正来确保治疗效果的一致估计。经验蒙特卡罗研究表明，监督随机化下的数据汇集具有成本效益，而下游隆起模型具有竞争力。
2019-10-01 cs.LG stat.AP stat.ML
Sequential Randomization Tests Using e-values: Applications for trial monitoring
University of Alberta（阿尔伯塔大学）
本文提出非参数序列检验e-RT，用于二元、事件型和连续终点的试验监控，通过随机化机制保证检验有效性，提供保守且假设轻的替代方法。
2026-05-10 stat.AP stat.ME
Regression-Adjusted Estimation of Quantile Treatment Effects under Covariate-Adaptive Randomizations
协变量自适应随机化（CAR）田间试验的数据集通常包含额外的协变量，除了层指标。我们建议通过辅助回归将这些额外的协变量纳入CAR下无条件分位数处理效应（QTE）的估计和推断中。我们建立了回归调整QTE估计的相合性和极限分布，并证明了在CAR下使用乘子自助推断是非保守的。当数据是高维的时，辅助回归可以参数化地、非参数化地或通过正则化来估计。即使在辅助回归被错误指定的情况下，所提出的自举推理过程仍然在零值下的极限内达到名义拒绝概率。当正确指定辅助回归时，回归调整估计量达到最小渐近方差。我们还讨论了形式的调整，可以提高效率的QTE估计。有限样本的新的估计和推理方法的性能进行了研究，在模拟和经验应用到一个著名的数据集有关扩大获得基本的银行账户储蓄报告。
2022-09-05 econ.EM stat.ME
On Efficient Estimation of Distributional Treatment Effects under Covariate-Adaptive Randomization
本文针对协变量自适应随机化实验，提出利用机器学习纳入额外协变量的分布回归框架以高效估计分布处理效应，并证明其达到半参数效率界。
2025-06-06 econ.EM math.ST stat.ML
Designing Multi-Arm Experiments for Global Average Treatment Effects Under Partial Interference
该研究针对部分干扰下的全局平均处理效应，提出通过Dirichlet-多项设计的两阶段随机化多臂实验，可平衡统计效率与偏差，降低全局效应估计的均方根误差，适用于大规模部署。
2026-08-28 stat.AP stat.ME
A unified framework for covariate adjustment under stratified randomization
本文提出分层随机化下协变量调整与统计推断的统一框架，证明局部线性核加权最小二乘回归调整的有效性，并针对高维数据提出基于样本分割的机器学习推断算法，通过多种数据场景比较不同方法的估计表现。
2023-12-03 math.ST stat.ME stat.TH
Interaction tests with covariate-adaptive randomization
本研究针对协变量自适应随机化下的治疗-协变量交互作用检验，发现常用检验偏保守，提出修正检验及更高效的分层校正检验，涵盖两类协变量场景，为临床试验揭示治疗异质性、推进个体化医学提供工具。
2024-03-10 math.ST stat.ME stat.TH
Randomization Tests in Switchback Experiments
HSBC Business School, Peking University（汇丰商学院，北京大学）；The University of Hong Kong（香港大学）
本文提出了一种适用于切换实验的随机化检验框架，通过非预期和有限延续时间条件，构建条件随机化检验以处理时间依赖性和季节性，实现有限样本有效性。
2026-09-30 econ.EM stat.ME
Randomization inference with general interference and censoring
当一个人的治疗（或暴露）影响另一个人的结果时，个体之间就会发生干扰。以前的工作因果推断方法在干扰的存在下，集中在设置在先验假设有"部分干扰"，在这个意义上，个人可以被划分成组，其中有没有在不同的群体中的个人之间的干扰。Bowers，Fredrickson和Panagopoulos（2012）以及Bowers，Fredrickson和Aronow（2016）考虑了基于随机化的推理方法，这些方法允许在随机实验的背景下更一般的干扰结构。在本文中，Bowers等人的扩展。它允许故障时间的结果受到右删失。允许右删失结局具有挑战性，因为无处理效应的零假设的标准随机化检验假设个体是否删失不取决于治疗。Bowers等人提出的允许删失的扩展需要调整Wang，Lagakos和Gray（2010）的方法，以在存在不平等删失的情况下进行两个样本的生存比较。这些方法通过模拟研究进行了检查，并用于评估在孟加拉国Matlab对73，000名儿童和妇女进行的单独随机试验中霍乱疫苗接种的效果。
2019-07-19 stat.ME
Randomization Tests to Assess Covariate Balance When Designing and Analyzing Matched Datasets
观察性研究的因果分析通常因治疗组间的协变量不平衡而复杂化，匹配方法通过找到表现出协变量平衡的治疗组子集来缓解这种复杂性。人们普遍认为协变量平衡可以作为匹配数据集近似随机实验的证据，但是匹配数据集近似什么样的实验呢？在这项工作中，我们开发了一个随机化测试的假设，匹配的数据集近似于一个特定的试验设计，如完全随机化，区组随机化，或重新随机化。我们的测试可以包含任何试验设计，它允许图形显示，将几个设计放在同一个单变量尺度上，从而使研究人员能够确定哪个设计-如果有的话-最适合匹配的数据集。在研究人员确定合理的设计后，我们推荐一种基于随机化的方法来分析匹配的数据，该方法可以包含任何设计和处理效应估计量。通过模拟，我们发现，我们的测试可以经常检测违反随机分配，损害推理结果。此外，通过模拟和在政治学中的实际应用，我们发现具有高水平协变量平衡的匹配数据集倾向于近似平衡约束设计，如重新随机化，并且这样分析它们可以导致精确的因果分析。然而，假设一个精确的设计应该谨慎进行，因为它可能会损害推理结果，如果仍然有大量的偏见，由于剩余的不平衡匹配后。我们的方法在randChecks R包中实现，可在CRAN上获得。
2021-02-15 stat.ME
Covariate Selection for Optimizing Balance with an Innovative Adaptive Randomization Approach
针对高维基线协变量下传统自适应随机化平衡性能不足的问题，提出一种整合患者响应与协变量信息的新颖自适应随机化方法，通过顺序选择显著协变量并保持其平衡，有效提升了治疗效果估计的效率。
2024-12-25 stat.ME
Robust Bayesian Inference of Causal Effects via Randomization Distributions
提出基于随机化分布的因果效应贝叶斯推断框架，固定潜在结果并构建似然，具有较弱假设且兼容后验检查，理论证明后验均值渐近等价于经典估计量，并在模拟和营养实验中验证了其稳健性与实用性。
2025-11-01 stat.ME
Regression analysis for covariate-adaptive randomization: A robust and efficient inference perspective
线性回归可以说是最基本的统计模型;然而，其在随机临床试验中使用的有效性，尽管是常见的做法，从来没有水晶般清晰，特别是当分层或协变量自适应随机化。在本文中，我们调查了几个最直观和最常用的回归模型估计和推断的处理效应在随机临床试验。通过允许回归模型被任意误指定，我们证明了所有这些基于回归的估计稳健地估计了处理效应，尽管可能具有不同的效率。我们还提出了一致的非参数方差估计，并比较其性能的基于模型的方差估计，是现成的标准统计软件。基于结果，并考虑到理论效率和实际可行性，我们提出了建议，在各种情况下有效地使用回归。对于均匀分配，使用通常的最小二乘方差估计量对分层协变量和其他基线协变量（如有）进行回归调整即可。对于不平等分配，应使用治疗与协变量相互作用的回归，以及我们提出的方差估计。这些建议适用于简单和分层随机化，以及最小化等。我们希望这项工作有助于澄清和促进回归在随机临床试验中的使用。
2020-09-04 stat.ME
Social Distancing and COVID-19: Randomization Inference for a Structured Dose-Response Relationship
社交距离被广泛认为是对抗新型冠状病毒的有效公共卫生政策。但极端的社交距离是有代价的，目前尚不清楚需要多大的社交距离才能达到公共卫生效果。在这篇文章中，我们开发了一个基于设计的框架来推断社交距离与COVID-19相关死亡人数和病例数之间的剂量反应关系。我们首先讨论了如何将具有时间无关性的连续治疗剂量的观察数据嵌入近似随机化实验中，并开发了一种基于随机化的程序来测试结构化的剂量-反应关系是否适合数据。然后，我们概括的设计和测试程序，以适应时间依赖性，治疗剂量轨迹，并概括的剂量-反应关系的纵向设置。最后，我们采用拟议的设计和测试程序，调查社会距离在美国分阶段重新开放期间对公共卫生结果的影响，使用的数据来源包括Unacast，美国人口普查局，县健康排名和路线图计划。我们拒绝了一个主要分析原假设，即2020年4月27日至2020年6月28日的社交距离对2020年6月29日至2020年8月2日的COVID-19相关死亡人数没有影响（p值< 0.001），并发现与农村县相比，非农村县需要更多的流动性减少才能防止病例数的指数增长。
2021-08-10 stat.AP stat.ME
Exact confidence intervals for the average causal effect on a binary outcome
基于完全随机化实验的物理随机化，Rigdon和Hudgens（2015）提出了两种方法来获得二元结果平均因果效应的精确置信区间。他们通过将治疗组和对照组之间的处理效应的预测集与Bonferroni调整相结合来构建第一个置信区间，通过反转一系列随机化检验来构建第二个置信区间。对于样本量$n$，他们的第二种方法需要执行$O(n^4)$随机化测试。我们证明，物理随机化也证明了其他方法来构建精确的置信区间，计算效率更高。通过利用超几何置信区间和随机化测试的随机顺序信息的最新进展，我们提出的方法，要么不需要调用蒙特卡罗，或需要执行最多$O(n^2)$随机化测试。我们在补充材料中提供了技术细节和R代码。
2015-09-23 stat.AP stat.CO
