A Bayesian Nonparametric Approach for Evaluating the Causal Effect of Treatment in Randomized Trials with Semi-Competing Risks
我们开发了一种贝叶斯非参数（BNP）方法来评估随机试验中治疗的因果效应，其中非终末事件可以被终末事件删失，但反之亦然（即，半竞争风险）。基于主分层的思想，我们定义了一个新的估计量的因果关系的治疗对非终端事件。我们引入识别假设，索引的敏感性参数，并显示如何使用我们的BNP方法得出推论。我们进行模拟研究，并说明我们的方法使用数据从脑癌试验。
2019-07-21 stat.ME
Combining Real-World and Randomized Control Trial Data Using Data-Adaptive Weighting via the On-Trial Score
混合对照组（由随机化患者和在标准临床实践中接受常规治疗的患者的真实数据组成的对照组）的临床试验有可能降低随机试验的成本，同时增加获得新型治疗的试验患者比例。然而，由于严格的试验入选标准以及试验和社区实践之间的护理和数据质量差异，试验患者与现实世界的患者相比可能具有系统性不同的结局。我们提出了一种新的方法，用于分析试验的混合控制臂，有效地控制偏差和第一类错误。根据我们提出的方法，选择的真实世界的患者是加权的“试验评分”的函数，这反映了他们的相似性试验患者。与以前开发的混合控制设计，分配相同的权重给所有现实世界的患者相比，我们的方法增加了现实世界的患者更接近随机对照患者的权重，而不同的患者被打折。通过考克斯比例风险模型获得处理效应的估计值。我们通过模拟将我们的方法与现有方法进行比较，并将这些方法应用于使用电子健康记录数据的研究。我们提出的方法是能够控制第一类错误，最大限度地减少偏差，并减少方差相比，仅使用试验数据在几乎所有的情况下检查。因此，我们的新方法可以在进行临床试验时使用，通过使用EHR中的加权患者来增强标准治疗组，以增加功效而不会引起偏倚。
2021-08-19 stat.ME
Cluster randomized trials designed to support generalizable inferences
针对整群随机试验中因特征依赖过采样导致推断难以推广的问题，提出带已知抽样概率的嵌套设计及对应分析方法，可在满足试验实施需求的同时精准量化目标总体治疗效应。
2024-09-17 stat.ME
Regression-based estimation of heterogeneous treatment effects when extending inferences from a randomized trial to a target population
从随机试验到目标人群的扩展-推广或运输-推论的方法涉及调节一组大的协变量，足以使随机化和非随机化组互换。然而，决策者往往有兴趣在仅根据少数离散协变量定义的目标人群亚组中检查处理效应。在这里，我们提出了估计亚组特定的潜在结果的手段和平均处理效应的一般性和可移植性分析的方法，使用结果模型为基础的（g公式），加权和增强加权估计。我们考虑在目标人群及其非随机化亚组中估计亚组特异性平均处理效应，并提供适用于嵌套和非嵌套试验设计的方法。作为一个例子，我们应用的方法，从冠状动脉手术研究的数据，比较手术加药物治疗与药物治疗单独治疗慢性冠状动脉疾病的心肌梗死史定义的亚组的影响。
2021-09-30 stat.ME
The ideal trial: defining causal estimands that balance relevance and feasibility in target trial emulations and actual randomized trials
本文回顾理想试验概念，强调在指定目标试验时需平衡现实相关性与估计可行性，指出紧密对齐观察数据的做法可能遗留偏差，并主张通过对比理想试验来识别和管理所有偏差来源。
2025-09-08 stat.ME
Sample Size Calculations for Micro-randomized Trials in mHealth
移动干预的使用和发展正在迅速增长。在“即时”移动干预中，通过移动终端提供治疗，旨在帮助个人“在当下”做出健康决定，从而产生近端、近期的影响。目前，移动干预的发展速度比相关的数据科学方法快得多。开发基于数据的方法的第一步是提供一个试验设计，用于测试这些即时治疗的近端效应。在本文中，我们提出了一个“微随机”的试验设计，为此目的。在微随机试验中，治疗在整个研究过程中顺序随机化，结果是每个参与者可以在可能提供治疗的100或1000次机会中随机化。此外，我们开发了一个检验统计量，用于评估治疗的近端效应以及相关的样本量计算器。我们进行模拟评估的样本量计算器在各种设置。经验法则，可用于设计一个微型随机试验进行了讨论。这项工作的动机是我们在HeartSteps移动应用程序上的合作，旨在增加身体活动。
2020-07-22 stat.ME
Guidelines for estimating causal effects in pragmatic randomized trials
实用的随机试验旨在为临床决策提供证据，而不是监管批准。这些试验的共同特征包括在广泛的护理环境中纳入异质性或多样化的患者人群，使用活性治疗策略作为对照药物，揭盲治疗分配以及研究长期临床相关结局。这些功能可以大大提高试验结果对患者、临床医生和其他利益相关者的有用性。然而，这些特征也会增加不依从性的风险，从而降低了意向治疗效应作为以患者为中心的因果效应指标的价值。在这些情况下，符合协议的效果提供了有用的补充信息，决策。不幸的是，几乎没有指导有效估计的符合协议的影响。在这里，我们提出了我们的完整的指导方针，分析务实的试验，将导致更多的信息因果推断的意向治疗效果和每协议的影响。
2019-11-19 stat.ME
Using Recursive Partitioning to Find and Estimate Heterogenous Treatment Effects In Randomized Clinical Trials
本文提出结合特殊损失函数与选择后推断的递归划分方法，用于从随机临床试验数据中归纳发现并估计局部平均治疗效应，并在低风险缓刑人员最低监督试验中应用。
2018-07-11 stat.ME
Instrumental variable estimation of early treatment effect in randomized screening trials
癌症随机筛查试验的主要分析通常遵循意向筛查原则，测量筛查组和对照组之间癌症特异性死亡率的降低。这些死亡率的降低是筛查方案、筛查技术和早期筛查诱导的治疗效果相结合的结果。这促使分别处理这些不同的方面。在这里，我们感兴趣的是早期与延迟治疗对筛查可检测亚组中癌症死亡率的因果关系，在某些假设下，可以使用工具变量类型的方法从传统的随机筛查试验中估计。为了定义感兴趣的因果效应，我们制定了一个简化的结构多状态模型的筛选试验，基于一个假设的干预试验，筛选检测到的个人将被随机分为早期与延迟治疗。通过病因特异性风险比量化筛查检测后癌症特异性死亡率的降低。为此，我们提出了两个估计，估计方程和似然表达式的基础上。该方法将现有的时间至事件和竞争风险结果的工具变量方法扩展到时间依赖性中间变量。使用的多状态模型的数据生成机制的基础上，我们通过仿真研究新的估计器的性能。此外，我们说明了所提出的方法的背景下，CT筛查肺癌使用美国国家肺筛查试验（NLST）的数据。
2021-06-07 stat.ME
Causal Inference in Randomized Trials with Partial Clustering
本研究针对部分聚类随机试验，提出基于因果模型和靶向最小损失估计（TMLE）的推断方法，统一了不同设计下的依赖结构，在模拟和真实数据中均提升了统计功效与效率。
2024-11-08 stat.ME
Sensitivity analyses for effect modifiers not observed in the target population when generalizing treatment effects from a randomized controlled trial: Assumptions, models, effect scales, data scenarios, and implementation details
背景：随机对照试验通常用于为广泛人群提供政策和实践信息。然而，如果效应调节剂在目标人群中的分布与试验中的分布不同，则目标人群的平均处理效应（ATE）可能与试验中观察到的ATE不同。存在使用试验数据来估计目标人群ATE的方法，前提是在试验和目标人群中观察到处理效应调节剂的分布--这一假设在实践中可能不成立。研究方法：拟定的敏感性分析解决了在试验中观察到处理效应修饰因子但未在目标人群中观察到的情况。这些方法是基于一个结果模型或这种模型的组合和加权调整之间观察到的试验样本和目标人群的差异。它们适用于几种类型的结局模型：累加效应的线性模型（包括单次结局以及治疗前和治疗后结局），以及倍增效应的对数或logit链接模型。我们阐明了方法的假设，并提供了详细的实施说明。说明：我们举例说明的方法，使用一个例子概括的影响，艾滋病毒治疗方案从随机试验到相关的目标人群。结论：这些方法使研究人员和决策者在得出关于目标人群影响的结论时有更适当的信心。
2020-11-25 stat.ME
Assessing treatment effect heterogeneity in the presence of missing effect modifier data in cluster-randomized trials
本文通过模拟和真实数据比较整群随机试验中效应修饰因子缺失时的多种处理方法，发现多水平多重插补和贝叶斯MMI表现更优，且贝叶斯MMI在模型设定或兼容性问题下偏倚更低、覆盖率更接近名义水平。
2023-12-01 stat.ME
On Cluster Randomized Trials with the Desirability of Outcome Ranking (DOOR) Endpoints
The George Washington University（乔治华盛顿大学）
本文提出新方法扩展DOOR框架至集群试验，通过U统计量和影响函数估计集群内和集群间治疗效应，适用于不同集群混合场景。
2026-05-01 stat.ME
Doubly robust estimators of the restricted mean time in favor estimands in individual- and cluster-randomized trials
Yale School of Public Health（耶鲁大学公共卫生学院）；University of Michigan（密歇根大学）；Rutgers School of Public Health（罗格斯大学公共卫生学院）
本文提出了一种适用于个体和集群随机试验的双重稳健估计方法，用于估计受限治疗时间在治疗有利方面的估计量，解决了传统方法在处理集群数据时的局限性。
2026-01-20 stat.ME
Conformal causal inference for cluster randomized trials: model-robust inference without asymptotic approximations
本文提出一种适用于整群随机试验的共形因果推断框架，在有限样本中无需渐近近似即可为群组和个体层面的处理效应构建预测区间，且对工作模型误设具有稳健性。
2024-10-01 stat.ME
Optimal Tests of Treatment Effects for the Overall Population and Two Subpopulations in Randomized Trials, using Sparse Linear Programming
我们提出了新的，最佳的方法来分析随机试验，当它被怀疑，处理效应可能会有所不同，在两个预定义的亚群。这些亚群可以通过在基线测量的生物标志物或风险因素来定义。目标是同时了解哪些亚群从实验性治疗中获益，同时提供对家族第一类错误率的强有力控制。我们正式这是一个多重检验问题，并表明它是计算上不可行的解决使用现有的技术。我们的解决方案涉及到一种新的方法，在这种方法中，我们首先将原来的多重检验问题转化为一个大型的，稀疏的线性规划。然后，我们使用先进的优化技术来解决这个问题。这种通用方法可以解决许多与最优试验设计有关的多重检验问题和决策论问题，而这些问题以前是没有解决办法的。特别是，我们构造新的多重检验程序，满足极大极小和贝叶斯最优性准则。对于一个给定的最优性标准，我们的新方法产生的最佳权衡？在总体人群中检测效应的把握度与在亚群中检测效应的把握度之间的差异。我们展示了我们的方法的例子动机的两个随机试验的新的治疗艾滋病毒。
2013-06-05 stat.ME
Leveraging baseline covariates to analyze small cluster-randomized trials with a rare binary outcome
随机对照试验（CRT）涉及将整个参与者组（称为群集）随机分配到治疗组，但通常由有限或固定数量的可用群集组成。虽然协变量调整可以解释治疗组之间的机会不平衡，并提高个体随机试验的统计效率，但迄今为止，小型CRT中个体水平协变量调整的分析方法很少受到关注。在本文中，我们系统地调查，通过广泛的模拟，操作特性的倾向得分加权和多变量回归作为两个个人层面的协变量调整策略，估计参与者的平均因果效应，在小型CRT与罕见的二元结果，并确定的情况下，每个调整策略具有相对的效率优势，使其他实用的建议。我们还研究了与倾向得分加权和多变量回归相关的偏差校正三明治方差估计量的有限样本性能，用于量化估计参与者平均处理效应的不确定性。为了说明个体水平协变量调整的方法，我们重新分析了最近在31个儿科重症监护病房进行的CRT镇静试验。
2022-11-28 stat.ME
Leveraging external data in the analysis of randomized controlled trials: a comparative analysis
该研究针对临床试验整合外部数据可能引发的偏倚风险，综述了倾向评分法、随机效应建模等利用外部数据的方法，通过模拟场景及胶质母细胞瘤真实数据集开展比较分析，探讨各方法的假阳性控制、检验效能等特征，为后续胶质母细胞瘤试验提供方法学建议。
2025-10-22 stat.ME
The role of assignment in defining and identifying causal effects in randomized trials
本文通过实例论证随机试验中符合方案效应与治疗策略效应不同，两者识别均需分配信息，并强调明确分配作用对因果推断的重要性。
2025-09-24 stat.ME
The Use of Covariate Adjustment in Randomized Controlled Trials: An Overview
本文综述随机对照试验中协变量调整的应用，区分条件与边际治疗效应/估计量，指出现有边际效应估计实践的问题，提倡用标准化方法兼顾效率与模型误设稳健性，并给出实际应用考量。
2023-06-09 stat.ME
Robust integration of external control data in randomized trials
本文提出一种组合估计量，整合外部对照数据以稳健提升随机试验效率，即使可交换性不成立也保持一致性与效率优势。
2025-09-08 stat.ME
Harmonized Estimation of Subgroup-Specific Treatment Effects in Randomized Trials: The Use of External Control Data
针对随机对照试验（RCT）亚组分析样本量小导致的亚组特异性治疗效应不确定性问题，提出利用外部对照（EC）数据的协调估计方法，通过修改亚组估计使其与仅RCT的总体平均效应稳健估计一致，经分析、模拟及肿瘤学案例验证有效性。
2025-02-11 stat.ME
Omitted-Variable Sensitivity Analysis for Generalizing Randomized Trials
Vanderbilt University Medical Center（范德堡大学医学中心）；University of Minnesota（明尼苏达大学）
本文提出基于遗漏变量偏差的框架，通过分解外部有效性偏差为调节强度与调节不平衡，提供闭式界限和对比观测协变量的敏感性参数，以评估未观测变量对结论的影响。
2026-03-29 stat.ME
Network Interference in Micro-Randomized Trials
微型随机试验（MRT）是一种试验设计，可用于开发最佳的移动卫生干预措施。在MRT中，通过智能手机向个人发送通知或消息形式的干预措施，目标是与健康相关的结果，如身体活动或体重管理。通常，移动医疗干预措施具有社交媒体的组成部分;因此，一个人的结果可能取决于其他人的治疗和结果。在本文中，我们研究了存在这种跨单位干扰的微观随机试验。我们用网络干扰模型对跨单元干扰进行建模;当且仅当一个人的结果可能影响另一个人的结果时，他们通过网络中的边缘连接。假设动态可以表示为一个马尔可夫决策过程，我们分析的结果在大样本渐近的行为，并表明，他们收敛到平均场极限时，样本量趋于无穷大。基于平均场结果，我们给出了各种因果被估量的表征结果和估计策略，包括二元干预的短期直接效应，长期直接效应和长期总效应。
2022-02-10 stat.ME
Estimation Methods for Cluster Randomized Trials with Noncompliance: A Study of A Biometric Smartcard Payment System in India
许多政策评估发生在治疗在集群水平随机化的环境中，每个集群内都有治疗不依从性。例如，村庄可能被分配到治疗和控制，但每个村庄的居民可以选择遵守或不遵守分配给他们的治疗状态。当存在不依从时，工具变量框架可用于识别和估计因果效应。虽然大量的文献存在的工具变量估计方法，相对较少的工作一直集中在设置与聚类处理。在这里，我们回顾了现有的方法，工具变量估计的聚类设计，并推导出这些估计的有限和渐近性质。我们证明了当前估计的性质依赖于不切实际的假设。然后，我们提出了一个新的IV估计方法的集群随机试验，并研究其形式的性质。我们证明，我们的IV估计允许可能的处理效应异质性，与集群大小和集群内的低依从率是强大的。我们使用模拟评估这些方法，并将其应用于印度随机干预的数据。
2019-08-15 stat.ME
Study designs for extending causal inferences from a randomized trial to a target population
我们研究了将因果推断从随机试验扩展（推广或转移）到目标人群的研究设计。具体来说，我们考虑嵌套试验设计，其中随机个体嵌套在目标人群的样本中，以及非嵌套试验设计，包括复合数据集设计，其中随机试验与单独获得的目标人群非随机个体样本相结合。我们表明，在每个研究设计中可以确定的因果量取决于已知的非随机个体抽样的概率。对于每项研究设计，我们通过g公式和逆概率加权检查潜在结局平均值的识别。最后，我们探讨了潜在的抽样性质的影响设计的识别和估计的概率参加试验。
2019-05-19 stat.AP stat.ME
Randomized trials and their observational emulations: a framework for benchmarking and joint analysis
一项随机试验和观察数据分析，旨在分别模拟试验样本观察结果，但具有相同的合格性标准，收集一些共享基线协变量的信息，并比较相同治疗对相同结局的影响。可以将试验及其模拟的处理效应估计值与基准观察分析方法进行比较。在一个简化的设置，完全遵守指定的治疗策略，没有损失的后续行动，我们表明，基准依赖于一个交换条件之间的人口基础的试验和仿真，以解释他们之间的协变量分布的差异。当这个交换条件成立时，并且从试验及其模拟中得到的估计值具有因果解释所需的通常条件也成立时，我们就得到了对观测数据定律的限制。当数据与限制兼容时，可以对试验及其仿真进行联合分析。当数据与限制不兼容时，（1）基于从试验到仿真基础人群的扩展推断的估计值与（2）仿真本身之间的差异可能反映出无法进行基准测试（例如，由于选择性地参与试验）或仿真失败（例如，由于未测量的混杂），但我们不能使用数据来确定是哪种情况。我们的分析揭示了基准测试尝试如何结合因果假设，数据分析方法和实质性的知识来检查观察分析方法的有效性。
2022-03-28 stat.ME
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。
2017-04-25 stat.ME
Nonparametric bounds for vaccine effects in randomized trials
Tel Aviv University（特拉维夫大学）
本文通过放松盲法假设，推导了疫苗效应的非参数因果界限，采用线性规划和单调性方法，并通过合成数据验证了其有效性。
2026-03-11 stat.ME
Integrating Randomized Controlled Trial and External Control Data Using Balancing Weights: A Comparison of Estimands and Estimators
针对RCT样本受限问题，研究整合外部对照数据，厘清不同因果估计量并提出基于平衡权重的估计器，模拟揭示其偏倚与效率随数据相似性而变化。
2025-02-19 stat.ME
Model-robust standardization in cluster-randomized trials
本文提出了一种模型稳健标准化方法，通过统一框架对回归输出进行标准化，确保整群随机试验中处理效应参数的估计目标对齐推断，并引入了无论模型是否正确设定均一致的估计量。
2025-09-18 stat.ME
Prognostic Adjustment with Efficient Estimators to Unbiasedly Leverage Historical Data in Randomized Trials
本研究将预后协变量调整扩展到非参数高效估计量，利用历史数据提高随机试验小样本下的功效且无偏倚，并通过模拟和真实临床试验数据验证。
2023-11-15 stat.ME
Identification and efficient estimation of compliance and network causal effects in cluster-randomized trials
Washington University in St. Louis（华盛顿大学圣路易斯分校）；University of Florida（佛罗里达大学）；Yale School of Public Health（耶鲁公共卫生学院）
本文提出了一种半参数框架，用于评估集群随机试验中个体合规效应和网络分配效应，并通过数据自适应方法和敏感性分析提高推断的稳健性。
2026-09-29 stat.ME
Subgroup analysis in randomized controlled trials with binary outcomes: dilution and logic-respecting properties
University Medical Center Göttingen（哥廷根大学医学中心）；The University of Manchester（曼彻斯特大学）
研究二元结局随机对照试验中亚组分析的比值比和相对响应的性质，证明比值比不适合作为疗效指标而相对响应合适，并阐明两者在逻辑一致性和稀释性质上的差异。
2026-06-17 stat.ME
Sensitivity analysis using bias functions for studies extending inferences from a randomized trial to a target population
将随机试验的因果推断扩展（推广或转移）到目标人群需要“可推广性”或"可转移性“假设，即随机化和非随机化个体在基线协变量的条件下可以交换。这些假设是根据背景知识作出的，而这些背景知识往往是不确定或有争议的，需要进行敏感性分析。我们提出了简单的敏感性分析的方法，不需要详细的背景知识，具体的未知或无法测量的决定因素的结果或修饰的处理效应。相反，我们的方法直接使用偏置函数来参数化违反假设的情况。我们展示了如何将这些方法应用于非嵌套试验设计，其中试验数据与单独获得的非随机个体样本相结合，以及嵌套试验设计，其中临床试验嵌入从目标人群中抽样的队列中。我们使用一项比较慢性丙型肝炎感染治疗方法的临床试验数据来说明这些方法。
2019-05-25 stat.AP stat.ME
A tutorial on individualized treatment effect prediction from randomized trials with a binary endpoint
随机试验通常估计平均相对治疗效果，但通过对绝对处理效应进行更个性化的预测，可能会更好地了解治疗益处。在二元结局的情况下，这些绝对个体化处理效应的预测需要了解个体在未接受治疗的情况下的风险，并纳入可能存在差异的处理效应（即，随患者特征而变化）。在本文中，我们奠定了因果结构的个性化处理效应的潜在结果，并描述了所需的假设，其预测的因果解释的基础。随后，我们描述了回归模型和模型估计技术，可以用来从平均移动到更个性化的处理效应预测。我们主要关注基于逻辑斯谛回归的方法，这些方法都是众所周知的，并且自然地提供了所需的概率估计。我们结合因果推断和预测研究的关键组成部分，以达到个性化的处理效应预测。虽然这些独立的组成部分是众所周知的，但它们的成功融合是一个正在进行的研究领域。我们削减了问题的本质，在设置一个随机试验，讨论了一个明确的定义的被估量的重要性，提供洞察所需的假设，并提供指导方面的建模和估计选项。模拟数据说明了不同方案中不同建模选项的潜力，这些方案改变了平均处理效应和处理效应异质性。两个应用实例说明了随机试验数据中的个体化处理效应预测。
2021-06-10 stat.ME
Privacy-preserving Quantile Treatment Effect Estimation for Randomized Controlled Trials
针对数据最小化与 A/B 测试中分位数效应估计的矛盾，提出基于直方图聚合的近似 QTE 分析方法，并通过差分隐私提供形式化隐私保证。
2024-01-25 stat.ME
Generalizing causal inferences from randomized trials: counterfactual and graphical identification
当参与随机试验是由影响结局的因素驱动时，或者当参与试验直接影响与治疗无关的结局时，试验受试者的平均处理效应不太可能推广到目标人群。在本文中，我们使用反事实和图形因果模型，以检查在什么条件下，我们可以概括因果推断从一个随机试验的目标人群的试验合格的个人。我们提供了一个解释的概括性分析使用的概念，一个假设的干预，以“扩大”试验参与的目标人群。我们认为，当试验参与不直接影响结果时，解释的概括性分析，突出与纵向研究中的删失的连接，并讨论通过g公式计算和逆概率加权的反事实结果的分布的识别。最后，我们展示了如何扩展的方法，以解决随时间变化的治疗，不遵守，和审查。
2019-06-26 stat.AP stat.ME
Spillover Effects in Cluster Randomized Trials with Noncompliance
群集随机试验（CRT）在公共卫生和社会科学中很受欢迎，用于评估新的治疗或政策，其中新政策被随机分配到单位群而不是单个单位。CRT的特点往往是不遵守，当一个集群内的个人没有接触到干预措施，和集群内的个人可能会通过治疗溢出效应相互影响，其中那些谁遵守新的政策可能会影响那些谁不的结果。在这里，我们研究的因果关系的识别CRT时，不遵守和治疗溢出。我们证明，标准的CRT数据与不遵守工具变量的分析不确定通常的编译器平均因果效应时，治疗溢出。我们扩展了这一结果，并表明没有CRT数据的分析可以无偏地估计本地网络的因果效应。最后，我们开发的假设下，治疗是无害的控制相比，这些因果关系的影响范围。我们证明了这些结果与在肯尼亚的驱虫干预的实证研究。
2019-08-15 stat.ME
Improving the mixed model for repeated measures to robustly increase precision in randomized trials
针对随机试验中MMRM因中间结局建模不当产生偏倚、损失精度的问题，提出扩展模型IMMRM，通过多维度调整提升稳健性与精度，理论证明和模拟、实例分析均验证其优势。
2023-07-19 stat.ME
Micro-randomized Trials with Categorical Treatments: Causal Effect Estimation and Sample Size Calculation
本文扩展微随机试验方法至分类处理，提出因果效应估计与样本量公式，并通过模拟和HeartSteps实例验证，确保实际应用中的统计功效。
2025-04-21 stat.ME
Machine Learning Assisted Adjustment Boosts Efficiency of Exact Inference in Randomized Controlled Trials
提出一种基于机器学习调整的推断方法，在Rosenbaum精确检验框架下控制第一类错误并提升RCT统计效率，减少样本量和成本。
2024-07-22 stat.ME stat.ML
A Bayesian approach to the survivor average causal effect in cluster-randomized crossover trials
University of Pennsylvania（宾夕法尼亚大学）；Monash University（蒙纳士大学）；Australian and New Zealand Intensive Care Research Centre（澳大利亚和新西兰重症监护研究中心）；Medical Research Institute of New Zealand（新西兰医学研究所）；Wellington Regional Hospital（惠灵顿地区医院）；University of Melbourne（墨尔本大学）；Yale School of Public Health（耶鲁公共卫生学院）
本文提出了一种贝叶斯方法，用于估计CRXO试验中因死亡导致的截断问题，通过主效应分层确定幸存者平均因果效应。
2026-01-29 stat.ME
Assessing mediation in cross-sectional stepped wedge cluster randomized trials
针对阶梯楔形整群随机试验（SW-CRTs）的中介分析需求，基于线性与广义线性混合模型提出估计自然间接效应与中介比例的新方法，处理暴露时间异质性，并开发R包mediateSWCRT支持实际应用。
2025-04-02 stat.ME
The covariate-adjusted residual estimator and its use in both randomized trials and observational settings
我们经常试图在随机和观察环境中估计暴露对特定结果的因果影响。其中一种估计方法是协变量调整残差估计，它是为单独或集群随机试验设计的。在这篇手稿中，我们研究了这个估计的性质，并开发了一个新的估计，利用协变量调整和逆概率加权我们支持我们的理论结果与模拟研究和应用在传染病设置。协变量调整残差估计量是随机试验中平均处理效应的有效无偏估计量;但是，不能保证在观察性研究中无偏。我们的新估计，协变量调整残差估计与逆概率加权，是无偏的随机和观察设置下，一组合理的假设。此外，当这些假设成立时，它在观察性研究中提供了比逆概率加权更高的效率。协变量调整残差估计量在随机试验中有效，但不应用于观察性研究。具有逆概率加权的协变量调整残差估计量为随机化和观察性设置提供了一种有效的替代方法。
2019-10-24 stat.AP stat.ME
Efficient and robust methods for causally interpretable meta-analysis: transporting inferences from multiple randomized trials to a target population
我们提出了因果关系可解释的荟萃分析方法，结合多个随机试验的信息，以估计潜在的（反事实）结果的手段和目标人群的平均处理效应。我们认为可识别性条件，推导出的条件的影响，观察到的数据的法律，并获得识别结果运输因果推断从一组独立的随机试验，一个新的目标人群中，实验数据可能无法使用。我们提出了一个估计的潜在（反事实）的结果平均在目标人群下的每一个治疗研究的试验。估计量使用来自试验集合的协变量、治疗和结果数据，但仅使用来自目标人群样本的协变量数据。我们表明，它是双重强大的，在这个意义上说，它是一致的，渐近正常时，它依赖的模型中的至少一个是正确指定的。我们在模拟研究中研究了估计量的有限样本性质，并使用多中心随机试验的数据演示了其实现。
2022-02-05 stat.AP stat.ME
Robust Variance Estimation for Covariate-Adjusted Unconditional Treatment Effect in Randomized Clinical Trials with Binary Outcomes
为了提高具有二元结局的随机临床试验中无条件处理效应的估计精度和检验假设的功效，研究人员和监管机构建议使用g计算作为协变量调整的可靠方法。然而，g-计算的实际应用受到阻碍，缺乏一个明确的强大的方差公式，可以用于不同的无条件处理效应的利益。为了填补这一空白，我们提供了明确的和强大的方差估计g-计算估计，并通过模拟证明，方差估计可以可靠地应用于实践。
2023-03-27 stat.AP stat.ME
Comparison of Methods that Combine Multiple Randomized Trials to Estimate Heterogeneous Treatment Effects
本文比较了结合多个随机试验估计异质性处理效应的非参数方法，发现允许跨试验异质性的方法更优，并应用于四个重度抑郁症试验。
2023-11-15 stat.ME stat.ML
Covariate Balancing Sensitivity Analysis for Extrapolating Randomized Trials across Locations
从不同地点的随机对照试验（RCT）中概括实验结果的能力对于为目标地区的政策决策提供信息至关重要。由于未测量的效应修饰剂损害了处理效应估计值从一个位置到另一个位置的直接运输，因此缺乏可识别性常常阻碍这种推广。我们建立在观察性研究的敏感性分析，并提出了一个优化程序，使我们能够得到在目标区域的处理效应的界限。此外，我们通过平衡协变量的矩来构造更多信息的边界。在模拟实验中，我们表明，协变量平衡的方法是有前途的，在获得更尖锐的识别区间。
2021-12-09 econ.EM stat.ME
Emulating Stepped-Wedge Cluster Randomized Trials to Evaluate Health Policies and Interventions
Yale School of Medicine（耶鲁医学院）；Yale School of Public Health（耶鲁公共卫生学院）
本文提出通过目标试验模拟框架模拟阶梯集群随机试验，以解决观察性研究中阶梯采用方法分析的挑战，强调政策异质性和时间变效应，并促进随机试验与准实验设计的跨学科交流。
2026-04-14 econ.EM stat.ME
A Model of a Randomized Experiment with an Application to the PROWESS Clinical Trial
我开发了一个模型，一个二元干预和二元结果的随机实验。干预组和对照组的潜在结果产生了四种类型的参与者。固定的想法，这样的结果是死亡，一些参与者会活下来，不管，其他人会被保存，其他人会被杀死，其他人会死，不管。这些潜在的结果类型是不可观察的。然而，我使用该模型来开发每种类型参与者数量的估计值。该模型依赖于实验中的随机化和演绎推理。我将该模型应用于一个重要的临床试验，PROWESS试验，并执行蒙特卡罗模拟校准，以估计从试验。试验的简化形式显示死亡率降低，这为FDA批准提供了依据。然而，我发现干预措施每挽救三名参与者，就有两名参与者死亡。
2020-07-22 econ.EM stat.ME
Generalizing conditional average treatment effects from nested randomized trials to all trial-eligible individuals
University of Waterloo（滑铁卢大学）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；Brown University School of Public Health（布朗大学公共卫生学院）；Center for Gerontology & Healthcare Research, Brown University School of Public Health（布朗大学公共卫生学院老年学与医疗保健研究中心）
本文提出在嵌套试验中估计目标人群中条件平均治疗效应的方法，结合半参数理论和灵活估计，通过数据自适应方法减少过拟合偏倚，提升推断有效性。
2026-05-14 stat.AP stat.ME
Generalizing Randomized Trial Findings to a Target Population using Complex Survey Population Data
随机试验被认为是估计因果效应的金标准。试验结果通常用于为政策和规划工作提供信息，但由于试验和人群之间的效应调节因子存在潜在差异，因此其结果可能无法很好地推广到相关目标人群。统计学方法已经被开发出来，通过结合试验和人口数据，并对试验进行加权，使其与基线协变量的人口相似，从而提高概括性。在卫生和教育等领域进行的具有复杂调查设计的大规模调查是人口数据的合理来源;然而，目前还没有将试验结果概括为复杂调查时纳入调查权重的最佳实践。我们建议和调查方法，将调查权重在这方面。我们通过比较我们提出的估计器的性能，忽略了复杂的调查design. Then，我们应用的方法来概括的结果从两个试验-生活方式干预降低血压和基于网络的干预治疗物质使用障碍-到他们各自的目标人群使用复杂的调查的人口数据的估计器的性能模拟。这项工作强调了在适当考虑复杂的调查设计时，将试验结果推广到由复杂的调查样本代表的人群的重要性。
2020-04-02 stat.AP stat.ME
Randomized Controlled Trials without Data Retention
随着对隐私和数据使用权的日益重视，研究人员越来越多地承认数据最小化原则，即受试者数据的可访问性，收集和保留应保持在回答重点研究问题所需的最低数量。将这一原则应用于随机对照试验（RCT），本文提出了在严格的数据保留和匿名化政策下从RCT中做出准确推断的算法。特别是，我们展示了如何使用递归算法来构建RCT中的治疗效果的运行估计，这允许在收集后不久删除或匿名化个性化记录。特别关注非i.i.d.数据，我们进一步展示了如何通过结合递归算法与引导和联邦策略从RCT中得出稳健的推论。
2021-10-20 cs.CR stat.ME
