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
Debiased regression adjustment in completely randomized experiments with moderately high-dimensional covariates
针对完全随机实验中协变量维数与样本量同阶的中高维问题，提出无需稀疏性假设的去偏回归调整估计量及推断方法，并证明其渐近正态性与效率优势。
2025-06-08 math.ST stat.ME stat.TH
Lasso adjustments of treatment effect estimates in randomized experiments
我们提供了一个原则性的方法，研究人员分析随机实验时，协变量的数量是大的。研究者经常使用线性多元回归来分析随机实验，而不是简单地报告治疗组和对照组之间的平均值差异。其目的是通过调整协变量来降低估计治疗效应的方差。如果存在相对于观测数的大量协变量，则回归可能会因为过拟合而性能不佳。在这种情况下，Lasso可能会有所帮助。我们研究了由此产生的基于Lasso的治疗效果估计的Neyman-Rubin模型的随机实验。我们提出的理论条件，保证估计是更有效的比简单的差分均值估计，我们提供了一个保守的估计的渐近方差，它可以产生更严格的置信区间比差分均值估计。仿真和数据实例表明，即使协变量的数量小于观测的数量，基于拉索的调整可以是有利的。具体而言，使用Lasso进行选择和OLS进行估计的变体表现得特别好，并且它基于Lasso和OLS的组合性能来选择平滑参数。
2015-12-21 math.ST stat.TH
Rerandomization and covariate adjustment in split-plot designs
裂区设计起源于农业科学，实验单位也被称为子区，嵌套在被称为整块地的组中。它通过整区水平的整群随机化分配整区干预，并通过子区水平的分层随机化分配子区干预。随机化机制保证了整区和子区水平的协变量平均平衡，并确保了Horvitz-Thompson和Hajek估计量对平均处理效应的一致推断。然而，协变量的不平衡往往发生在有限的样本和科目随后的推断可能大的变异性和条件偏差。重新随机化广泛应用于随机化试验的设计阶段，以改善协变量的平衡。然而，现有的再随机化的文献集中在设计与治疗分配在单位或组水平，但不是两个，离开相应的理论在裂区设计中的再随机化一个悬而未决的问题。为了填补这一空白，我们提出了两种基于马氏距离的裂区设计重新随机化策略，并建立了相应的设计理论。我们证明了重新随机化可以提高Horvitz-Thompson和Hajek估计的渐近有效性。此外，我们在分析阶段提出了两种协变量调整方法，当与重新随机化相结合时，可以进一步提高渐近有效性。通过数值实验证明了所提方法的有效性和提高的效率。
2022-09-26 math.ST stat.ME stat.TH
A Complete Generalized Adjustment Criterion
协变量调整是一种广泛使用的方法来估计总的因果关系的观察数据。近年来已经开发了几个图形标准，以确定有效的协变量调整图形因果模型。这些标准可以处理多个原因，潜在的混淆，或因果结构的部分知识;然而，它们的多样性是令人困惑的，其中一些只是足够的，但不是必要的。在本文中，我们提出了一个标准，是必要的和充分的四个不同类别的图形因果模型：有向无圈图（DAG），最大祖先图（MAG），完成部分有向无圈图（CPDAG），部分祖先图（PAG）。我们的标准包括现有的，并以这种方式统一调整集建设一个大的一组图类。
2015-07-06 math.ST stat.TH
Sufficient Covariate, Propensity Variable and Doubly Robust Estimation
从观察性研究中进行统计因果推断通常需要对可能的多维变量进行调整，其中降维至关重要。由Rosenbaum和Rubin首先引入的倾向评分是这种减少的流行方法。我们在Dawid的决策理论框架内解决因果推理，其中必须注意足够的协变量及其属性。我们研究了一个倾向变量在正态线性模型中的作用。我们研究了基于人口和基于样本的线性回归，并对多变量协变量和倾向变量进行了调整。此外，我们还研究了反应模型和倾向模型组合下的增广逆概率加权估计。在具有同方差的线性回归中，证明了倾向变量提供与多元调整相同的估计因果效应。估计的倾向变量可以但不一定比真实倾向变量产生更好的精度。增广逆概率加权估计具有双重稳健性，如果正确指定倾向模型，则可以提高精度。
2015-01-30 math.ST stat.TH
Efficient adjustment for complex covariates: Gaining efficiency with DOPE
本文提出DOPE方法，通过调整协变量信息提升ATE估计效率，适用于高维和复杂数据。
2025-12-05 math.ST stat.ME stat.ML
Covariate adjustment in randomization-based causal inference for 2K factorial designs
本文建立了2K析因设计中基于随机化的因果推断中协变量调整的有限总体渐近理论。特别是，我们证实了因子效应的未调整和协变量调整估计量都是渐近正态的，并且后者比前者更精确。
2016-07-12 stat.ME
Covariate adjustment in randomized experiments with missing outcomes and covariates
针对随机实验中结局和协变量缺失的问题，本文比较回归调整与倾向评分加权，证明二者渐近等价性失效，并提出结合缺失指示变量方法的调整策略。
2024-03-04 stat.ME
Covariate Adjustment in Regression Discontinuity Designs
回归不连续设计是一种广泛应用于因果推断和程序评价的非实验方法。虽然它的规范公式只需要一个分数和一个结果变量，但在实证工作中经常遇到RD分析，其中使用额外的变量进行调整。这种做法导致了对协变量调整在RD分析中的作用的误解，从方法和经验的角度来看。在本章中，我们回顾了协变量调整在RD设计中的不同作用，并为其正确使用提供方法学指导。
2022-08-24 econ.EM stat.ME
Graphical Criteria for Efficient Total Effect Estimation via Adjustment in Causal Linear Models
协变量调整是总因果效应估计的一种常用方法。近年来，已开发出图形标准来识别所有有效的调整集，即所有可用于此目的的协变量集。不同的有效调整集通常提供不同精度的总效应估计。限制我们自己的因果线性模型，我们引入了一个图形的标准来比较的渐近方差提供某些有效的调整集。我们采用这个结果来开发两个进一步的图形工具。首先，我们介绍了一个简单的方差减少修剪过程中的任何给定的有效调整集。其次，我们给出了一个有效的调整集，提供所有有效的调整集之间的最佳渐近方差的图形特征。我们的结果只依赖于图形结构，而不是特定的误差方差或边缘系数的潜在因果线性模型。它们可以应用于有向无圈图（DAG）、完全部分有向无圈图（CPDAG）和最大定向部分有向无圈图（极大PDAG）。我们提出了模拟和一个真实的数据例子来支持我们的结果，并显示其实用性。
2020-12-12 math.ST stat.TH
Probably approximately correct high-dimensional causal effect estimation given a valid adjustment set
从PAC学习角度研究高维有效调整集下的协变量调整，提出$\eps$-马尔可夫毯及更小调整集的发现算法并给出样本复杂度上界，证明无需完美恢复因果结构即可准确估计因果效应。
2024-11-12 math.ST stat.ML stat.TH
Improving Estimation Efficiency via Regression-Adjustment in Covariate-Adaptive Randomizations with Imperfect Compliance
针对依从性不完美的协变量自适应随机化场景，提出基于双重稳健矩的回归调整估计方法，包含线性、非线性等调整形式，可提升估计效率并给出达到半参数效率界的条件。
2023-06-16 econ.EM stat.ME
On the Validity of Covariate Adjustment for Estimating Causal Effects
Harvard School of Public Health（哈佛公共卫生学院）
从观察数据和因果假设中识别行为（治疗）对结果变量的影响是因果推断中的一个基本问题。由于存在可能与治疗和结局变量相关的混杂因素，这种识别变得困难。在理论和实践中，混杂因素通常通过调整协变量来处理，换句话说，考虑以治疗和协变量值为条件的结局，通过观察这些协变量值的概率进行加权。本文给出了协变量调整的一个完备的图形准则，我们称之为调整准则，并由此准则的完备性得到了一些有趣的推论。
2012-03-15 cs.AI stat.ME
Covariate Adjustment in Randomized Experiments: A Unified Framework for Decision and Practice
Duke University（杜克大学）；Columbia University（哥伦比亚大学）
针对随机实验中协变量调整的争议，提出以“事后偏差”预后性为唯一标准的统一框架，并开发两种估计方法，为调整决策提供统一基础。
2026-09-09 econ.EM stat.AP stat.ME
On efficient adjustment in causal graphs
我们考虑通过协变量调整从观察数据估计总的因果效应。理想情况下，调整集是根据给定的因果图选择的，反映了对潜在因果结构的了解。但是，有效的调整集不是唯一的。最近的研究介绍了一个图形标准的“最佳”有效调整集（O集）。对于一个给定的图，调整的O-集产生最小的渐近方差相比，其他调整集在某些参数和非参数模型。本文给出了O-集的三个新结果。首先，我们给出了一个新的，更直观的图形特征：我们证明了O-集是一个合适的潜在投影图，我们称之为禁止投影的结果节点（S）的父集。一个重要的属性是，禁止投影通过协变量调整保留了与总因果效应估计相关的所有信息，使其本身成为一个有用的方法工具。其次，我们扩展了现有的IDA算法使用O-集，并认为该算法仍然是半局部的。这在R包pcalg中实现。第三，我们提出的假设下，O-集可以被视为流行的非图形变量选择算法，如逐步向后选择的目标集。
2020-12-22 math.ST stat.TH
Optimal Covariate Adjustment beyond the Average Treatment Effect: Treated-Population and Overlap-Weighted Estimands
Toyo University（东洋大学）
本文证明平均处理效应的最优调整集性质源于其权重，并针对处理人群估计量推导效率界变化恒等式，证明无图最优准则，但无效应修饰时ATE最优集仍最优，并扩展至重叠权重等。
2026-09-15 econ.EM math.ST stat.ME
Covariate adjustment in randomised trials: canonical link functions protect against model mis-specification
协变量调整有可能增加随机试验分析的功效，但调整模型的错误设定可能导致错误。我们探讨了在协变量在随机化治疗之间完全平衡的情况下，当调整模型忽略了随机化治疗相互作用的协变量时可能出现的错误。我们使用数学论证和对单个假设数据集的分析。我们表明，分析与典型的链接函数的广义线性模型导致零下没有错误-也就是说，如果处理效应是真正的调整后的模型下为零，那么它也是在未调整的模型下为零。然而，使用非规范的链接函数不会给出此属性，并在null下导致潜在的重要错误。即使在大样本中也存在误差，因此构成偏倚。我们的结论是随机试验的协变量调整分析应避免非典型联系。如果边际风险差异是估计的目标，则不应使用身份链接进行估计;替代的首选方法包括标准化和治疗加权的逆概率。
2021-07-15 stat.ME
The Propensity Score Estimation in the Presence of Length-biased Sampling: A Nonparametric Adjustment Approach
流行的队列研究的疾病持续时间的普遍使用，越来越多地要求适当的方法来解释的偏见，总是伴随着样本形成这样的数据。例如，众所周知，寿命较短的受试者不太可能参与此类研究。此外，某些协变量值可以优先选择到样本中，与长期生存者相关。使用流行病例收集的数据估计倾向评分的现有方法需要在给定治疗和协变量的情况下正确的条件生存/风险函数。如果所研究的疾病具有平稳的发病率，即所谓的平稳性假设，则可以减轻这一要求。我们提出了一种非参数调整技术的基础上加权估计方程估计的倾向得分，不需要建模的条件生存/风险函数时，平稳性假设成立。建立了估计量的大样本性质，并通过仿真研究了其小样本行为。
2013-11-06 math.ST stat.TH
Rerandomization and Regression Adjustment
随机化是治疗效应统计推断的基础，无需对结局生成过程进行强有力的假设。适当地使用协变量进一步产生更精确的估计随机实验。R. A. Fisher建议在设计阶段对离散协变量进行区组，或在分析阶段进行协方差分析（ANCOVA）。我们可以将区组嵌入到更广泛的一类称为重新随机化的试验设计中，并将经典的ANCOVA扩展到更一般的回归调整。在设计阶段，重新随机化胜过完全随机化，在分析阶段，回归调整胜过简单的均值差估计。然后，直观地使用重新随机化和回归调整。在随机化推理框架下，我们建立了一个统一的理论，允许设计者和分析者访问不同的协变量集。我们发现，渐近（a）对于任何给定的估计，无论有或没有回归调整，重新随机化从来没有伤害的抽样精度或估计精度，和（b）对于任何给定的设计，无论有或没有重新随机化，我们的回归调整估计从来没有伤害估计精度。因此，组合重新随机化和回归调整产生更好的覆盖特性，从而改善统计推断。为了从理论上量化这些陈述，我们讨论了最优回归调整估计的采样精度和估计精度，然后测量设计者和分析者的额外收益。最后，我们建议在设计中使用重新随机化，在分析中使用回归调整，然后使用Huber-White稳健标准误差。
2020-01-01 math.ST stat.ME stat.TH
On efficient covariate adjustment selection in causal effect estimation
本文针对观测数据因果效应估计中的协变量调整选择问题，提出基于混合整数优化和因果约束的无图方法CMIO，在存在隐藏变量及缺乏因果充分性条件下实现有效且高效的协变量调整。
2023-05-26 stat.ME
Covariate Adjustment in Randomized Experiments Motivated by Higher-Order Influence Functions
针对随机对照试验中协变量数量较大时现有调整估计方法适用性模糊的问题，本文基于高阶影响函数提出估计量，验证其统计性质优势，统一了现有前沿调整估计量框架并配套开源R包。
2025-11-18 econ.EM math.ST stat.ME
Simple Covariate Adjustment for Many Estimands Using Stable Balancing Weights
本文提出一种使用稳定平衡权重的简化协变量调整方法，可直接应用于临床试验中多种估计量，能提升渐近效率并保留特定统计关系，便于实际应用。
2026-09-03 stat.ME
On High Dimensional Covariate Adjustment for Estimating Causal Effects in Randomized Trials with Survival Outcomes
这项工作的目的是提高效率，估计平均因果效应（ACE）的生存规模存在右删失和高维协变量信息。我们提出了新的估计使用正则化生存回归和生存随机森林（SRF），使调整高维协变量，以提高效率。我们研究了调整后的估计量在温和的假设下的行为，并从理论上保证了所提出的估计量在使用SRF进行调整时比未调整的估计量更有效。此外，这些调整后的估计量是$\sqrt{n}$ -一致的和渐近正态分布。通过仿真研究了该方法的有限样本行为，其结果与理论结果一致。我们还通过分析移植研究的真实数据来说明我们的方法，以确定相同同胞供体与不相关供体相比的相对有效性，并调整细胞遗传学异常。
2021-06-25 stat.ME
Combining covariate adjustment with information from secondary endpoints to improve precision in randomized trials
Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）；School of Public Health, University of Minnesota（明尼苏达大学公共卫生学院）
本研究将协变量调整与次要终点信息结合，通过扩展结构方程模型并采用交叉验证模型平均法，在随机试验中提升了主要终点平均处理效应估计的精度，且验证了其效率与稳健性的折中效果。
2026-08-28 stat.ME
Leveraging Historical Data for High-Dimensional Regression Adjustment, a Composite Covariate Approach
从参与临床试验的患者中收集的数据量不断增长。所有患者特征均为潜在协变量，可用于改善临床试验分析和把握度。然而，I期和II期研究中的患者数量有限，限制了分析中可能纳入的协变量数量。在本文中，我们调查的成本/效益比，包括协变量的临床试验分析。在此背景下，我们解决了长期存在的问题“什么是最佳的协变量数量包括在临床试验？为了进一步提高协变量的成本/收益比，可以利用历史数据来预先指定协变量权重，这可以被视为新复合协变量的定义。我们分析了在小型临床试验中估计处理效应时复合协变量的使用。复合协变量限制了自由度的损失和过拟合的风险。
2021-03-26 stat.ME stat.ML
Flexible Covariate Adjustments in Regression Discontinuity Designs
University of Bonn（波恩大学）；University of Mannheim（曼海姆大学）
本文提出了一种新型估计器，通过更高效利用协变量信息提升估计精度，利用机器学习技术灵活估计最优调整函数，改进了回归不连续设计的效率。
2026-06-30 econ.EM stat.AP
Integrating Heterogeneous Information in Randomized Experiments: A Unified Calibration Framework
Institute of Statistics and Big Data, Renmin University of China（中国人民大学统计与大数据研究院）
本文提出统一校准框架，整合异质信息以提升随机实验中处理效应估计的精度与效率。
2026-03-07 econ.EM math.ST stat.ME
Model-robust and efficient covariate adjustment for cluster-randomized experiments
针对整群随机实验中模型误设与随机化后整群规模变化导致的偏倚，本文结合加权 g-computation 并提出支持机器学习的三重稳健高效估计量，用于整群平均和个体平均处理效应推断。
2023-07-19 stat.ME
Design-based finite-sample analysis for regression adjustment
University of California, Davis（加州大学戴维斯分校）
本文提出一种非渐近框架，用于分析回归调整的平均处理效应估计器，在完全随机化下提供有限样本有效的置信区间，即使协变量数量超过样本量。
2026-04-25 math.ST stat.ME stat.TH
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
Assumption-lean covariate adjustment under covariate adaptive randomization when $p = o (n)$
本文提出了一种基于二阶U统计量的调整估计器，在p=o(n)时能无偏估计平均治疗效应并保证效率提升，适用于协变量自适应随机化场景。
2025-12-23 econ.EM math.ST stat.ME
Conditional cross-fitting for unbiased machine-learning-assisted covariate adjustment in randomized experiments
本文针对随机实验中协变量调整因数据重复使用导致的有限样本偏差问题，提出条件交叉拟合方法，在基于设计的推断框架下构造无偏ATE估计量并支持机器学习辅助调整。
2025-08-21 stat.ME
Covariate adjustment in multi-armed, possibly factorial experiments
随机实验是因果推断的金标准，并证明了治疗组之间的简单比较。回归调整提供了一种方便的方法来合并协变量信息，以提高效率。本文提供了一个统一的帐户，它的效用，以提高估计效率的多臂实验。我们开始与常用的添加剂和充分相互作用的回归调整模型，并澄清之间的权衡所产生的普通最小二乘（OLS）估计估计平均处理效应的有限样本性能和渐近有效性。然后，我们移动到回归调整的基础上限制最小二乘（RLS），并建立了第一次从设计为基础的角度推断平均处理效应的属性。由此产生的推论有多重保证。首先，它是渐近有效的，当正确指定的限制。其次，只要正确规定了对治疗指标系数的限制（如有），并将其与治疗-协变量相互作用系数的限制分开，则其保持一致。第三，它可以有更好的有限样本性能比其无限制的对应，即使限制是适度错误指定。因此，我们建议在多组实验中进行协变量调整，当在许多协变量、许多治疗方法但样本量适中的情况下，完全相互作用回归的OLS拟合有较大的有限样本变异性风险时。此外，RLS理论的提出也为研究一般回归规范的基于OLS的推理提供了有力的工具。作为一个例子，我们通过理论和模拟证明了它的独特价值，研究基于最小二乘回归调整的析因实验。
2022-10-24 stat.ME
Prognostic Covariate Adjustment for Binary Outcomes Using Stratification
协变量调整和随机临床试验（RCT）中纳入历史数据的方法都为增加试验把握度提供了机会。我们将这些方法结合起来，用于基于边缘风险比（RR）的Cochran-Mantel-Haenszel（CMH）检验的二元结局RCT分析。在PROCOVA-CMH中，根据反映对照治疗（例如安慰剂）预测结局的单个预后协变量对受试者进行分层。该预后评分是通过在历史数据上训练的模型基于基线协变量生成的。我们提出了两个封闭形式的前瞻性估计的对数RR的渐近抽样方差，只依赖于从观察到的历史结果和预后模型获得的值。重要的是，这些估计量可用于在试验计划期间告知样本量。PROCOVA-CMH证明了有效推断的第一类错误控制和适当的渐近覆盖。与其他协变量校正方法一样，与未校正（未分层）CMH分析相比，PROCOVA-CMH可降低处理效应估计值的方差。除了统计方法，模拟和阿尔茨海默氏症的案例研究，以证明性能。结果表明，PROCOVA-CMH可以提供功率增益，可用于进行较小的试验。
2022-12-19 stat.AP stat.ME
The Generalized Oaxaca-Blinder Estimator
在进行随机实验后，研究人员在估计平均治疗效果时，经常使用普通最小二乘（OLS）回归来调整基线协变量。众所周知，即使错误指定了线性模型，得到的置信区间也是有效的。本文将这一结论推广到非线性模型的协变量平差。我们介绍了一种直观的方法，使用任何“简单”的非线性模型来构建协变量调整的平均治疗效果的置信区间。置信区间的有效性仅来自随机化，当非线性模型比线性模型更好地拟合数据时，它比OLS调整的通常区间窄。
2020-04-24 math.ST stat.ME stat.TH
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
Covariate Adjustment Cannot Hurt: Treatment Effect Estimation under Interference with Low-Order Outcome Interactions
University of California, Berkeley（加州大学伯克利分校）；University of Chicago（芝加哥大学）
本文研究了在存在干扰情况下使用协变量调整估计总体治疗效应的方法，证明了在稀疏干扰网络下，协变量调整不会增加方差，从而提供无害保证。
2026-04-09 stat.ME
Comparing Covariate Prioritization via Matching to Machine Learning Methods for Causal Inference using Five Empirical Applications
当研究者试图估计因果效应时，他们通常假设治疗选择仅基于观察到的协变量。在这种识别策略下，分析人员必须对观察到的混杂因素进行调整。虽然基本回归模型长期以来一直是统计调整的主要方法，但基于匹配或加权的更稳健方法已变得更加普遍。最近，已经开发了基于机器学习方法的更灵活的方法用于统计调整。这些机器学习方法被设计成黑盒方法，几乎没有研究人员的输入。最近的研究使用数据竞争来评估各种统计调整方法，发现黑箱方法优于所有其他统计调整方法。与black方法相比，协变量优先级匹配方法的设计是针对实质性研究者的直接输入。在这篇文章中，我们使用不同的研究设计来比较匹配协变量优先黑盒方法。我们使用黑盒方法复制五项研究的结果，其中协变量优先级匹配用于定制统计调整，直接响应实质性的专业知识。我们发现这些方法之间的差异很小。最后，我们向调查人员提出建议。
2019-01-08 stat.AP
Bridging Stratification and Regression Adjustment: Batch-Adaptive Stratification with Post-Design Adjustment in Randomized Experiments
本文提出一种批自适应分层程序，在配对设计中跨批次重新匹配观测，并配合非参数协变量调整的分层估计量，以提升随机实验的统计效率，模拟显示精度和效率显著提升。
2025-10-27 econ.EM stat.ME
Covariate adjustment in subgroup analyses of randomized clinical trials: A propensity score approach
背景资料：在随机临床试验中经常进行亚组分析，以评估患者亚群间异质性处理效应的证据。虽然随机化在预期中平衡了亚组内的协变量，但机会不平衡可能在小的亚组中被放大并损害精度。在RCT的总体分析中，常通过ANCOVA或倾向得分加权进行协变量调整，但很少讨论亚组分析。在本文中，我们开发了倾向得分加权方法进行协变量调整，以提高RCT亚组分析的精度和功效。研究方法：我们扩展了倾向得分加权方法，以亚组分析通过拟合逻辑倾向模型与预先指定的协变量亚组相互作用。我们表明，通过建设，重叠加权正好平衡协变量与每个子组中的相互作用项。进行了广泛的模拟，以比较未调整的，不同的倾向得分加权和ANCOVA估计的操作特性。我们将这些方法应用于HF-ACTION试验，以评估运动训练对预先指定的亚组中6分钟步行试验的影响。结果：调整后估计量的标准误小于未调整估计量的标准误。倾向得分加权估计与ANCOVA一样有效，并且在亚组样本量较小（例如，<125），和/或当结果模型被错误指定时。全交互作用倾向模型的加权估计一致优于标准主效应倾向模型。结论：倾向得分加权法是一种透明、客观的方法，可以调整随机对照试验亚组分析中重要协变量的机会不平衡。在倾向得分模型中包含完整的协变量-亚组相互作用至关重要。
2021-05-26 stat.ME
Finite sample-optimal adjustment sets in linear Gaussian causal models
本文研究线性高斯因果模型中的有限样本协变量调整问题，提出 MSE-optimal adjustment set 及样本量与图形准则，证明其在小样本下可优于渐近最优调整集。
2025-06-15 math.ST stat.ME stat.TH
To adjust or not to adjust? Estimating the average treatment effect in randomized experiments with missing covariates
完全随机化允许基于结局平均值的差异对平均处理效应进行一致的估计，而无需对结局生成过程进行强有力的建模假设。适当使用预处理协变量可以进一步提高估计效率。然而，协变量中的缺失在实验中很常见，并提出了一个重要的问题：我们是否应该调整受缺失影响的协变量，如果是，如何调整？未调整的平均值差异始终是无偏的。如果至少有一个完全观察到的协变量可预测结局，则完全协变量分析调整了所有完全观察到的协变量，并提高了平均值差异的效率。那么，调整缺失协变量的额外收益是什么？一个关键的见解是，只要缺失不受治疗的影响，缺失指标就可以作为完全观察到的治疗前协变量，因此可以用于协变量调整，以提高估计效率。这促使将缺失指标添加到回归调整中，产生缺失指标方法作为缺失数据文献中众所周知但不那么流行的策略。我们推荐它是因为它的许多优点。我们还提出了修改的缺失指标的方法的基础上渐近和有限样本的考虑。为了调和缺失数据文献中相互矛盾的建议，我们分析和比较了基于设计的框架下分析随机实验缺失协变量的各种策略。该框架将随机化视为推断的基础，并且不对结果生成过程和缺失数据机制施加任何建模假设。
2021-07-31 math.ST stat.ME stat.TH
Planning a method for covariate adjustment in individually-randomised trials: a practical guide
背景资料：长期以来，人们一直建议在验证性随机试验的分析中考虑基线协变量，主要的统计学理由是这会增加功效，并且当随机化方案平衡协变量时，允许有效估计实验误差。有多种方法可用于解释协变量，但不清楚如何选择。研究方法：从撰写统计分析计划的角度来看，我们考虑如何在三种最有前途的广泛方法之间进行选择：直接调整、标准化和治疗加权的逆概率。结果如下：这三种方法在渐近有效性，错误指定协变量函数的效率损失以及处理设计平衡方面是相似的。如果目标是边际被估量（例如，风险差异或生存差异），则应避免直接调整，因为它涉及拟合受收敛问题影响的非标准模型。融合最有可能与IPTW。IPTW使用的稳健标准误在小样本量下是反保守的。所有方法都可以使用类似的方法来处理缺失的协变量数据。由于结局数据缺失，每种方法都有自己的方法来估计全随机化人群的处理效应。我们说明了一些问题，在重新分析GetTested，随机试验，旨在评估电子性传播感染检测和结果服务的有效性。结论：没有一种方法总是最好的：选择将取决于试验背景。我们鼓励试验者更经常地考虑所有三种方法。
2021-12-08 stat.ME
Adjustment with Many Regressors Under Covariate-Adaptive Randomizations
针对协变量自适应随机化下高维回归调整导致的过度拒绝问题，提出线性组合RA与非RA估计量的新ATE估计量，并建立统一推断理论，保证渐近显著性与弱效率改进。
2025-02-18 econ.EM stat.ME
Neumann-series corrections for regression adjustment in randomized experiments
针对随机实验中协变量较多时回归调整估计ATE的精度与渐近正态性限制问题，提出基于Neumann级数分解的高阶修正方法，在温和条件下扩大协变量维度p的允许增长范围，提升估计性能且无需参数模型假设。
2025-11-11 math.ST stat.ME stat.TH
Efficient adjustment sets for population average treatment effect estimation in non-parametric causal graphical models
Universidad Torcuato Di Tella（托尔夸托·迪·特利亚大学）；CONICET（阿根廷国家科学与技术研究理事会）；Harvard T. H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）
在观察性研究中，常采用协变量调整法估计群体平均治疗效应。从假定的因果图模型确定所有有效协变量调整集的图形规则是众所周知的。限制注意因果线性模型，最近的一篇文章推导出两个新的图形标准：一个是比较控制某些不同的调整集的线性回归治疗效果估计量的渐近方差，另一个是确定最佳调整集，该调整集产生最小二乘治疗效果估计量，在一致的调整最小二乘估计量中具有最小的渐近方差。在本文中，我们表明，相同的图形标准可以用于非参数因果图形模型时，治疗效果估计的对比，涉及非参数调整估计的干预手段。我们还提供了一个图形的标准来确定最佳调整集之间的最小调整集，这是有效的线性和非参数估计。我们提供了一个新的图形标准，比较不定常调整集，即，由协变量，调整为未来的治疗，本身受到早期治疗的影响。我们通过例子表明，一致最优的不定常调整集并不总是存在。此外，对于点干预，我们提供了一个健全的和完整的图形标准，用于确定当一个非参数的最佳调整估计的干预手段，或干预手段的对比度，是一样有效的，利用信息的条件独立编码的非参数因果图模型的相同参数的有效估计。
2019-12-16 cs.LG math.ST stat.ML
The P-LOOP Estimator: Covariate Adjustment for Paired Experiments
在配对实验中，参与者被分成具有相似特征的两组，每对中的一个观察结果被随机分配给治疗。由于配对和随机化，治疗组和对照组应平衡良好;但是，仍可能存在小概率不平衡。可以通过调整这些不平衡来提高处理效应估计的精度。基于完全随机实验的相关工作，我们提出了配对实验的P-LOOP（配对留一潜在结果）估计。我们忽略每一对，然后使用任何预测算法估算其潜在结果。插补方法是灵活的;例如，我们可以使用套索或随机森林。虽然完全随机化实验中存在类似的方法，但配对实验中的协变量调整方法相对研究不足。配对实验存在一个独特的权衡，在进行调整时，可能不清楚是否要考虑配对分配。我们在P-LOOP估计器中解决了这个问题，方法是在估算潜在结果时自动决定是否考虑配对。通过解决这种权衡，该方法有可能提高现有方法的精度。
2019-05-21 stat.AP
Rejective Sampling, Rerandomization and Regression Adjustment in Survey Experiments
经典随机化实验配备了基于随机化的推断，为处理效应提供了无干扰的推断。它们一直是绘制因果推断的黄金标准，并提供出色的内部效度。然而，他们也被批评为可疑的外部有效性，在这个意义上，结论可能无法推广到更大的人口。随机调查实验是一种设计工具，可以通过从感兴趣的目标人群中随机选择实验单元来帮助减轻这种担忧。然而，正如Morgan和Rubin（2012）所指出的，即使在完全随机化的实验中，不同治疗组之间的协变量分布也经常存在机会不平衡。毫不奇怪，这种协变量失衡也发生在随机调查实验中。此外，协变量不平衡不仅发生在不同的治疗组之间，而且发生在采样的实验单位和整体人群之间。在本文中，我们提出了一个两阶段的重新随机化设计，可以积极地避免不良的协变量不平衡的抽样和治疗分配阶段。我们进一步发展渐近理论的重新随机化调查实验，证明重新随机化提供了更好的协变量平衡，更精确的处理效应估计，和更短的大样本置信区间。我们还提出协变量调整，以处理剩余的协变量不平衡后重新随机化，它可以进一步提高抽样和估计精度。我们的工作允许在抽样、治疗分配和分析阶段协变量之间存在一般关系，并推广了经典随机化实验中的重新随机化（Morgan and Rubin 2012）和调查抽样中的拒绝抽样（Fuller 2009）。
2021-09-21 stat.AP stat.ME
Leveraging Covariates in Regression Discontinuity Designs
本文系统阐述了断点回归设计中协变量调整的三重作用：提升估计效率、揭示异质性政策效应及改变目标参数，并给出实证应用指导。
2025-07-18 econ.EM stat.AP
Covariate adjustment for linear models in estimating treatment effects in randomised clinical trials. Some useful theory to guide simulation
本文提出三方面系统评估随机临床试验中协变量调整的效应，重点推导VIF的方差公式，并通过模拟验证其预测准确性，为协变量调整提供理论指导。
2025-08-07 stat.ME
On the uncertainty from the first-stage estimation of prognostic covariate adjustment in randomized controlled trials
Tokyo Medical University（东京医科大学）
本文研究了随机对照试验中预后协变量调整第一阶段估计对变异估计的影响，推导了两种渐近方差并证明其相等，提出两种方差估计方法并进行了模拟和数据应用比较。
2026-08-07 stat.ME
CUPED on Steroids: Multivariate Covariate Adjustment for Switchback Experiments
该研究提出面向回退实验的扩展CUPED框架，结合多历史滞后项等协变量与交叉拟合，提升方差缩减效率，经模拟和纽约出租车出行数据验证可显著增强统计功效。
2026-08-26 stat.ME
Power-Optimal Covariate Adjustment for Switchback Experiments
DoorDash, Inc.（DoorDash公司）
针对集群规模不等的回切换实验，提出基于CUPAC的功率最优方差缩减方法，经蒙特卡洛模拟验证可提升统计功效。
2026-07-31 stat.ME
