Locally Private Online Quantile Regression: Estimation and Inference
York University（约克大学）；Shanghai University of Finance and Economics（上海财经大学）
研究单报告用户级ε-局部差分隐私协议下在线分位数回归的估计与推断。针对标准估计方程贡献耦合协变量与残差比较的难题，开发有限字母通道解决，建立相关性质，模拟等表明隐私预算增加时私有轨迹接近非私有在线参考。
2026-07-07 stat.ME stat.ML
A simple but powerful tail index regression
本文提出一种基于辅助线性回归模型的重尾分布条件尾部指数估计框架，利用普通最小二乘法等计量方法实现高效估计，具有良好的有限样本性质和实证相关性。
2024-09-20 econ.EM stat.ME
A unified analysis of regression adjustment in randomized experiments
回归调整在随机试验中被广泛应用，前提是它通常可以提高处理效应估计量的精度。然而，以前的工作表明，这并不总是正确的。为了进一步理解这一现象，我们发展了一类线性回归调整估计量的渐近方差的统一比较。我们的分析是基于具有异方差误差的线性回归的经典理论，因此并不假设假设的线性模型是正确的。对于一个完全随机化的二元处理，我们提供了充分条件，在此条件下，某些回归调整估计量保证比其他估计量更渐近有效。我们探索了其他设置，如一般的治疗分配机制和广义线性模型，并发现方差优势现象不再发生。
2022-10-09 stat.ME
Powerful nonparametric checks for quantile regression
我们解决了参数分位数回归的失拟检验问题。我们提出了一个简单的测试，涉及一维核平滑，使其检测本地替代品的速度是独立的协变量的数量。该检验具有渐近的高斯临界值，在小样本情况下，可以应用Wild Bootstrap方法得到更准确的检验结果。我们的程序似乎是有竞争力的，与现有的模拟。我们说明了我们的测试出生体重数据的有用性。
2014-06-12 math.ST stat.TH
Selective inference with a randomized response
受样本分裂和差分隐私领域中引入的可重用的holdout的启发，我们考虑了随机响应的选择性推理。我们讨论了两个主要的优势，使用随机响应模型选择。首先，选择性有效性检验在随机选择后更有效。其次，它允许一致的估计和弱收敛的选择性推理过程。在独立抽样下，我们证明了一个选择性（或私有化）的中心极限定理，转移程序有效的渐近正态性下，没有选择到相应的选择对应。这允许在非参数设置中进行选择性推断。最后，我们提出了一个框架的推理后，结合多个随机选择过程。我们专注于经典的渐近设置，留下有趣的高维渐近问题，为今后的工作。
2016-11-30 math.ST stat.TH
Randomized and Exchangeable Improvements of Markov's, Chebyshev's and Chernoff's Inequalities
本文提出马尔可夫、切比雪夫和切尔诺夫不等式的随机化与可交换改进，证明简短且更强，并应用于提升通用推断功效和构建更紧的置信区间。
2023-05-09 cs.IT math.IT math.PR
Functional regression with randomized signatures: An application to age-specific mortality rates
本文提出结合随机化签名的HUrs模型来预测特定年龄死亡率，该方法基于Johnson-Lindenstrauss引理以计算可行的方式近似高阶交互，在多国数据实验中表现优异，尤其适用于保加利亚和日本数据。
2025-03-05 stat.ME
Testing for Treatment Effect in Covariate-Adaptive Randomized Clinical Trials with Generalized Linear Models and Omitted Covariates
尽管在临床试验中广泛使用，但在协变量自适应随机化下，统计推断的有效性仍受到关注。在文献中，协变量自适应随机化下的推断性质主要针对连续响应进行了研究;特别是，众所周知，处理效应的常用双样本t检验通常是保守的，在这个意义上，实际检验大小小于标称水平。这种无效检验的现象也在没有调整协变量的广义线性模型中发现，有时由于膨胀的第一类错误而更令人担忧。本研究的目的是检查广义线性模型和协变量自适应随机化下处理效应的未校正检验。对于一大类协变量自适应随机化方法，我们得到了在原假设下检验统计量的渐近分布，并导出了检验是保守的、有效的或反保守的条件.详细讨论了几种常用的广义线性模型，如逻辑斯谛回归和泊松回归。还提出了一种调整方法，以实现一个有效的大小的渐近结果的基础上。数值研究证实了理论研究结果，并证明了所提出的调整方法的有效性。
2021-05-02 math.ST stat.ME stat.TH
Optimal subsampling for large scale Elastic-net regression
本文针对大规模弹性网回归提出一种基于A-最优性准则的随机化子抽样算法，利用alpha绝对值函数光滑逼近技术建立一致性分析、集中界与渐近正态性，并在合成与真实数据上验证其有效性。
2023-05-29 math.ST stat.TH
Comparing cluster-level dynamic treatment regimens using sequential, multiple assignment, randomized trials: Regression estimation and sample size considerations
可以使用患者级动态治疗方案来指导群集级的序贯、干预或治疗决策，以改善个体或患者级的结果。在集群级DTR中，干预或治疗可能会随着时间的推移而调整和重新调整，这是基于可能受到先前干预影响的集群变化，包括基于组成它的个体或患者的综合指标。随机化随机序贯多分配随机试验（SMART）可用于回答阻止科学家开发高质量集群级DTR的多个开放性问题。在群集随机化SMART中，顺序随机化发生在群集水平，结局在个体水平。这篇文章对集群随机SMART的设计和分析做出了两个贡献：首先，提出了一种加权最小二乘回归方法，用于比较嵌入SMART的集群级DTR之间的患者水平结果的均值。回归方法便于使用基线协变量，这在聚类水平试验的分析中通常是至关重要的。其次，当主要目的是连续患者水平结局均值的DTR间比较时，推导出两种常见群集随机SMART设计的样本量计算器。这些方法的动机是有效程序试验的自适应实施，据我们所知，这是精神病学中第一个集群随机SMART。
2016-07-14 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 gradient complexity of linear regression
Princeton University（普林斯顿大学）；Google AI Princeton（谷歌AI普林斯顿）；UC Berkeley（加州大学伯克利分校）；Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）
我们调查的计算复杂性的几个基本的线性代数原语，包括最大的特征向量计算和线性回归，在计算模型，允许访问的数据，通过矩阵向量产品的oracle。我们表明，多项式的准确性，$Θ(d)$调用的Oracle是必要的和足够的，即使是一个随机算法。我们的下界是基于减少估计随机Wishart矩阵的最小特征值。这个简单的分布使得能够利用随机Wishart集合的一些关键属性来进行简洁的证明。
2021-05-23 cs.DS cs.LG math.OC
Sharp analysis of sketched least squares and randomized low-rank approximation
University of California Berkeley（加州大学伯克利分校）；University of California San Diego（加州大学圣迭戈分校）
本文研究了sketched least squares和randomized low-rank approximation中最优随机嵌入及其最紧误差界的问题，证明了正交矩阵在sketch-and-solve算法中是最小最大最优，而任何旋转不变嵌入在randomized SVD中也是最小最大最优，并通过实验证实了不同随机嵌入在实践中具有相似的准确性。
2026-08-04 cs.NA math.NA stat.CO
Cross-Validation and Uncertainty Determination for Randomized Neural Networks with Applications to Mobile Sensors
Institute of Statistics, RWTH Aachen University（亚琛工业大学统计研究所）；Forschungszentrum Jülich, Institut für Energie- und Klimaforschung, IEK-5（于利希研究中心能源与气候研究所 IEK-5）
随机人工神经网络如极限学习机为有限计算资源下的监督学习和绿色机器学习提供了一种有吸引力和有效的方法。这尤其适用于为移动设备（传感器）配备弱人工智能时。结果讨论了监督学习与这样的网络和回归方法的一致性和范围的推广和预测误差。特别是，最近的一些结果进行了审查，解决学习与移动传感器采样的数据，导致非平稳和相关的样本。由于随机网络导致随机的样本外性能指标，我们研究了一种交叉验证方法来处理随机性，并利用它来提高样本外性能。此外，计算有效的方法来确定所产生的不确定性的平均样本外预测误差的置信区间的基础上讨论了两阶段估计。该方法被应用到车辆集成photochemics中出现的预测问题。
2021-01-06 cs.LG eess.SP stat.AP
Unbiased Regression-Adjusted Estimation of Average Treatment Effects in Randomized Controlled Trials
Massachusetts Institute of Technology（麻省理工学院）
本文提出留一法回归调整（LOORA）方法，用于估计随机对照试验中的平均处理效应。LOORA在有限样本中消除传统回归调整的偏差，提供精确的方差公式，并在大样本中与Lin（2013）的回归调整估计量方差匹配，同时保持无偏性。
2026-05-07 econ.EM stat.ME
High-dimensional regression adjustments in randomized experiments
我们研究了高维协变量信息随机实验中的治疗效果估计问题，并表明，基本上任何风险一致的回归调整可以用来获得有效估计的平均处理效应。我们的研究结果大大扩展了高维回归调整的设置范围，保证提供有效的推断人口平均处理效应。然后，我们提出了交叉估计，一个简单的方法来获得有限样本无偏的处理效应估计，利用高维回归调整。我们的方法可以使用时，回归模型估计使用套索，弹性网，子集选择等，最后，我们扩展我们的分析，允许自适应规格搜索通过交叉验证，灵活的非参数回归调整与机器学习方法，如随机森林或神经网络。
2016-10-27 stat.ME stat.ML
A residual for outlier identification in zero adjusted regression models
零调整回归模型用于拟合在零处离散且在正实数的某个间隔处连续的变量。这些模型中的诊断分析通常使用随机分位数残差进行，这对于检查零调整回归模型的总体充分性非常有用。然而，它可能无法识别一些离群值。在这项工作中，我们介绍了零调整回归模型中的异常识别残差。蒙特卡罗模拟的研究和应用表明，这里介绍的残差具有良好的性能，并检测离群值，不确定的随机分位数残差。
2018-12-18 stat.ME
A Bayesian Nonparametric Causal Model for Regression Discontinuity Designs
对于非随机化研究，在相对温和的条件下，回归不连续设计（RDD）可用于识别和估计“局部随机化”受试者亚组的因果效应。然而，当前模型通过线性回归将因果推断集中在治疗（与非治疗）变量对因变量均值的影响上。对于RDD，我们提出了一个灵活的贝叶斯非参数回归模型，可以提供准确的估计因果关系的影响，在预测均值，方差，分位数，概率密度，分布函数，或任何其他选择的功能的结果变量。我们通过两个真实的教育数据集的分析来说明该模型，涉及（分别）一个清晰的RDD和一个模糊的RDD。
2015-02-11 stat.ME
The Triply-Randomized Negative Binomial Beta for Robust Regression and Conjugate Models of Bounded Support Data
University of Chicago（芝加哥大学）；Data Science Institute, University of Chicago（芝加哥大学数据科学研究所）
提出三重随机负二项贝塔分布（TNBbeta），通过随机化标准贝塔分布的参数，解决其对异常值敏感、无法处理零观测及缺乏共轭先验的问题，并利用Pólya-gamma增广实现高效吉布斯采样。
2026-06-11 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
An Empirical Likelihood Approach to Nonparametric Covariate Adjustment in Randomized Clinical Trials
协变量调整是随机临床试验和观察性研究分析的重要工具。它可以用来提高效率，从而提高功率，并减少可能的偏差。虽然随机临床试验中的大多数统计检验本质上是非参数的，但协变量调整方法通常依赖于特定的回归模型，例如连续结局的线性模型、二分结局的逻辑斯谛回归模型和生存时间的Cox模型。最近的几项工作集中在无模型协变量调整。本文利用经验似然方法，提出了一种协变量调整的非参数方法。新方法的一个主要优点是，它可以自动利用协变量信息的最佳方式，而无需拟合非参数回归。通常的渐近性质，包括Wilks型的结果收敛到一个χ 2分布的经验似然比为基础的测试，和相应的最大经验似然估计的渐近正态性，建立。它还表明，由此产生的测试是渐近最强大的，估计的处理效应达到半参数效率界。新方法应用于全球使用策略打开闭塞的冠状动脉（GUSTO）-I试验。进行了大量的模拟，验证了理论研究结果。
2011-08-02 stat.ME
Two-Stage Penalized Regression Screening to Detect Biomarker-Treatment Interactions in Randomized Clinical Trials
University of Cambridge（剑桥大学）；Newcastle University（纽卡斯尔大学）
在随机临床试验中，越来越多地测量基因组学等高维生物标志物。因此，人们对开发提高检测生物标志物-治疗相互作用的能力的方法越来越感兴趣。我们适应最近提出的两阶段的相互作用检测程序在随机临床试验的设置。我们还提出了一个新的阶段1多变量筛选策略，使用岭回归来解释生物标志物之间的相关性。对于这个多变量筛选，我们证明了渐进的阶段间的独立性，所需的家庭明智的错误率控制，生物标记治疗的独立性。模拟结果表明，在各种情况下，岭回归筛选程序可以提供比传统的一次一个生物标志物的筛选程序在高度相关的数据显著更大的功率。我们还在两个实际的临床试验数据应用中验证了我们的方法。
2021-04-28 cs.LG q-bio.QM stat.ME
Exact Bias Correction for Linear Adjustment of Randomized Controlled Trials
Freedman（2008）在一个有影响力的实证实践批判中指出，在随机化模型下，线性回归估计量在分析随机对照试验时存在偏倚。根据Freedman的假设，我们推导出精确的闭合形式的偏差校正的线性回归估计和不治疗的协变量的相互作用。我们证明了偏差校正估计量的极限分布与未校正估计量的极限分布是相同的，这意味着可以在不引入任何偏差风险的情况下获得调整的渐近增益。结合Lin（2013）的结果，我们的结果表明，Freedman反对使用回归调整的理论论点可以通过对实践的微小修改而完全解决。
2021-10-25 econ.EM stat.ME
Penalized Likelihood Regression in Reproducing Kernel Hilbert Spaces with Randomized Covariate Data
经典的惩罚似然回归问题处理的情况下，独立的变量数据是确切已知的。然而，在实践中，观察具有不完整协变量信息的数据是常见的。我们关注的是一个非常重要的情况，其中一些观测值并不代表确切的协变量信息，而只是一个概率分布。在这种情况下，最大惩罚似然法仍然可以用来估计回归函数。我们首先证明了极大惩罚似然估计在一个温和的条件下存在。在计算中，我们提出了一个降维技术，以尽量减少惩罚的可能性，并推导出一个广义近似交叉验证（GACV）选择平滑参数。我们的方法被扩展到处理更复杂的不完全数据问题，如协变量测量误差和部分缺失的协变量。
2010-08-02 stat.AP stat.ME
A decorrelation method for general regression adjustment in randomized experiments
本文提出一种去相关回归调整方法，用于设计基设定下估计平均处理效应，规避标准方法因样本重用导致的偏差，并提供渐近与非渐近保证，在高维和非参数问题中展现改进的样本复杂度和放宽的假设。
2023-11-16 math.ST stat.ME stat.TH
Doubly Robust Quadratic Inference Functions for Causal Inference in Cluster Randomized Trials
University of Michigan（密歇根大学）
提出双重稳健二次推断函数（DR-QIF）估计量，结合倾向得分和结果回归模型，在整群随机试验中处理协变量不平衡，当任一模型正确指定时一致估计平均处理效应，且在错误指定工作相关结构时比双重稳健GEE更有效。
2026-06-26 stat.ME
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。
2025-01-14 econ.EM math.ST stat.ME
On the implied weights of linear regression for causal inference
观察性研究设计的一个基本原则是近似于在受控环境下进行的随机实验。目前，线性回归模型常用于分析观测数据和估计因果效应。观察性研究中的线性回归调整如何模拟随机化实验的关键特征，如协变量平衡、自加权抽样和研究代表性？在本文中，我们通过分析线性回归方法的隐含（个体水平数据）权重来回答这个问题和相关问题。我们推导出新的封闭形式的权重表达式，并在有限和渐近制度检查其属性。我们证明了一般回归问题的隐含权可以等价地通过求解一个凸优化问题得到。其中，我们研究了双重和多重稳健性回归估计的角度来看，其隐含的权重。这种等价性使我们能够从回归建模和因果推断文献中桥接思想。因此，我们提出了新的回归诊断的因果推断的一部分，设计阶段的观察性研究。作为特殊情况，我们分析了在常见的设置，如多值处理和匹配后的回归调整隐含的权重。我们在R的新lmw包中实现了权重和诊断。
2022-07-07 stat.ME
Neumann-series corrections for regression adjustment in randomized experiments
University of California, Davis（加州大学戴维斯分校）
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
Bridging Stratification and Regression Adjustment: Batch-Adaptive Stratification with Post-Design Adjustment in Randomized Experiments
University of Chicago（芝加哥大学）
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
More Powerful Multiple Testing in Randomized Experiments with Non-Compliance
在随机实验分析中提出的两个常见问题是（i）适当处理不合规问题，以及（ii）适当调整多个测试（例如，多个结果或亚组）。虽然简单意向治疗（ITT）和Bonferroni方法在第一类错误方面是有效的，但它们都可能导致功效的大幅损失;当同时使用这两种方法时，总损失可能是严重的。存在解决每个问题的替代方案。在这里，我们提出了一种分析方法的实验，涉及这两个功能，合并后的预测$p$ -值与随机化为基础的多重比较调整复杂的因果效应，结果是有效的familywise测试，是双重有利的：更强大的比那些基于标准的ITT统计和那些使用传统的多重比较调整。我们的方法的操作特性和优势，证明通过一系列的模拟实验和分析的美国就业培训合作法案（JTPA）的研究，我们的方法导致不同的结论，估计JTPA的影响的意义。
2016-05-24 stat.AP stat.ME
Model diagnostics for censored regression via randomized survival probabilities
正态回归中的残差用于评估模型的拟合优度（GOF）并发现改进模型的方向。然而，在截尾回归中缺少具有特征参考分布的残差。在本文中，我们提出了诊断删失回归与归一化随机生存概率（RSP）。RSP的核心思想是用一个介于0和截尾时间的生存概率之间的均匀随机数来代替截尾时间的生存概率。我们证明了在真实模型下，在真实生成参数下，RSP在$(0,1)$上总是均匀分布的。因此，我们可以用正态分位数函数将RSP转换成正态分布的残差。我们将这种残差称为归一化RSP（NRSP残差）。我们进行了模拟研究，调查的大小和权力的统计检验的基础上NRSP残差检测不正确的选择分布族和协变量的非线性效应。我们的模拟研究表明，虽然用NRSP残差的GOF测试不如传统的GOF测试方法强大，但基于NRSP残差的非线性测试在检测非线性方面具有显着更高的功率。我们还将这些模型诊断方法与乳腺癌无复发时间数据集进行了比较。结果表明，NRSP残差诊断成功地捕获了数据集中的微妙的非线性关系，这是没有检测到的图形诊断与CS残差和现有的GOF测试。
2022-01-01 stat.CO stat.ME
Randomized Predictive P-values: A Versatile Model Diagnostic Tool with Unified Reference Distribution
检查残差，如皮尔逊和偏差残差，是评估正态回归的标准工具。然而，对于离散响应，这些残差聚集在对应于不同响应值的线上。它们的分布远离正态性;这些残差的图形和定量检查为模型诊断提供了很少的信息。Marshall和Spiegelhalter（2003）定义了用于识别离群值的交叉验证预测p值。连续响应的预测p值均匀分布，但离散响应的预测p值不均匀分布。我们建议使用随机预测p值（RPP）来诊断具有离散响应的模型。RPP可以转化为具有正态分布的“残差”，我们称之为NRPP。NRPP可以用来诊断所有的回归模型与标量响应使用相同的方式诊断正常回归。NRPP与Dunn和Smyth（1996）提出的随机分位数残差（RQR）几乎相同，但统计学家对此知之甚少。本文从RPP的角度对RQR进行了阐述。本文的贡献包括：（1）给出了真实模型下RPP一致性的严格证明，并举例说明了真实模型下RPP的一致性：（2）进行了大量的模拟研究，证明了真实模型下NRPP的正态性;（三）我们的模拟研究还表明，NRPP方法是一种通用的诊断工具，可以用来检测由于缺乏复杂性NRPP的有效性进一步证明了健康利用数据集。
2019-01-17 stat.ME
Regression adjustment in covariate-adaptive randomized experiments with missing covariates
本研究针对协变量自适应随机化试验中协变量缺失问题，结合常用缺失处理与回归调整方法，推导估计量的渐近性质及一致方差估计，并通过数值研究提供建议，且结论在模型误设下仍有效。
2025-08-13 math.ST stat.ME stat.TH
A Bayesian Nonparametric Hypothesis Testing Approach for Regression Discontinuity Designs
非连续回归设计是非随机研究中常用的因果推断方法。这是因为它可用于在温和条件下识别和估计因果效应。具体而言，对于每例受试者，研发设计根据分配变量的观察值是否超过固定和已知的临界值分配治疗或非治疗。在本文中，我们提出了一个贝叶斯非参数回归建模方法的RD设计，它利用了当地的随机化功能。在这种方法中，分配变量被视为协变量，标量值混杂变量被视为因变量（可能是多变量混杂评分）。然后，在模型的局部随机化受试者的后验分布上，通过治疗结局和非治疗结局的两组统计学比较，在该随机群内进行因果效应的推断。我们通过对一个真实的教育数据集的分析，说明贝叶斯非参数方法，调查基本技能和教学能力之间的因果关系。
2014-02-09 stat.ME
Notes on Causation, Comparison, and Regression
本文针对非实验因果推断，提出诊断线性回归逼近随机实验特征的方法，并强调回归建模、加权与匹配等替代方案的实证价值。
2024-01-28 stat.AP stat.ME
Inconsistent treatment estimates from mis-specified logistic regression analyses of randomized trials
当临床试验中治疗之间的差异通过平均值差异估计时，众所周知，随机化可确保无偏估计，即使不考虑重要的基线协变量。然而，当通过其他总结评估治疗效果时，例如，如果结局为二元，则通过比值比评估，如果忽略某些协变量，则可能会出现偏倚，无论治疗分配是否使用随机化或试验规模如何。当逻辑斯谛回归中忽略了重要的正态分布协变量时，我们给出了这种渐近偏差的精确闭合形式近似。我们比较这种近似与文献中的，并得出更方便的形式，这些现有的结果。这些表达式可以深入了解偏差的形式，模拟显示其可用于正态分布以外的分布。即使模型中存在额外的二元协变量，关键结果也适用。
2014-07-21 math.ST stat.ME stat.TH
Sharp Bounds on the Variance of General Regression Adjustment in Randomized Experiments
Columbia University（哥伦比亚大学）
针对随机实验中平均处理效应估计量方差无法识别、传统估计存在向上偏倚的问题，本文拓展已有研究，基于经验过程理论给出一般回归调整的渐近精确方差界，并通过模拟和多学科实证验证了其在线性回归调整中的应用优势。
2026-10-23 math.ST stat.ME stat.TH
Propensity Score Weighting for Covariate Adjustment in Randomized Clinical Trials
基线特征的机会不平衡在随机临床试验中很常见。回归调整（如协方差分析（ANCOVA））通常用于解释失衡并提高处理效应估计的精度。一种客观的替代方法是通过倾向得分的逆概率加权（IPW）。虽然IPW和ANCOVA是渐近等价的，但前者在有限样本中可能表现出较差的性能。本文指出IPW是一般平衡权重的一种特殊情况，并提倡使用重叠加权（OW）进行协变量调整。OW方法具有独特的优点，当通过逻辑斯谛回归估计倾向得分时，完全消除了机会不平衡。我们发现，OW估计达到相同的半参数方差下界的最有效的ANCOVA估计和IPW估计的连续结果，并获得封闭形式的方差估计OW估计时，估计加性和比率被估量。通过大量的模拟，我们证明了OW在有限样本中始终优于IPW，并且当处理效应异质性程度为中等或结果模型指定不正确时，OW的效率优于ANCOVA和增强的IPW。我们将建议的OW估计应用于最佳呼吸暂停干预研究（BestAIR）随机试验，以评估持续气道正压通气对患者健康结局的影响。所有讨论的倾向得分加权方法都在R包PSweight中实现。
2020-08-12 stat.ME
Misspecified regressions with mixed regressors: robust inference and causal interpretation
University of Southern California（南加州大学）；UC Berkeley（加州大学伯克利分校）
研究在含随机与固定成分的混合回归变量且模型可能误设情况下的回归问题，通过建立估计方程一般结果分析误设线性回归，专注回归系数与标准误差因果解释，还从独立数据扩展到聚类数据。
2026-07-13 econ.EM math.ST stat.ME
Model-assisted analyses of cluster-randomized experiments
由于其后勤便利性和政策相关性，随机化实验被广泛使用。为了正确地分析它们，我们必须解决这样一个事实，即治疗是在集群级别而不是个体级别分配的。标准的分析策略是基于个体数据、聚类平均值和聚类总数的回归，这些数据在聚类大小不同时会有所不同。这些方法通常是由具有强有力且无法验证的假设的模型驱动的，并且它们之间的选择可能是主观的。在没有任何结果建模假设的情况下，我们从基于设计的角度评估这些回归估计值和相关的稳健标准误，其中只有治疗分配本身是随机的，并由实验者控制。我们证明了基于聚类平均值的回归以加权平均处理效应为目标，基于个体数据的回归在效率方面是次优的，基于聚类总数的回归在大量聚类的情况下是一致的并且更有效。我们强调了协变量在提高估计效率方面的关键作用，并通过模拟研究和数据分析说明了效率增益。此外，我们表明，稳健的标准误是方便的近似真正的渐近标准误下基于设计的角度。我们的理论甚至在结果模型被错误指定时也成立，因此它是模型辅助的而不是基于模型的。我们还将理论扩展到更广泛的加权平均处理效应。
2021-08-05 math.ST stat.ME stat.TH
Anytime-Valid Linear Models and Regression Adjusted Causal Inference in Randomized Experiments
Netflix；Ross School of Business（罗斯商学院）；Microsoft（微软）；Harvard School of Business（哈佛商学院）
本文提出任意时间有效的线性模型推断方法，通过序列化检验和置信集实现统一的误差控制，结合贝叶斯和频数派最优性，用于随机对照试验中的因果推断，提升A/B测试的实用性。
2025-07-07 math.ST stat.ME stat.TH
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
Robustness and Efficiency of Rosenbaum's Rank-based Estimator in Randomized Trials: A Design-based Perspective
Stanford University（斯坦福大学）；University of Chicago（芝加哥大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Columbia University（哥伦比亚大学）
本文研究了罗森鲍姆基于秩的估计量在随机试验中的稳健性和效率，提出回归调整方法并证明其在特定条件下效率不低于未调整方法。
2026-02-06 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
Restricted mean survival time estimate using covariate adjusted pseudovalue regression to improve precision
针对事件时间分析中协变量调整的难题，提出基于协变量调整伪值回归的RMST组间差异估计方法，可提升估计精度、控制I类错误，还能在不损失统计功效的前提下缩小随机研究样本量。
2023-07-19 stat.AP stat.ME
Prognostic Covariate Adjustment for Logistic Regression in Randomized Controlled Trials
本文针对二分类终点 RCT 中 Logistic 回归的非可折叠性问题，提出基于生成式 AI 预后评分的协变量调整方法，并结合 g-computation 提升条件与边际因果效应推断的功效和精度。
2024-02-29 stat.AP stat.ME stat.ML
Modern Subsampling Methods for Large-Scale Least Squares Regression
二次抽样方法的目的是选择一个子样本作为观察样本的替代品。作为大规模数据分析的一种有效方法，各种子采样方法被用来进行更有效的系数估计和模型预测。本文介绍了基于大规模最小二乘估计的几种最前沿的子采样方法。介绍了两类主要的二次抽样方法，分别是随机二次抽样方法和最优二次抽样方法。前者的目的是开发一个更有效的数据依赖的抽样概率，而后者的目的是选择一个确定性的子样本按照一定的最优性标准。提供了真实数据的例子来比较这些方法的经验，尊重的估计精度和计算时间。
2021-05-04 stat.ME
A comparison of methods for designing hybrid type 2 cluster-randomized trials with continuous effectiveness and implementation endpoints
Yale University（耶鲁大学）
本文比较了混合类型2试验中连续有效性与实施终点的五种设计方法，通过理论和数值分析发现不同方法在不同条件下对统计功效的影响，为实际应用提供指导。
2026-05-14 stat.AP stat.ME
Modeling Covariate Transition for Efficient Estimation of Longitudinal Treatment Effects in Randomized Experiments
SANKEN, The University of Osaka, Osaka, Japan.（大阪大学SANKEN分校）；CyberAgent, Inc., Tokyo, Japan（日本东京CyberAgent公司）；Keio University, Tokyo, Japan.（东京大学）
提出一种回归调整框架，通过建模协变量转移来估计随机实验中的纵向处理效应，并实现渐近正态性和半参数有效性。
2026-05-29 cs.LG econ.EM math.ST
A Weighted Prognostic Covariate Adjustment Method for Efficient and Powerful Treatment Effect Inferences in Randomized Controlled Trials
本文提出加权预后协变量调整方法（Weighted PROCOVA），利用数字孪生生成器同时调整回归模型的均值和方差以解决异方差性问题，从而在随机对照试验中实现无偏、高效且更强效的治疗效应推断。
2023-09-25 stat.AP stat.ME stat.ML
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
CauchyCP: a powerful test under non-proportional hazards using Cauchy combination of change-point Cox regressions
针对非比例风险数据，提出CauchyCP检验，结合变点Cox回归的Cauchy组合，在控制I类错误、提高功效和计算效率上优于现有方法，并已在CRAN发布R包。
2020-12-31 q-bio.GN stat.AP stat.ME
