Assessing the commonly used assumptions in estimating the principal causal effect in clinical trials
在临床试验中，通常需要了解主要因果效应（PCE），即主要分层（由一个或多个基线后变量的潜在结局定义的患者子集）的平均处理效应。常用的假设包括单调性、主可重复性、主可重复性和主层独立性的跨世界假设。在这篇文章中，我们通过一项2 $\times$ 2交叉研究来评估这些假设，在该研究中，只要没有遗留效应和研究期效应，就可以观察到两种治疗的潜在结局。从这个例子来看，似乎单调性假设和治疗内主要可重复性假设并不成立。另一方面，以基线协变量为条件的跨世界主要可解释性和跨世界主要阶层独立性的假设似乎是合理的。在后一种假设下，我们估计了PCE，其定义为每个治疗阶段的血糖标准差是否增加，而不依赖于交叉特征，产生的估计值接近利用交叉特征时的结果。据我们所知，这篇文章是第一次尝试使用交叉试验来评估用于估计PCE的常用假设的可行性。
2022-10-04 stat.AP stat.ME
Characterizing Survivor Principal Strata Over Time: Identification, Efficient Estimation, and Sensitivity Analysis
Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学彭博公共卫生学院）；Massachusetts General Hospital（麻省总医院）；University of Michigan（密歇根大学）
针对纵向研究中幸存者层随时间变化的问题，提出用标准化均值差和KL散度刻画幸存者与基线人群的协变量差异，给出高效估计与敏感性分析，提升幸存者分析的可解释性。
2026-09-30 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
Frequentist analysis of basket trials with one-sample Mantel-Haenszel procedures
分子靶向肿瘤药物开发的最新实质性进展需要早期临床试验方法的新范例，以使我们能够同时有效地评估几种亚型的疗效。篮子试验的概念越来越受到关注，以实现跨子类型（称为篮子）借用信息的要求。贝叶斯方法是一种自然的方法，事实上，大多数现有的建议都依赖于它。另一方面，它需要复杂的建模，并且不一定将第一类错误概率控制在名义水平。在本文中，我们开发了一个纯粹的频率论方法篮子试验的基础上，单样本Mantel-Haenszel程序依赖于一个非常简单的想法，借用信息下的共同处理效应假设篮子。我们证明了所提出的估计是一致的两个限制模型的大地层和稀疏数据限制模型（双重一致），并提出双重一致的方差估计。建议的Mantel-Haenszel估计是可解释的，即使违反了常见的治疗假设。然后，我们可以设计一篮子试验，在一个验证性的问题。我们还提出了一个信息准则的方法来确定有效的篮子子类。
2023-02-16 stat.ME
Uncovering Treatment Effect Heterogeneity in Pragmatic Gerontology Trials
Yale School of Public Health（耶鲁大学公共卫生学院）；Yale School of Medicine（耶鲁大学医学院）；Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）
本研究利用BART方法揭示了实用老年学试验中治疗效应的异质性，发现尽管整体效应为零，某些子群体仍存在生活质量差异。
2026-01-07 stat.AP stat.ME
A Bayesian Machine Learning Approach for Estimating Heterogeneous Survivor Causal Effects: Applications to a Critical Care Trial
本文提出基于 BART 的贝叶斯机器学习方法，在结局截断下估计始终幸存者的平均与异质性因果效应，并经 ARMA 试验和模拟验证其获益、异质性来源及更低偏差。
2023-06-20 stat.AP
Utility-based optimization of Fujikawa's basket trial design -- Pre-specified protocol of a comparison study
该研究为篮子试验设计调优参数选择的比较研究制定预注册方案，计划通过模拟与数值计算，探究效用函数量化检验效能与I类错误膨胀权衡、数值优化算法优化效用函数的应用。
2024-05-17 stat.AP stat.ME
Propensity Score Methods for Merging Observational and Experimental Datasets
该项目考虑如何用来自观察数据库（ODB）的更丰富的数据来增加来自随机对照试验（RCT）的有限数量的数据，以估计因果效应。在我们的激励设置中，ODB具有更好的外部效度，而RCT具有真正的随机化。我们使用ODB中的倾向得分定义的分层。将来自RCT的受试者置于根据其在ODB中的倾向定义的分层中。我们的第一种方法简单地将RCT数据添加到相应的ODB层中。我们的第二种方法采用每个层内ODB和RCT处理效应估计的数据驱动凸组合。使用delta方法和模拟，我们表明，当RCT协变量来自与ODB相同的分布时，spike-in方法效果最好。我们的凸组合方法比基于协变量的纳入标准更稳健，该纳入标准会使RCT数据产生偏倚。我们将我们的方法应用于妇女健康倡议的数据，这是一项对数千名绝经后妇女的研究，其中包括关于激素治疗（HT）的观察和实验数据。使用一半的随机对照试验来定义一个金标准，我们发现，一个版本的峰值估计产生稳定的估计的因果关系的影响HT对冠心病。
2018-10-21 stat.ME
Data Integration for Estimating Subgroup-Specific Conditional Average Treatment Effects (CATEs) Using Coarsened External Information in Randomized Trials
University of Michigan（密歇根大学）；Yale University（耶鲁大学）
本文提出一种新型James-Stein估计器，通过利用粗化外部估计提高内部研究中细分子组CATEs的估计，同时处理不同人群边际CATEs的不兼容性。
2026-04-22 stat.ME
How to optimize dynamic borrowing in basket trials - A utility-based framework and results of a comparison study
Institute of Medical Biometry, Heidelberg University（海德堡大学医学生物统计研究所）；Institute of Mathematics, Clausthal University of Technology（克劳塔尔工业大学数学研究所）
本文提出基于效用函数的框架优化 basket 试验的动态借用，通过比较研究分析优化算法可靠性、效用函数统计性能，证明该类试验无一致最优势检验，需透明优化流程。
2026-08-04 stat.AP stat.ME
Sequential knockoffs for continuous and categorical predictors: with application to a large Psoriatic Arthritis clinical trial pool
Knockoffs提供了一个通用框架，用于在执行变量选择时控制错误发现率。许多仿制品的文献集中在理论上的挑战，我们认识到需要把一些目前的想法付诸实践。在本文中，我们提出了一个连续的和分类（因子）变量组成的基础数据时，生成仿冒品的顺序算法。此外，我们提出了一个启发式的多个山寨的方法，提供了一个实际的评估如何强大的山寨选择过程是一个给定的数据集。我们进行了广泛的模拟，以验证所提出的方法的性能。最后，我们证明了该方法的实用性，在一个大型的临床数据库中，超过$2,000$患者银屑病关节炎的4个临床试验中评估的IL-17 A抑制剂，阿基诺单抗（Cosentyx），我们确定了一个良好的临床结果的预后因素。本文中提出的分析可以提供广泛的应用，以常见的数据集在医疗实践和其他领域的变量选择是特别感兴趣的。
2020-10-27 stat.AP stat.ME
Doubly robust machine learning for an instrumental variable study of surgical care for cholecystitis
本文针对急性胆囊炎手术与非手术治疗的比较效果问题，提出基于双重稳健机器学习的工具变量估计方法，并扩展至异质性效应、主层分析和假设敏感性评估。
2023-07-12 stat.AP stat.ME
Combining BART and Principal Stratification to estimate the effect of intermediate on primary outcomes with application to estimating the effect of family planning on employment in sub-Saharan Africa
本文结合BART和主效应分层法估计家庭计划对就业的影响，通过模拟研究和实证数据验证了该方法在非参数假设下的有效性。
2026-03-29 stat.AP stat.ME
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
Discretization in covariate-adaptive randomization: gains and losses
George Washington University（乔治华盛顿大学）
本文研究协变量自适应随机化中连续协变量离散化的影响，提出设计阶段离散化可增强稳健性，但已知模型时按模型平衡更高效，并通过模拟和糖尿病数据验证。
2026-09-11 stat.ME
Doubly cross-fit debiased machine learning of heterogeneous treatment effects under principal stratification
Yale School of Public Health（耶鲁公共卫生学院）
针对主分层框架中处理效应异质性研究不足的问题，提出双重交叉拟合双稳健机器学习方法，结合主可忽略性和比值比敏感性参数化，估计条件主因果效应，并建立理论保证。
2026-07-09 stat.ME stat.ML
Vaccine efficacy for binary post-infection outcomes under misclassification without monotonicity
提出一种非参数点识别方法，在无需单调性假设且允许测量误差的情况下，利用地理分散试验和预处理协变量识别疫苗对感染及感染后结局的主效应，并支持多处理场景。
2024-09-19 math.ST stat.AP stat.ME
Designing Experiments Toward Shrinkage Estimation
我们考虑如何利用越来越多的观察数据来改进随机对照试验（RCT）的设计。我们试图设计一个前瞻性随机对照试验，目的是使用经验贝叶斯估计量来缩小我们试验的因果估计量，使其接近从观察性研究中获得的因果估计量。我们问：我们如何设计实验以更好地补充这种环境下的观察性研究？我们建议使用一个估计，缩小RCT因果估计的每个组成部分向其观测对应的一个因素成比例的方差。首先，我们证明了这个估计的风险可以通过数值积分有效地计算。然后，我们提出了算法，以确定最佳分配的单位层（最好的“设计”）。我们考虑三种选择：奈曼分配;一种是“朴素”设计，假设观察性研究中没有未测量的混杂因素;另一种是“防御性”设计，解释了我们从观察性研究中获得的不完美的参数估计值，以及未测量的混杂因素。我们也结合敏感性分析的结果，以建立护栏的设计，使我们的实验可以合理地分析有和没有收缩。我们证明了这些试验设计的优越性与一个罕见的，二元结果的模拟研究，涉及因果推断。
2022-04-14 stat.ME
Causal Inference with Outcomes Truncated by Death and Missing Not at Random
本文研究结局因死亡截断且缺失非随机情形下的因果推断，提出利用代理变量识别幸存者子群体中的平均治疗效应，并给出估计方法与非参数界。
2025-07-04 stat.AP stat.ME
A Conway-Maxwell-Multinomial Distribution for Flexible Modeling of Clustered Categorical Data
本文提出Conway-Maxwell多项分布用于灵活建模具有正关联或负关联的聚类分类数据，研究其性质、最大似然估计方法及小样本表现，并通过数据分析示例验证模型有效性。
2019-11-05 stat.ME
The potential for bias in principal causal effect estimation when treatment received depends on a key covariate
受潜在结局观点的启发，主要分层的想法因其在易受治疗后选择偏倚影响的环境中的相关性而得到广泛认可，例如随机临床试验，其中接受的治疗可能与分配的治疗不同。在这样的设置，我们解决微妙的因果关系的影响时，使用一个关键的协变量来预测成员在潜在的主要阶层的推断。我们发现，当接受的治疗可以不同于两个研究组中分配的治疗时，纳入分层预测协变量可以从具有不同协变量分布的两个治疗组中的观察结果中估计“符合者平均因果效应”（CACE）。采用贝叶斯的观点，并使用马尔可夫链蒙特卡罗计算，我们开发后验检查，其特征在于将预处理协变量的程度危及估计的CACE。我们应用该方法分析了一项临床试验，比较了两种治疗颌骨骨折的方法，其中研究方案允许外科医生根据他们的临床判断否决两种可能的随机治疗分配，并且数据包含一个关键协变量（损伤严重程度）预测接受的治疗。
2011-11-07 stat.AP
Approximate Bayesian Bootstrap Procedures to Estimate Multilevel Treatment Effects in Observational Studies with Application to Type 2 Diabetes Treatment Regimens
随机临床试验被认为是估计因果关系的金标准。然而，在旨在检查干预措施的不良影响的研究中，由于伦理和经济方面的考虑，此类试验往往不切实际。在观察性研究中，广义倾向得分的匹配被提出作为估计多种干预措施的处理效应的可能解决方案。然而，这些匹配程序的点估计和区间估计的推导可能会变得复杂，具有非连续或删失的结果。我们提出了一种新的近似贝叶斯Bootstrap算法，导致统计上有效的点和区间估计的处理效应与分类结果。该程序依赖于估计的广义倾向得分，并对每个单元的未观察到的潜在结局进行多重插补。此外，我们描述了一个相应的解释敏感性分析，以检查unconfoundedness假设。我们应用这种方法在一个大型观察性数据库中检查2型糖尿病常见的真实抗糖尿病治疗方案的心血管安全性。
2020-01-17 stat.ME
Principal Stratum Strategy: Potential Role in Drug Development
本文探讨主分层策略在药物开发中的应用，说明其可更透明地处理随机化后并发事件所定义的亚群因果问题，并概述所需假设及敏感性分析的重要性。
2021-02-08 stat.AP
Progression models for repeated measures: Estimating novel treatment effects in progressive diseases
重复测量的混合模型（MMRM）在临床试验结果分析中是普遍存在的。然而，这些模型中固定效应结构的线性在很大程度上限制了其用于估计处理效应（定义为结局量表上效应的线性组合）。在某些情况下，处理效应的替代量化可能更合适。例如，在进行性疾病中，人们可能希望估计药物是否具有累积效应，从而导致随着时间的推移而增加疗效，或者是否减缓疾病的时间进展。本文介绍了一类非线性混合效应模型，称为重复测量的进展模型（PMRM），基于MMRM的分类时间参数化的连续时间扩展，能够估计新类型的处理效应，包括减缓或延迟疾病的时间进展的措施。与处理效应的常规估计值相比，其中单位与结局量表的单位匹配（例如，认知量表上的2分获益），基于时间的处理效应可以提供更好的可解释性和临床意义（例如，认知下降进展延迟6个月）。PMRM类别包括常规使用的MMRM和用于纵向数据分析的相关模型，以及作为特殊情况的先前提出的疾病进展模型的变体。PMRM框架的潜力说明了使用模拟和历史数据，从阿尔茨海默病的临床试验与不同类型的人工模拟处理效应。与传统模型相比，它表明，PMRM可以提供显着增加的功率来检测疾病修饰处理效应的好处是随着治疗持续时间的增加。
2022-08-29 stat.AP stat.ME
On relations between the Cochran--Mantel--Haenszel test and Augmented Inverse Probability Weighting
Novartis Pharma AG（诺华制药）；Otto von Guericke University Magdeburg（奥托·冯·格里克马格德堡大学）
本文重新审视 CMH 检验，证明其统计量可视为 AIPW 估计的标准化形式，厘清与 Wald 型检验的关系，并指出在等分配下对弱原假设渐近保守。
2026-10-02 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
Adjusting for Partial Compliance in SMARTs: a Bayesian Semiparametric Approach
许多物质使用障碍的周期性和异质性突出表明，需要调整治疗的类型或剂量，以适应个人的具体和不断变化的需要。酒精和可卡因依赖适应性治疗研究（ENGAGE）是一项多阶段随机试验，旨在为构建治疗策略提供纵向数据，以提高患者对治疗的参与度。然而，高不依从率和缺乏分析工具来解释不依从性阻碍了研究人员使用数据来实现试验的主要目标。我们克服了这个问题，我们的目标参数定义为不同的治疗策略下的平均结果为给定的潜在的依从性分层，并提出了贝叶斯半参数模型来估计这个数量。虽然它增加了大量的复杂性分析，我们的工作的一个重要特点是，我们考虑部分，而不是二进制的遵守类，这是更相关的纵向研究。我们通过全面的模拟研究评估我们的方法的性能。我们说明了它的应用程序上的ENGAGE研究，并表明，最佳的治疗策略取决于依从性层。
2020-05-20 stat.AP stat.ME
Implementing Response-Adaptive Randomisation in Stratified Rare-disease Trials: Design Challenges and Practical Solutions
本文针对分层罕见病试验中实施响应自适应随机化的实际挑战，提出映射策略将随机化概率离散化为分配比率向量以改善小样本下的频率误差，并分析了缺失数据对期中分析后适应性调整的影响，同时讨论了数据合并、盲法与安全性报告等实际问题。
2025-07-07 stat.AP stat.ME
Bayesian Nonparametric Common Atoms Regression for Generating Synthetic Controls in Clinical Trials
本研究提出贝叶斯非参数公共原子回归模型，利用电子健康记录为单臂临床试验构建合成对照臂，模拟实验显示其检测治疗效应效力更优，已应用于胶质母细胞瘤研究补充对照。
2023-05-06 stat.AP stat.ME
Nonparametric Bounds and Sensitivity Analysis of Treatment Effects
本文考虑对治疗（或暴露）对感兴趣结果的影响进行推断。在随机分配治疗的理想环境中，在某些假设下，处理效应可从可观察数据中识别，推断简单明了。然而，在其他情况下，如观察性研究或不依从的随机试验，处理效应不再是可识别的，而不依赖于不可检验的假设。尽管如此，可观察的数据通常确实提供了一些关于治疗效果的信息，也就是说，感兴趣的参数是部分可识别的。在这种情况下，通常采用两种方法：（i）在最小假设下推导治疗效果的界限，或（ii）调用其他不可检验的假设，使治疗效果可识别，然后进行敏感性分析，以评估随着不可检验的假设的变化，关于处理效应的推断如何变化。方法（一）和（二）是在各种情况下考虑的，包括评估主要的分层效应、直接和间接效应以及随时间变化的照射效应。还讨论了对部分识别参数进行形式化推理的方法。
2015-03-05 stat.ME
The effect of estimating prevalences on the population-wise error rate
针对临床试验中患病率未知导致总体层面错误率（PWER）无法直接控制的问题，本研究通过模拟验证，使用多项分布下的最大似然估计量估计患病率不会显著抬高真实PWER，且最大分层族系错误率均值不超过显著性水平的两倍。
2024-12-12 stat.ME
Cumulative Logit Ordinal Regression with Proportional Odds under Nonignorable Missing Response -- Application to Phase III Trial
本文针对临床试验中不可忽略的有序响应缺失问题，提出基于期望最大化的比例优势累积Logit回归拟合算法，并通过模拟研究和III期银屑病试验验证其有效性。
2025-05-07 stat.AP stat.ME
Categorical Data Analysis
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文探讨了分类数据分析的基本概念和方法，涵盖列联表分析、概率估计、假设检验及关联度测量，通过三个实际数据集展示应用。
2024-08-24 stat.ME
Causal Graph Aided Causal Discovery in an Observational Aneurysmal Subarachnoid Hemorrhage Study
针对医学观察性研究目标不明确、缺乏过程调整工具的问题，本研究基于因果DAG提出可提供中途洞见、识别因果问题并指明数据库增强方向的方法，结合aSAH患者数据验证，还提出基于IV推断的多中心实践变化监测方法。
2024-08-12 stat.ME stat.ML
Guidance for Addressing Individual Time Effects in Cohort Stepped Wedge Cluster Randomized Trials: A Simulation Study
Ruhr-University of Bochum（波鸿鲁尔大学）；TU Dortmund University（多特蒙德工业大学）；Lamarr-Institute for Machine Learning and Artificial Intelligence（拉玛尔机器学习与人工智能研究所）
本文通过模拟研究探讨了队列阶梯波形集群随机对照试验中个体时间效应的处理方法，发现线性混合模型结合固定分类时间效应和随机效应可提供无偏估计，建议使用集群稳健方差估计。
2026-01-19 stat.ME
Estimation of the odds ratio in a proportional odds model with censored time-lagged outcome in a randomized clinical trial
在许多COVID-19治疗药物的随机临床试验中，主要结局是一个有序分类变量，关注点集中在比例优势模型假设下的优势比（活性药物与对照药物）。虽然在最终分析时将确定所有受试者的结局，但在中期分析时，可能尚未确定某些受试者的状态，例如，因为直到某个预先指定的随访时间才可能确定结果。因此，这些受试者的结果可以被视为已审查。有效的中期分析可以仅基于那些进行了全面随访的受试者的数据;然而，这种方法效率低下，因为它没有利用中期分析时尚未获得结局的受试者的额外信息。呼吁半参数的理论，我们提出了一个估计的比值比比例优势模型与删失，时滞分类结果，包括额外的基线和时间依赖的协变量信息，并证明它可以导致相当大的收益效率相对于简单的方法。该方法的副产品是基于最终分析时可用的完整数据的协变量调整的比值比估计量。
2021-08-24 stat.ME
Design and inference for multi-arm clinical trials with informational borrowing: the interacting urns design
Università degli Studi di Milano（米兰大学）；University of Bologna（博洛尼亚大学）；IMT School for Advanced Studies Lucca（卢卡高等研究学院）；Università degli Studi di Milano-Bicocca（米兰比可卡大学）
本文提出一种基于交互式瓮系统的新型分层比较试验设计方法，通过信息借用增强早期疗效信息交换、自适应调整分配偏向最有效治疗，并随信息增长消除不同疗效层的影响，同时给出理论性质与渐近推断。
2026-05-29 math.PR math.ST stat.ME
The Probability of Tiered Benefit: Partial Identification with Robust and Stable Inference
University of Oslo（奥斯陆大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Norwegian Institute of Public Health（挪威公共卫生研究所）
本文定义了在二元暴露和多级结果下的 tiered benefit 概率，探讨了在 K≥3 时强单调性不足的识别问题，并通过模拟展示了改进的 S1S 方法在估计界值中的优势。
2025-03-15 stat.ME
Regression modeling on stratified data with the lasso
我们考虑使用分类协变量定义的分层回归模型的估计，以确定该分类协变量和其他预测因子之间的相互作用。基本方法要求选择参考层。我们表明，这种方法的惩罚版本的性能取决于这种任意的选择。我们提出了一种改进的方法，绕过这种任意的选择，几乎没有额外的计算成本。关于模型选择的一致性，我们的建议模仿的策略的基础上，最佳的和协变量特定的选择参考层。实证研究的结果证实，我们的建议一般优于基本的方法，在识别和描述的相互作用。提供了关于基因表达数据的说明。
2016-11-08 math.ST stat.ME stat.TH
Categorical Judgment with a Variable Decision Rule
一个新的Thurstonian评级量表模型使用了一个可变的决策规则（VDR），其中包括三个以前制定的，不同的决策规则。该模型包括选择每个规则的概率，以及高斯表示和标准密度。数值优化技术进行了验证，通过证明该模型拟合模拟数据紧密。对于每刺激400次试验（TPS）的模拟，出现了有关生成参数的有用信息。然而，更大的实验（如4000 TPS）被证明是可取的更好地恢复生成参数，并支持值得信赖的选择之间的竞争模型的赤池信息准则。在其他人对实验的重新分析中，VDR模型比经典信号检测理论模型更好地解释了大部分数据。
2015-12-13 stat.ME
Survival Analysis Using a 5-Step Stratified Testing and Amalgamation Routine in Randomized Clinical Trials
随机临床试验通常被设计来评估测试治疗相对于对照治疗是否延长生存期。患者异质性增加虽然有利于结果的普遍性，但可能会削弱常用统计方法检测治疗差异的能力，从而可能阻碍安全有效治疗的监管批准。针对这一问题提出了一种新的解决方案。在分析计划中预先规定了在任一治疗下可能预后生存的基线协变量列表。在分析阶段，使用所有观察到的生存时间，但对患者水平的治疗分配不知情，用弹性网Cox回归去除“噪声”协变量。条件推理树算法使用缩短的协变量列表将异质性试验人群分割为统计学上同质的患者亚群（风险分层）。患者水平治疗揭盲后，在每个形成的风险分层内进行治疗比较，并将分层水平结果合并用于总体统计推断。我们提出的5步分层测试和合并程序（5-STAR）的令人印象深刻的功率提升性能，相对于对数秩检验和其他不利用固有结构化患者异质性的常见方法，使用假设和两个真实数据集以及模拟结果进行说明。此外，强调了报告分层水平比较处理效应（加速失效时间模型拟合的时间比与模型平均值，以及根据需要，Cox比例风险模型拟合的风险比）的重要性，认为这是个性化用药的潜在推动因素。fiveSTAR R软件包可在https://github.com/rmarceauwest/fiveSTAR上获得。
2020-04-28 stat.AP stat.ME stat.ML
A Two-Stage Interpretable Matching Framework for Causal Inference
Northeastern University（东北大学）
针对观测数据因果推断中的协变量匹配问题，提出两阶段可解释匹配（TIM）框架，通过精确匹配与迭代优化提升CATE估计质量、多变量重叠度并支持高维数据，在合成与真实医疗数据集验证了有效性。
2025-04-13 cs.AI stat.ME
Nonparametric causal mediation analysis for stochastic interventional (in)direct effects
历史上，因果中介分析在两个重要方面受到限制：（i）传统上关注二元治疗和静态干预，（ii）直接和间接效应分解仅在不存在受治疗影响的中间混杂因素的情况下才可识别。我们提出了一个理论研究的（中）直接效应分解的人口干预效果，定义为随机干预联合应用于治疗和介质。与现有的建议相反，我们的因果效应可以进行评估，无论治疗是分类的还是连续的，即使在存在受治疗影响的中间混杂因素的情况下，因果效应也可以得到很好的定义。我们的（非）直接效应是可识别的，而无需对跨世界反事实独立性进行限制性假设，从而可以在随机对照试验中验证从中得出的实质性结论。除了新的影响介绍，我们提供了一个仔细的研究非参数效率理论相关的建设灵活的，多个强大的估计我们的（在）直接影响，同时避免不适当的限制所引起的假设参数模型的滋扰参数泛函。为了补充我们的非参数估计策略，我们引入了推理技术，用于构建置信区间和假设检验，并讨论了开源软件实现所提出的方法。
2022-01-11 math.ST stat.ME stat.TH
Inference under Covariate-Adaptive Randomization with Multiple Treatments
本文研究了多个治疗方案下协变量自适应随机化随机对照试验的推断问题。更具体地说，我们研究了一种或多种治疗相对于其他治疗或对照的平均效果的推断。如Bugni et al.（2018）所述，协变量自适应随机化是指首先根据基线协变量进行分层，然后分配治疗状态以实现各分层内平衡的随机化方案。与Bugni et al.（2018）相比，我们不仅允许多种治疗，而且还允许分配给每种治疗的单位比例在层间变化。我们首先研究来自完全饱和线性回归的估计量的性质，即，每种治疗的指标与每一层的指标之间所有相互作用的结果的线性回归。我们表明，这些估计的基础上使用通常的异方差一致估计的渐近方差的测试是无效的，另一方面，测试的基础上，这些估计和适当的估计，我们提供的渐近方差是准确的。对于分配给每个处理的目标单位比例在不同层之间没有变化的特殊情况，我们还考虑了基于从具有层固定效应的线性回归中得出的估计量的检验，即，每种治疗的指标和每一层的指标的结果的线性回归。我们表明，这些估计的基础上使用通常的异方差一致估计的渐近方差的测试是保守的，但测试的基础上，这些估计和适当的估计，我们提供的渐近方差是准确的。模拟研究说明了我们的理论结果的实际意义。
2019-01-17 econ.EM stat.ME
Clarifying the Role of the Mantel-Haenszel Risk Difference Estimator in Randomized Clinical Trials
本文将MH风险差估计量重新解释为随机临床试验中的协变量调整方法，放宽共同风险差假设，证明其在大层、稀疏层及混合机制下的一致估计性质，并提出统一的稳健方差估计量。
2025-05-09 stat.ME
Optimal stratification of survival data via Bayesian nonparametric mixtures
分层比例风险模型代表了一种简单的解决方案，可以解释数据中的异质性，同时保持对风险函数的乘法效应。层通常通过诉诸于分类协变量所取的值来先验地定义。提出了一个一般框架，它允许分层的通用加速寿命模型，包括作为一个特殊情况下的威布尔比例风险模型。考虑到分层可能以不同的基线生存率以及预测因子的不同影响为特征，后验确定分层。这是通过考虑贝叶斯非参数混合模型及其在数据分区空间上诱导的后验分布来实现的。最优分层，然后确定的信息准则的变化，反过来，层特定的推理进行。所提出的方法的性能和它的鲁棒性的存在下，右删失的意见进行了研究，通过广泛的模拟研究。从马萨诸塞大学艾滋病研究单位IMPACT研究中提取的数据集的分析提供了进一步的说明。
2021-03-16 stat.ME
MOVER confidence intervals for a difference or ratio effect parameter under stratified sampling
临床试验中通常采用分层，以减少协变量失衡的机会，并提高处理效应估计的精度。本文提出了一种利用方差估计恢复（MOVER）方法构造分层抽样下差异或比率效应参数置信区间的一般框架。我们考虑差异的加性方差和加性CI方法，其中加权差异的CI，或每组中加权效应的CI，或加权差异的方差被计算为相应的特定于层的统计量的加权和。通过Fieller和对数比率法推导出该比率的CI。在跨层效应恒定的假设下，权重可以是随机量，但对于固定权重，不需要此假设。这些方法可以很容易地应用于不同的终点，因为它们只需要点估计值、CI和方差估计值来测量分层中每个组的兴趣。最后用两个实例说明了该方法。在一个例子中，我们推导出二元结果的风险差和风险比的MOVER CI。在另一个例子中，我们比较了时间事件结局分层分析中的限制平均生存时间和里程碑生存。仿真结果表明，建议的MOVER CI一般优于标准的大样本CI，和加性CI方法的性能略好于加性方差方法。
2021-10-25 stat.AP stat.ME
The built-in selection bias of hazard ratios formalized
已知风险比缺乏有用的因果解释。即使是来自随机对照试验的数据，风险比也会受到内在选择偏差的影响，因为随着时间的推移，暴露和未暴露的风险个体不再是可交换的。在这项工作中，我们形式化的观察到的风险比如何演变和偏离的因果风险比的利益存在的异质性的风险的未暴露的个人（脆弱）和异质性的效果（个人修改）。对于效应异质性的情况，我们定义了因果风险比。我们发现，所观察到的风险比等于期望的潜变量（脆弱性和修改器）有条件地生存在世界上的暴露和不暴露，分别比。伽玛，逆高斯和复合泊松分布的脆弱性，和分类（有害的，有益的或中性的）效果修改器的例子是为了说明。这组例子表明，具有特定值的观察到的风险比可以针对因果风险比的所有值而出现。因此，风险比不能作为因果效应的衡量标准，除非做出不可检验的假设，强调使用更合适的被估量的重要性，如生存概率的对比。
2022-10-29 math.ST stat.TH
Improved Precision in the Analysis of Randomized Trials with Survival Outcomes, without Assuming Proportional Hazards
我们提出了一个新的估计的限制平均生存时间的随机试验中，有正确的删失，可能取决于治疗和基线变量。建议的估计量利用预后基线变量，以获得相等或更好的渐近精度相比，传统的估计。在治疗和基线变量分层内的规律性条件和随机删失下，建议的估计量具有以下特征：（i）在违反比例风险假设的情况下可解释;（ii）在独立删失下，它是一致的，至少与Kaplan-Meier估计量一样精确;（iii）在违反独立审查的情况下保持一致（与Kaplan-Meier估计量不同）当截尾或生存分布被一致估计时;和（iv）当这两个分布一致估计时，它达到非参数效率界。我们说明了我们的方法使用模拟的基础上，从一个完整的，3期随机临床试验的一种新的手术治疗中风的恢复数据的性能，提出的估计实现了12%的增益相比，在相对效率的Kaplan-Meier估计。所提出的估计量与现有的随机试验方法相比具有潜在的优势，因为现有的方法要么依赖于在许多应用中站不住脚的模型假设，要么缺乏一些效率和一致性属性（i）-（iv）。我们专注于估计的限制平均生存时间，但我们的方法可以适用于估计任何治疗效果的措施，定义为一个平滑的对比生存曲线之间的每个研究arm. We提供R代码来实现估计。
2016-08-19 math.ST stat.ME stat.TH
Using shrinkage methods to estimate treatment effects in overlapping subgroups in randomized clinical trials with a time-to-event endpoint
本研究提出使用惩罚和贝叶斯收缩方法估计随机临床试验中重叠亚组的治疗效果，通过灵活的Cox模型和边缘化获得更稳健的估计，并已在R包bonsaiforest中实现。
2024-07-16 stat.AP stat.ME
Inference for Matched Tuples and Fully Blocked Factorial Designs
本文研究匹配元组随机实验中多处理线性对比的估计与推断，证明样本类比估计量渐近正态且检验渐近确切，并将其用于完全区组化2^K析因设计，证明其相较有限大层层层设计具有更低渐近方差。
2023-11-02 econ.EM math.ST stat.ME
Estimand framework and intercurrent events handling for clinical trials with time-to-event outcomes
Abbvie（阿比ibo）
本文针对时间-事件结局临床试验，扩展ICH E9(R1)估计目标框架，提出六种并发事件处理策略（含新竞争风险策略），以潜在结局定义估计目标，支持时间依赖性协变量并讨论有效估计量。
2025-10-15 cs.LG stat.ME stat.ML
Identifying mediating variables with graphical models: an application to the study of causal pathways in people living with HIV
我们的经验表明，图形模型可以是一个有价值的工具，在因果通路中的中介变量的识别。我们利用图形模型来阐明因果关系的途径，通过该途径治疗影响艾滋病毒感染者（PLHIV）的疲劳和虚弱程度的基础上，在行为临床试验中收集的分类数据集的二次分析：虚弱是治疗和疲劳的调解人，还是疲劳是治疗和虚弱的调解人？因果中介分析无法给出这些问题的明确答案。关键词：列联表;图形模型;对数线性模型;艾滋病毒;调解
2019-07-10 stat.AP stat.ME
Missing data imputation for a multivariate outcome of mixed variable types
临床试验中收集的数据通常由多种类型的变量组成。例如，实验室测量和生命体征是连续或分类变量的纵向数据，不良事件可能是复发事件，死亡是至事件发生时间变量。在任何临床试验期间，由于患者退出研究或由于使用假设策略处理并发事件而导致的缺失数据几乎总是发生。同时用混合类型的变量估算这些数据是一项尚未广泛研究的挑战。在这篇文章中，我们建议使用一个近似的完全条件规范来填补缺失数据。仿真结果表明，在随机缺失的假设下，该方法能得到满意的结果。最后，从临床试验评估糖尿病治疗的实际数据进行了分析，以说明所提出的方法的潜在好处。
2023-01-11 stat.CO stat.ME
