Data-Adaptive and Model-Robust Covariate Adjustment for Time-to-Event Outcomes in Stratified Randomized Trials
Cornell Tech, Cornell University（康奈尔科技校区，康奈尔大学）；Department of Biostatistics, Department of Population Health, New York University School of Medicine（纽约大学医学院生物统计学系、人口健康系）
本文提出一种适应数据和模型鲁棒的协变量调整方法，用于分层随机试验中的生存时间终点，通过目标最小损失估计实现数据自适应的协变量选择和稳健的生存曲线函数估计。
2026-04-30 stat.ME
On the relevance of prognostic information for clinical trials: A theoretical quantification
如何利用队列研究或历史临床试验中的个体患者数据来设计更强大，或更小但同样强大的临床试验，在数字化时代变得越来越重要。今天，传统的统计分析方法似乎值得怀疑的从业者普遍存在的历史协变量信息。一些方法学的发展旨在将历史信息纳入未来临床试验的设计和分析中，最重要的是贝叶斯信息借用、倾向得分方法、分层和协变量调整。最近，调整分析的预后评分，这是从一些机器学习程序应用于历史数据，已被建议，我们研究这种方法的潜力，随机临床试验。在1：1分配的两组试验中，在正常结局的理想情况下，我们推导出一个简单的样本量减少公式，作为表征预后评分的两个标准的函数：（1）历史数据的决定系数$R^2$和（2）估计的和真实的未知预后评分之间的相关性$ρ$。在保持相同把握度的同时，未校正分析计划的原始总样本量$n$在校正分析中减少至$(1 - R^2 ρ^2) \times n$。在不太理想的情况下的鲁棒性进行了经验评估。我们的结论是，有潜力大大更强大或更小的试验，但只有当预后评分可以准确估计。
2021-11-05 stat.ME
Doubly robust estimation and sensitivity analysis with outcomes truncated by death in multi-arm clinical trials
针对多臂临床试验中的死亡截断问题，本文在主分层框架下识别存活者平均因果效应，提出加权、回归及双重稳健估计方法，并给出假设违背时的敏感性分析。
2025-08-29 stat.ME
Futility Analysis under Scrutiny
本文针对临床试验期中分析人群偏离目标人群影响无效性分析稳健性的问题，提出后分层缓解策略与基于置换的人群异质性变量筛选检验，通过模拟验证方法有效性，建议整合全基线数据调整以提升无效性决策可靠性。
2025-07-30 stat.AP stat.ME
Principal stratification with U-statistics under principal ignorability
Mississippi State University（密西西比州立大学）；Yale School of Public Health（耶鲁公共卫生学院）
针对存在中间结局的因果推断，引入主广义因果效应估计量以处理非线性对比函数，并在主成分可忽略性假设下发展非参数识别和高效影响函数，进而提出基于U统计量的倍率稳健和去偏机器学习估计方法。
2025-12-25 stat.ME
Impact of the adjustment of stratification factors on time-to-event analyses
在具有至事件终点时间的分层临床试验设计中，分层因素通常用于对数秩检验和Cox回归分析。在这项工作中，我们已经评估了分层因素对分层对数秩检验功效的影响，并通过模拟比较了多变量和分层Cox回归分析之间HR估计的偏倚和标准误。我们的调查结果表明，在存在其预后影响的情况下不考虑分层因素以及事件数量较少的分层可能会大大降低对数秩检验的功效。此外，与分层Cox分析相比，多变量Cox分析的HR估计值更准确和精确。我们的研究结果指出，在研究设计时，有必要评估分层因素对事件发生时间分析的影响，目前这还不是一种规范。
2020-06-27 stat.AP
Clinical trial design enabling ε-optimal treatment rules
医学研究在随机临床试验中选择样本量的惯例是基于假设检验理论的。贝叶斯主义者认为，试验的设计应该在临床感兴趣的环境中最大化主观预期效用。考虑到治疗反应的可信先验分布，这种观点是令人信服的，但贝叶斯学派一直在努力提供先验规范的指导。本文应用Wald（1950）的频率论统计决策论研究了模糊情况下的试验设计问题。我们证明了当试验具有足够大的样本量时，ε-最优规则存在。一个ε-最优规则在自然状态下的期望福利在最佳待遇福利的ε范围内。等价地，它的最大遗憾不大于ε。我们考虑在按协变量和治疗分层的组内随机抽取预定数量的受试者的试验。主要的分析结果是关于样本量的简单的充分条件，当结果有界时，确保ε-最优处理规则的存在。这些条件是通过应用Hoeffding（1963）的大偏差不等式来评估经验成功规则的性能而得到的。
2015-09-25 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
Fully Latent Principal Stratification With Measurement Models
针对行为科学随机效果研究的多变量/纵向实施数据难以纳入因果模型的问题，提出结合主分层与潜变量测量模型的完全潜主分层（FLPS）框架，经模拟验证可行并用于数学辅导提示使用分析。
2024-05-15 stat.ME
Next generation clinical trials: Seamless designs and master protocols
本文综述无缝临床试验与主方案如何通过阶段衔接和多疗法、多亚组统一框架提升癌症药物开发效率，并结合真实案例分析其优势、成功原则及监管挑战。
2024-05-10 stat.ME
Semiparametric principal stratification analysis beyond monotonicity
本文提出一种基于条件比值比敏感性参数的半参数主分层框架，突破单调性假设限制，并给出双重稳健和去偏机器学习估计方法，在重症监护试验中验证其有效性。
2025-09-18 stat.ME
Beyond principal ignorability: Nonparametric sensitivity bounds for principal stratification
Mississippi State University（密西西比州立大学）；University of Pennsylvania（宾夕法尼亚大学）；Yale School of Public Health（耶鲁公共卫生学院）
针对因果推断中主分层框架下主因果效应不可识别的问题，提出一种基于未测量混杂因子相对风险的无界参数化非参数敏感性分析方法，推导出每个主因果效应的尖锐非参数界，并推广至主广义因果效应。
2026-06-01 stat.ME
Semiparametric Localized Principal Stratification Analysis with Continuous Strata
针对连续中间变量下主因果效应不可识别且非规则的难题，本文提出基于copula主得分模型识别因果效应，并构建局部泛函替代物的双重稳健估计量，在理论上实现极小极大最优性与半参数有效性。
2025-01-29 stat.ME
Optimal Cut-Point Estimation for Functional Digital Biomarkers: Application to Diabetes Risk Stratification via Continuous Glucose Monitoring
本文针对连续血糖监测数据提出一种在可分希尔伯特空间中为随机函数对象定义最优切点的新方法，用于糖尿病风险分层，为生物传感器时间序列的数字生物标志物验证提供通用工具。
2025-03-09 stat.AP stat.ME
A sensitivity analysis approach to principal stratification with a continuous longitudinal intermediate outcome: Applications to a cohort stepped wedge trial
University of Florida（佛罗里达大学）；Yale School of Public Health（耶鲁公共卫生学院）
本文提出了一种针对连续纵向中间结果的敏感性分析方法，应用于队列阶梯楔形试验，以估计主因果效应并扩展主分层方法的应用范围。
2026-02-19 stat.ME
Translating questions to estimands in randomized clinical trials with intercurrent events
随机试验中经常发生并发（治疗后）事件，研究者经常对适当考虑这些事件的处理效应表示兴趣。一个天真的条件对并发事件没有一个直截了当的因果解释，和其他常用的方法的实际意义是有争议的。在这项工作中，我们将讨论如何制定和选择一个估计，超越边际意向治疗效果，从决策者和药物开发商的角度来看。特别是，我们认为，一个实际有用的研究问题的仔细阐述应反映在这个时间点或未来的药物开发决策。事实上，一个非常有趣的被估量是研究问题的（简单英语）描述的形式化。实际上有用的被估量的一个共同特征是，它们对应于可识别（子）人群中可能假设但定义明确的干预措施。为了说明我们的观点，我们考虑五个例子，最近被用来激励在临床试验中考虑主层被估量。在所有这些例子中，我们提出了替代的因果被估量，如条件效应，顺序制度的影响和可分离的影响，对应于明确的研究问题的实质性利益。某些问题需要更强的假设来识别。然而，我们强调，我们提出的被估量需要不太严格的假设比被估量通常针对这些设置，包括主层效应。
2021-11-16 stat.AP stat.ME
Stratification Trees for Adaptive Randomization in Randomized Controlled Trials
本文提出了一种两阶段随机对照试验的自适应随机化方法。该方法使用来自第一波实验的数据以确定如何在实验的第二波中分层，其中目标是最小化平均处理效应（ATE）的估计量的方差。我们考虑从一类分层随机化程序中进行选择，我们称之为分层树：这些程序的分层可以表示为决策树，分层之间具有不同的治疗分配概率。通过使用第一波来估计分层树，我们同时选择哪些协变量用于分层，如何对这些协变量进行分层，以及这些层内的分配概率。我们的主要结果表明，使用这种随机化过程与适当的估计结果在一个渐近方差是最小的分层树类。此外，我们提出的结果是能够容纳一个大类的分层内的分配机制，包括分层区组随机化。在模拟研究中，我们发现，我们的方法，搭配适当的交叉验证程序，可以提高特设的分层选择。最后，我们将我们的方法应用于Karlan和Wood（2017）的研究，在那里我们使用他们实验的第一波来估计分层树。
2022-07-05 econ.EM stat.ME
Interpreting Hierarchical Composite Endpoints with Survival and Longitudinal Outcomes: Application to Amyotrophic Lateral Sclerosis Trials
Stanford University（斯坦福大学）；University Medical Center Utrecht（乌得勒支大学医学中心）
本文提出分解分层复合终点获胜概率的方法，以区分生存和功能贡献，并通过ALS模拟验证，指导CAFS终点的解释。
2026-09-24 stat.ME
Analysis of Broken Randomized Experiments by Principal Stratification
本文提出基于主分层的统计框架分析破损随机实验，以依从者和始终存活者的平均治疗效果为目标估计量，并应用于职业军团研究，发现培训长期提升就业与收入。
2025-04-23 stat.ME
Weak separation in mixture models and implications for principal stratification
主要分层是解决随机化后并发症的广泛使用的框架。在使用主要分层来定义感兴趣的因果效应之后，研究人员越来越多地转向有限混合模型来估计这些数量。不幸的是，混合参数的标准估计，如MLE，已知表现出病态的行为。我们在一个简单但基本的例子中研究了这种行为，一个两组分高斯混合模型，其中只有组分均值和方差是未知的，并专注于其中组分弱分离的设置。在这种情况下，我们表明，渐近收敛速度的极大似然估计是相当差的，如$O(n^{-1/6})$，甚至$O(n^{-1/8})$。然后，我们通过理论论证以及广泛的模拟表明，在有限样本中，极大似然估计的行为就像一个阈值估计，在这个意义上说，极大似然估计可以给出强有力的证据，即当真相是其他的时候，均值是相等的。我们还探讨了当极大似然估计非零时极大似然估计的行为，表明在这种情况下很难估计均值的符号和幅度。我们为所有这些病理学提供诊断，并将这些想法应用于重新分析两个随机评估的职业培训计划，JOBS II和工作团。我们的结果表明，相应的最大似然估计应谨慎解释在这些情况下。
2019-08-17 stat.ME
Patient stratification in multi-arm trials: a two-stage procedure with Bayesian profile regression
精准医学是一个新兴领域，它考虑到个体异质性，为更好的临床实践提供信息。在临床试验中，评价处理效应异质性是一个重要组成部分，最近，已经提出了许多统计方法，用于根据这种异质性将患者分为不同的亚组。然而，大多数为此目的开发的现有方法集中在二分治疗的情况下，并不直接适用于多组试验。在本文中，我们考虑在多组试验设置的患者分层的问题，并提出了一个两阶段的贝叶斯非参数框架内的程序。具体来说，我们首先使用贝叶斯加性回归树（BART）来预测每个患者在不同治疗方案下的潜在结果（治疗反应），然后我们利用贝叶斯轮廓回归根据患者的基线特征和预测的潜在结果将其聚类为亚组。我们进一步嵌入变量选择程序到我们提出的框架，以确定积极“驱动”的聚类结构的患者特征。我们进行模拟研究，以检查我们提出的方法的性能，并通过将其应用于英国的多臂献血试验来证明该方法，其中我们的方法揭示了五个有临床意义的供体亚组。
2023-02-22 stat.AP stat.ME
GEEPERs: Principal Stratification using Principal Scores and Stacked Estimating Equations
本文提出一种基于二元指标的一维非合作的主分层估计器，利用传统回归方法计算估计值，无需分布假设，通过模拟研究和实际数据分析展示其鲁棒性。
2026-05-01 stat.AP stat.ME
Cost Effectiveness Statistic: A Proposal To Take Into Account The Patient Stratification Factors
该方法可用于随机临床试验的经济学分析。它基于统计学方法，旨在计算增量成本效果比（ICER）的修订版本，以考虑可能影响治疗选择的关键因素，从而引起适应症混淆。让我们以一种治疗癌症的新疗法为例，将其与现有疗法进行比较，其有效性为死亡时间。一个具有挑战性的问题是，ICER是根据整个治疗组的平均值定义的。它没有规定按死亡风险不同的患者群体进行分层。例如，为了进行公平和无偏见的分析，人们希望比较具有相似预期寿命的组中的死亡时间，这些预期寿命会受到年龄，性别，疾病严重程度等因素的影响。我们决定应用的方法是通过聚类分析借用的，目的是（i）丢弃分析集中可能出现的任何离群值，（ii）找出有“相似”主要因素的病人组别（即群组）。
2013-06-18 stat.AP
Novel probabilistic models of spatial genetic ancestry with applications to stratification correction in genome-wide association studies
人类群体的遗传变异受地理祖先的影响，这是由于历史交配和迁移模式的空间局部性。遗传数据集中的空间群体结构传统上使用无模型算法（如主成分分析（PCA）和多维尺度）或使用等位基因频率进化的显式空间概率模型进行分析。我们开发了一个通用的概率模型和相关的推理算法，统一了基于模型和数据驱动的方法来可视化和推断人口结构。我们的算法，地理空间定位（GAP），将样本之间的局部遗传距离与它们的空间距离联系起来，并且可以用于视觉上辨别种群结构以及准确地推断个体在二维连续体上的空间起源。在来自不同人群的模拟数据集和几个真实数据集上，GAP在重建空间祖先坐标方面的误差比PCA低得多。我们的空间推理算法也可以有效地应用到人口分层的问题，在全基因组关联研究（GWAS），隐藏的人口结构可以创建虚构的关联时，人口祖先与基因型和性状。我们开发了一个关联测试，使用GAP推断的祖先坐标准确地解释GWAS中祖先诱导的相关性。基于模拟和分析的数据集测量的10个代谢性状在芬兰北部的队列，这是已知的表现出显着的人口结构，我们发现，我们的方法具有优越的权力，目前的方法。
2016-10-25 q-bio.PE 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
Principal stratification with recurrent events truncated by a terminal event: A nested Bayesian nonparametric approach
Yale School of Public Health（耶鲁大学公共卫生学院）；University of Pennsylvania（宾夕法尼亚大学）
本文提出一种嵌套贝叶斯非参数方法，用于处理由死亡等终端事件截断的复发事件，通过双重脆弱框架推导出部分可识别结果，提升因果推断的透明度和准确性。
2026-03-17 stat.ME
Bayesian Methods for Multiple Mediators: Relating Principal Stratification and Causal Mediation in the Analysis of Power Plant Emission Controls
发电厂安装的排放控制技术是美国许多空气污染法规的关键特征。虽然这些法规是基于排放、环境空气污染和人类健康之间的假定关系，但其中许多关系从未得到经验验证。本文的目标是开发新的统计方法来量化这些关系。我们把这个问题作为一个中介分析来评估特定控制技术对环境污染的影响在多大程度上是通过对发电厂排放的因果影响来介导的。由于发电厂排放的各种化合物，有助于环境污染，我们开发的多个中间变量，同时测量的新方法，可能会相互作用，并可能表现出联合调解效果。具体来说，我们提出了新的方法，利用两个相关的框架，在存在中介变量的因果推断：主要分层和因果中介分析。我们定义了基于多个介质的主要影响，并引入了一个新的分解的总影响的干预对环境污染的自然直接影响和自然间接影响的所有组合的介质。这两种方法都锚定到相同的离散数据模型，我们指定与贝叶斯非参数技术。我们提供了估计主要因果效应的假设，然后用因果中介分析所需的额外假设来增强这些假设。这两个分析，解释串联，提供了第一个实证调查的假定因果路径，激励重要的空气质量监管政策。
2019-02-17 stat.ME
PStrata: An R Package for Principal Stratification
针对因果推断中治疗后混杂导致主分层分析门槛高的问题，开发了R包PStrata，支持贝叶斯与频率学派范式，可处理多种常见结局与数据结构，实现了主分层统计分析的自动化。
2023-04-05 stat.CO 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
Assessing surrogate endpoints in vaccine trials with case-cohort sampling and the Cox model
评估免疫反应研究疫苗作为保护的替代品在疫苗临床试验中发挥着核心作用。受三项正在进行或即将进行的HIV疫苗有效性试验的启发，我们考虑在一项随机安慰剂对照试验中进行此类替代终点评估，该试验采用免疫应答病例队列抽样和事件发生时间终点。基于Frangakis和Rubin [Biometrics 58（2002）21- 29]提出并由Gilbert和Hudgens（2006）改编的主要分层框架下的主要替代定义，我们引入了在考克斯比例风险模型的背景下测量免疫应答值作为保护替代的被估量。未确定被估量，因为未在安慰剂接受者中测量对疫苗的免疫应答。我们制定的问题作为一个Cox模型与失踪的协变量，并采用新的试验设计预测失踪的免疫反应，从而确定被估量。第一种设计利用来自免疫应答的基线预测因子的信息，并将它们在疫苗接受者与安慰剂接受者中的关系联系起来。第二种设计通过在试验结束后用研究疫苗免疫未感染安慰剂接受者，为未测量的免疫应答提供了验证集。提出了一种最大估计似然法的参数估计。仿真数据的例子来评估所提出的设计和研究其性能。
2008-03-27 stat.AP
Principal stratification analysis using principal scores
从业者感兴趣的不仅是治疗对结果的平均因果效应，而且是在治疗和结果之间存在中间变量的情况下的潜在因果机制。然而，在许多情况下，我们不能随机化中间变量，导致样本选择问题，即使在随机实验。因此，我们将具有中间变量的随机实验视为半观察性研究。在分析观察性研究的同时，我们提供了一个理论基础，进行客观的因果推断与一个中间变量的主要分层框架下，与主要层定义为联合潜在值的中间变量。我们的策略基于主要得分构建加权样本，定义为给定协变量的潜在主要层的条件概率，而无需访问任何结果数据。这种主要分层分析产生了强大的因果推断，而不依赖于任何模型假设的结果分布。我们还提出了方法进行敏感性分析的可验证性和单调性假设，在我们的理论中非常关键的，但不可测试的识别假设的违反。当经典的工具变量分析所需的假设不能被背景知识证明是合理的，或者因为感兴趣的科学问题而不能被证明是合理的时，我们的策略可以作为处理中间变量的一个有用的替代工具。我们用两个真实的数据例子来说明我们的方法，并找到科学上有意义的结论。
2016-02-03 math.ST stat.ME stat.TH
Principal Stratification with Continuous Post-Treatment Variables: Nonparametric Identification and Semiparametric Estimation
本文针对连续治疗后变量的主分层问题，提出非参数识别与半参数估计理论，利用工作模型近似因果效应曲面并构造双重稳健估计量，填补了现有方法主要限于二值治疗后变量的空白。
2024-04-03 math.ST stat.ME stat.TH
Identifying and Estimating Principal Causal Effects in Multi-site Trials
随机试验通常在多个地点进行单独的随机化，如学校，投票区或医院。这些网站可能在重要方面有所不同，包括网站的实现，当地条件和个人的组成。实践中的一个重要问题是，研究人员是否以及在什么样的假设下可以利用这种跨站点的变化来了解更多关于干预的信息。我们在主要分层框架中解决这些问题，该框架描述了由治疗后数量定义的亚组的因果效应。我们表明，研究人员可以通过多站点设计估计某些主要的因果效应，如果他们愿意施加强有力的假设，即站点特定的影响是不相关的，与站点特定分布的阶层成员。我们激励这种方法与早期大学高中倡议，一个独特的中学教育计划，以提高高中毕业率和大学入学率的目标多地点试验。我们的分析证实了以前的研究表明，该倡议有积极的影响，否则谁会参加一个低质量的高中的学生，虽然权力是有限的。
2018-03-16 stat.ME
Post-randomization Biomarker Effect Modification in an HIV Vaccine Clinical Trial
虽然HVTN 505试验显示，与安慰剂相比，受试疫苗在预防HIV感染方面没有总体疗效，但先前的研究、生物学理论以及免疫应答标志物与疫苗接种者感染密切相关的发现产生了发生定性相互作用的假设。该假设可以用统计学方法进行评估，用于研究处理效应中间响应变量（即，主分层效应修正（PSEM）方法）。然而，现有的PSEM方法，使不可测试的结构风险假设，这样的精简版本的PSEM方法是必要的，以超越高标准的证据，以证明定性的相互作用。幸运的是，幸存者平均因果效应（SACE）文献充满了精简的方法，可以很容易地适应PSEM应用程序的特殊情况下，一个二进制的中间响应变量。我们映射这种适应，开辟了一个新的主机的PSEM方法的二进制中间变量测量通过双重抽样，为二分或故障时间的最终结果，包括或排除SACE单调性假设。新方法支持疫苗部分保护具有高多功能CD8+ T细胞应答的疫苗接受者，这是HIV疫苗领域的重要新见解。
2018-11-09 stat.AP
Defining Estimands Using a Mix of Strategies to Handle Intercurrent Events in Clinical Trials
随机对照试验（RCT）是评价研究干预措施有效性和安全性的金标准。如果随机对照试验中的每一位患者都坚持随机化治疗，则可以简单地分析完整的数据来推断处理效应。但是，并发事件（ICE），包括使用疗效不满意的合并用药、因不良事件而停止治疗或缺乏疗效，可能导致干预偏离最初的治疗分配。因此，在确定统计分析方法和分析数据之前，根据研究的主要目的定义适当的被估量（待估计的适当参数）至关重要。人用药品注册技术要求国际协调会（ICH）E9（R1）于2019年11月20日发布，提供了5种策略来定义被估量：治疗政策、假设、复合变量、治疗时和主要分层。在这篇文章中，我们提出了一个估计使用的策略组合在处理ICE。该被估量是潜在与安全性相关的ICE患者的零治疗差异和其他患者（如果他们完成分配的治疗）的治疗差异的平均值。提供了两个例子，从临床试验评估抗糖尿病治疗，以说明估计的估计，并将其与估计估计使用假设和治疗政策的策略，在处理ICE。
2020-06-04 stat.AP stat.ME
Survivor average causal effects for continuous time: a principal stratification approach to causal inference with semicompeting risks
在半竞争风险问题中，非终端事件发生时间结局（如再入院时间）会因死亡而截断。这些环境通常使用疾病-死亡模型对终末和非终末事件的危害进行建模，但由于在危害定义中嵌入了生存期（治疗后结局）条件，因此使用危害模型评价因果处理效应存在问题。扩展现有的幸存者平均因果效应（SACE）估计，我们框架的处理效应的评价的背景下，半竞争风险与主要分层，并引入两个新的因果估计：随时间变化的幸存者平均因果效应（TV-SACE）和限制平均幸存者平均因果效应（RM-SACE）。这些主要因果效应定义在无论分配的治疗如何都会存活的单位中。我们采用贝叶斯估计程序，参数化两个治疗组的疾病-死亡模型。我们概述了一个脆弱的规范，可以容纳非终端和终端事件时间之间的人内相关性，我们讨论了增加模型的灵活性的潜在途径。该方法在晚期胰腺癌患者再次入院的情况下得到了证实。
2019-02-15 stat.AP stat.ME
Bayesian Nonparametrics for Principal Stratification with Continuous Post-Treatment Variables
Data Science Institute, Brown University（布朗大学数据科学研究所）；Department of Statistics, University of Padova（帕多瓦大学统计系）；Department of Economics, European University Institute（欧洲研究院经济系）；Department of Biostatistics, Harvard School of Public Health（哈佛公共卫生学院生物统计系）；Department of Biostatistics, University of California, Los Angeles（加州大学洛杉矶分校生物统计系）
本文提出CASBAH方法，通过贝叶斯非参数先验处理连续后处理变量，解决主分层识别与不确定性量化问题，通过模拟和案例研究验证其有效性。
2026-03-25 math.ST stat.ME stat.TH
Principal stratification with continuous treatments and continuous post-treatment variables
University of Florida（佛罗里达大学）；European University Institute（欧洲大学研究院）；Rutgers University（罗格斯大学）；University of Florence（佛罗伦萨大学）
本研究将主分层框架拓展至连续处理场景，提出主因果估计量，探讨不同假设下的识别条件，采用非参数贝叶斯模型提升稳健性，并应用于经济与逮捕率关系的中介机制研究。
2026-10-15 stat.AP stat.ME
Evaluating causal effects on time-to-event outcomes in an RCT in Oncology with treatment discontinuation
针对肿瘤学RCT中因不良事件导致治疗停药的问题，提出一种贝叶斯主分层框架，将ITT效应分解为主因果效应，以评估治疗停药对生存结果的因果影响，并阐明协变量在提升推断精度和刻画停药行为中的关键作用。
2024-10-16 stat.AP stat.ME
Bayesian principal stratification with longitudinal data and truncation by death
提出贝叶斯纵向主分层框架，处理死亡截断的纵向数据，估计不同时间点存活者层的因果效应，并应用于企业生存与招聘政策评估。
2023-12-30 stat.AP stat.ME
A New Family of Covariate-Adjusted Response Adaptive Designs and their Asymptotic Properties
在临床试验设计中，纳入协变量信息通常很重要。在文献中，有许多设计使用分层和协变量自适应随机化来平衡某些已知的协变量。最近，Zhang，Hu，Cheung和Chan（2007）提出了一类协变量调整响应自适应（CARA）设计，并研究了它们的渐近性质。然而，这些CARA设计通常具有高可变性。在本文中，我们提出了一个新的家庭的协变量调整的响应自适应（CARA）设计。我们表明，新的设计具有更小的变异性，因此更有效。
2008-12-19 math.PR math.ST 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
Principal Stratification with Bayesian Additive Regression Trees for Count-Valued Intermediate Variables: Estimating the Effect of Fertility on Women's Employment
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文扩展主分层结合BART的框架，适配计数型中间变量场景，经模拟及非洲多国调查数据验证，其因果效应估计性能优于传统方法，可揭示被标准方法掩盖的异质性。
2026-08-12 stat.AP stat.ME
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
Combining BART and Principal Stratification to estimate the effect of intermediate variables on primary outcomes with application to estimating the effect of family planning on employment in Nigeria and Senegal
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出结合BART和主 stratification方法，估计家庭计划对就业的影响，通过模拟和实证分析验证了该方法在估计中间变量效应上的有效性与稳健性。
2026-03-29 stat.AP stat.ME
Assessing causal effects in the presence of treatment switching through principal stratification
该研究通过主分层重新定义治疗转换问题，采用贝叶斯方法处理连续时间转换与删失，分析Concorde合成数据，发现立即使用齐多夫定增加从未转换者生存时间且效果异质性高。
2023-09-05 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
Weighted Approach for Estimating Effects in Principal Strata with Missing Data for a Categorical Post-Baseline Variable in Randomized Controlled Trials
本研究的动机是在一项随机对照试验中研究抗药抗体（ADA）的形成及其对生物治疗长期获益的潜在影响，其中ADA状态不仅在对照组中未观察到，而且在实验治疗组的患者亚组中也未观察到。并发状态，即在由仅在一个组中观察到的随机化后变量定义的组中，并且可能与结局相关。然而，状态信息可能会丢失，即使是不可忽略的患者数量在实验arm.For这种情况下，一种新的加权主分层方法：数据缺失并发事件状态的患者进行重新加权的基础上基线协变量和额外的纵向信息。为不同类型的结局提供了所提出方法的理论依据，并指定和研究了允许对处理效应得出因果结论的假设。仿真结果表明，所提出的方法产生了有效的推理，并对某些违反假设的鲁棒性。在ADA状态作为并发事件的临床研究中，该方法表现良好。
2021-01-12 stat.AP stat.ME
Transportability of Principal Causal Effects
本文提出主分层框架，用于识别和估计迁移到目标人群的、以依从行为为条件的主因果效应，并发展非参数效率理论及高效估计量，通过模拟验证其性能。
2024-07-16 stat.ME
Using modified intention-to-treat as a principal stratum estimator for failure to initiate treatment
本文证明排除未开始治疗参与者的mITT分析估计的是主分层估计量，并提出判断其无偏性的两个关键标准，为试验中改良意向治疗的适用性提供理论依据。
2023-01-30 stat.ME
Characterizing the Effects of Environmental Exposures on Social Mobility: Bayesian Semi-parametrics for Principal Stratification
针对PM2.5、教育程度与社会流动性的因果路径问题，提出基于无限混合的贝叶斯半参数主分层方法，发现高PM2.5通过降低教育程度使社会流动性下降约5%。
2025-11-03 stat.AP stat.ME
Principal Score Methods: Assumptions and Extensions
在随机试验中解决治疗后并发症的研究人员经常转向主要分层来定义相关假设和感兴趣的数量。在这个框架中，估计因果效应的一种方法是使用基于“主要分数”的方法，通常假设给定一组协变量，阶层成员是随机分配的。在本文中，我们澄清了在这种情况下的关键假设，被称为主要的忽略，并认为这个假设的版本是相当强大的实践。我们描述了不同的估计方法，并表明基于权重的方法通常是最好的基于子组的方法，离散的主要得分。然后，我们扩展这些想法的情况下，双方不遵守，并提出了一个自然的框架相结合的主要忽略排除限制和其他假设。最后，我们将这些想法应用于领先影响研究，这是一项对领先计划的大规模随机评估。总的来说，我们认为，虽然主要的评分方法是有用的工具，应用研究人员应该充分了解相关的假设时，在实践中使用它们。
2016-06-08 stat.ME
Clarifying Selection Bias in Cluster Randomized Trials: Estimands and Estimation
在整群随机试验中，患者通常在整群随机化后招募，招募人员和患者可能对分配不知情。这通常会导致招募差异，从而导致干预组和对照组之间招募患者的基线特征存在系统性差异，从而诱导随机化后选择偏倚。我们严格定义的因果被估量存在选择偏差。我们阐明的条件下，标准的协变量调整方法可以有效地估计这些被估量。我们进一步讨论了在不满足这些条件时估计因果效应所需的额外数据和假设。采用因果推断中的主分层框架，阐明了整群随机试验中存在两个平均处理效应（ATE）估计量：一个用于总体人群，一个用于招募人群。我们推导出分析公式的两个被估量的主要阶层的具体因果关系的影响。使用模拟研究，我们评估的经验性能的多元回归调整方法在不同的数据生成过程中，导致选择偏差。当各主要分层的处理效应不均匀时，总体人群的ATE通常与招募人群的ATE不同。招募样本的意向治疗分析导致两种ATE的估计值存在偏倚。在存在随机化后选择且没有关于未招募受试者的额外数据的情况下，仅当主要分层之间的处理效应均匀时，招募人群的ATE才可估计，而总体人群的ATE通常不可估计。协变量调整可以消除选择偏倚的程度取决于主要分层之间的效应异质性程度。
2021-10-04 stat.AP stat.ME
Implementing the principal stratum strategy for intercurrent events with survival outcomes: a tutorial
University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）；U.S. Food and Drug Administration（美国食品药品监督管理局）；Duke University（杜克大学）
本教程回顾了主分层策略在生存结局并发事件中的应用，通过混合模型和加权方法估计因果效应，并提供了R代码和模拟研究。
2026-05-26 stat.ME
