A General Form of Covariate Adjustment in Randomized Clinical Trials
本文研究协变量自适应随机化下的AIPW估计量，证明其渐近正态性、效率提升与适用性，首次为机器学习结合交叉拟合提供理论依据，并提出联合校准策略，方法在R包RobinCar中实现。
2024-03-25 stat.ME
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
Dynamic borrowing from historical controls via the synthetic prior with covariates in randomized clinical trials
针对类风湿关节炎临床试验场景，提出带协变量的贝叶斯合成先验方法SPx，仅需试验级汇总统计量即可动态借用历史对照信息，在保证频率学性质的前提下有效减少新试验的对照组规模。
2025-07-31 stat.ME
Model-Robust Inference for Clinical Trials that Improve Precision by Stratified Randomization and Covariate Adjustment
分层随机化和协变量调整是临床试验中提高精度和把握度的两种常用方法。然而，许多试验没有充分利用这两种方法的组合精度增益，这可能导致在样本量和试验持续时间方面的资源浪费。我们得出的一致性和渐近正态性的模型稳健估计，结合这两种方法，并表明，这些估计可以导致大量收益的精度和权力。我们的定理涵盖了一类估计，处理连续的，二进制的，和时间到事件的结果，在随机缺失假设下的缺失结果处理。对于每个估计量，我们给出了一个一致的方差估计量的公式，该方差估计量是模型稳健的，并且完全捕获了分层随机化和协变量调整的方差减少。在分层随机化条件下，首次证明了卡普兰-迈耶估计量的相合性和渐近正态性，并导出了其渐近方差.上述结果也适用于有偏硬币协变量自适应设计。我们使用三个已完成的3期药物使用障碍治疗随机试验数据集来证明我们的结果，其中由于分层随机化和协变量调整，方差减少的范围从1%到36%。
2020-09-03 stat.ME
Handling Covariates in the Design of Clinical Trials
统计学界对于在临床试验设计阶段是否需要考虑协变量存在分歧。许多人主张使用分层和协变量自适应随机化来促进某些已知协变量的平衡。然而，平衡并不总是提高效率或确保更多的患者被分配到更好的治疗。我们描述了这些程序，包括基于模型的程序，将协变量纳入临床试验的设计，并给出了平衡，效率和伦理考虑可能发生冲突的例子。我们提倡一种新的程序，协变量调整的反应自适应（CARA）随机化程序，试图优化效率和伦理考虑，同时保持随机化。我们回顾了所有这些程序，提出了一些新的模拟研究，并得出结论，我们的哲学。
2011-02-18 stat.ME
Automated, efficient and model-free inference for randomized clinical trials via data-driven covariate adjustment
Ghent University（根特大学）；Vrije Universiteit Brussel（布鲁塞尔自由大学）；New York University School of Medicine（纽约大学医学院）
本文提出使用自动化数据自适应方法（如逐步回归、Lasso和灵活机器学习）进行协变量调整，以解决预指定协变量及其函数形式的挑战，并提供有效且可解释的处理效应估计和标准误差，即使结果模型错误设定或预测有偏。
2026-05-27 stat.ME
Estimating the Efficiency Gain of Covariate-Adjusted Analyses in Future Clinical Trials Using External Data
我们提出了一个一般框架，使用现有的数据来估计效率增益使用协变量调整估计的边际处理效应在未来的随机试验。我们描述的条件下，它是可能的，以定义一个映射的分布，产生现有的外部数据的协变量调整估计的相对效率相比，未调整的估计。在一定条件下，这些相对效率近似于实现期望功效所需的样本量的比率。我们考虑两种情况下的结果是完全或部分观察和几个处理效应估计是特别感兴趣的大多数试验。对于每个这样的被估量，我们开发了一个半参数有效的相对效率的估计，允许灵活的统计学习工具的应用程序来估计滋扰功能和相应的沃尔德型置信区间的分析形式。我们还提出了一个双引导计划，用于构建置信区间。我们通过模拟研究证明了所提出的方法的性能，并将这些方法应用于数据，以估计在Covid-19治疗试验中使用协变量调整的相对效率。
2021-04-30 stat.ME
Covariate adjustment and estimation of difference in proportions in randomized clinical trials
针对随机临床试验中比例差异估计，提出基于稳健三明治估计量的标准化估计量方差估计方法，以提升小样本和模型误设下的性能。
2023-08-30 stat.ME
Adjusting for Many Covariates in Randomized Clinical Trials with GLMs: Bias Reduction by Jackknife and Practical Guidance
Shanghai Jiao Tong University（上海交通大学）；Yale University（耶鲁大学）
针对随机临床试验中协变量过多导致偏差的问题，提出基于jackknife的JASA及校准版JASACal方法，避免样本分割，可调整远超现有基准的协变量数量，并提供实用指导。
2026-09-15 stat.ME
Mathematical programming tools for randomization purposes in small two-arm clinical trials: A case study with real data
本研究回顾并比较了数学规划与协变量自适应随机化方法在小型双臂临床试验中的性能，引入基于联合分布的能量距离度量，并通过数值实验展示其优势。
2024-02-08 stat.ME
Comparison of Baseline Covariate Adjustment Methods for Restricted Mean Survival Time
限制平均生存时间是一种临床上易于解释的指标，不需要任何比例风险假设。我们专注于两种直接建模生存时间和调整协变量的方法。一种方法是使用留一法计算每例受试者的假生存时间，然后使用所有假值进行模型分析，以调整协变量。在模型分析中，伪生存时间用于反映删失受试者的信息。另一种方法使用观察到至事件时间的受试者调整协变量，同时使用删失加权逆概率（IPCW）调整删失受试者。本文通过一个简单的例子数据集和计算机模拟来评估这两种方法在检测组差异方面的性能。这个简单的例子说明了这两种方法的直观行为。使用伪生存时间的方法，很难解释伪值。我们证实，由于许多删失数据，假生存时间与原发性胆汁性胆管炎临床试验中获得的实际数据不同。在仿真中，使用IPCW的方法被发现是更强大的。即使在删失发生率和协变量存在组间差异的情况下，使用IPCW的方法也能维持1型错误率的名义显著性水平。我们认为，在调整协变量时，应使用IPCW方法估计限制性平均生存时间。
2022-11-01 stat.ME
Covariate Adjustment for the Win Odds: Application to Cardiovascular Outcomes Trials
ETH Zurich（苏黎世联邦理工学院）；Novartis Pharma AG（诺华制药股份有限公司）
本文提出对胜利几率进行协变量调整的方法，提升估计精度和统计效力，通过与边际概率指数的联系，展示调整后的胜利几率在处理基线协变量时的潜在优势，但可能增加小样本中I类错误率。
2026-04-07 stat.AP stat.ME
On a penalised likelihood approach for joint modelling of longitudinal covariates and partly interval-censored data -- an application to the Anti-PD1 brain collaboration trial
针对纵向时变协变量测量误差与部分区间删失事件时间问题，提出结合Cox模型的联合建模及惩罚似然估计方法，模拟验证其推断可靠，并用于Anti-PD1试验。
2024-12-04 stat.ME
Stratification in Randomised Clinical Trials for Rare Diseases and Analysis of Covariance: Some Simple Theory and Recommendations
Medical University of Vienna（维也纳医科大学）；University of St Andrews（圣安德鲁斯大学）
针对罕见病临床试验中连续协变量分层问题，本文提出简单理论，重点分析方差膨胀因子，建议模型中始终包含连续协变量，并视情况可加入分层指标。
2025-10-23 stat.ME
CARB: A Covariate-Assessed Robust Borrowing Strategy with Literature-Informed Prior Weights for External Data
Yale School of Public Health（耶鲁大学公共卫生学院）；Yale Cancer Center, Yale School of Medicine（耶鲁大学医学院耶鲁癌症中心）；Pfizer Inc.（辉瑞公司）
CARB是一种仅用汇总信息、基于基线协变量差异设定先验权重的框架，可在无外部患者协变量数据时实现透明稳健的外部数据借用，降低偏倚与I类错误并提高效率。
2026-09-01 stat.ME
Assessing covariate-adjusted risk differences in small-sample clinical trials
Boehringer Ingelheim Pharma GmbH & Co. KG（勃林格殷格翰制药）；F. Hoffmann-La Roche Ltd（罗氏制药有限公司）；Novo Nordisk（诺和诺德）
针对小样本（N≤150）随机临床试验，通过模拟研究比较精确无条件检验、Mantel-Haenszel方法和g计算法在估计和检验风险差异时的表现，发现g计算法在极小样本中I类错误膨胀，而稳健或惩罚变体可改善错误控制但牺牲功效，经典方法稳健但效率较低，并基于结果提供方法选择建议。
2026-07-22 stat.ME
Seamless Phase I--II Cancer Clinical Trials Using Kernel-Based Covariate Similarity
Chuo University（中央大学）
响应FDA Project Optimus，提出基于核MMD协变量相似性的非参数信息借用方法，自适应折扣I期数据并纳入幂先验框架评估II期疗效，解析推导权重置信区间，模拟与案例证明其能提升有效剂量评估概率并控制误判。
2025-11-03 stat.ME
Blinded sample size recalculation in randomized controlled trials with analysis of covariance
The University of Tokyo（东京大学）；National Center of Neurology and Psychiatry（国立精神·神经医疗研究中心）
研究针对随机对照试验中基于协方差分析设计样本量时确定参数难的问题，提出基于最小分布假设下渐近相对效率的盲法样本量重新计算方法，经模拟和HIV临床试验验证可减少样本量且不增I型错误率。
2026-07-22 stat.ME
Finite-sample correction for the covariate-adjusted log-rank test
Universitat Politècnica de Catalunya - BarcelonaTech (UPC)（加泰罗尼亚理工大学）；Novartis Pharma AG（诺华制药股份有限公司）
本文针对协变量调整对数秩检验小样本下I类错误率膨胀问题，提出考虑残差自由度损失与回归系数不确定性的有限样本校正，经模拟验证可有效降低该错误率膨胀。
2026-08-13 stat.ME
Principled Selection of Baseline Covariates to Account for Censoring in Randomized Trials with a Survival Endpoint
对具有至事件发生时间终点的随机试验的分析几乎总是受到删失问题的困扰。由于删失机制通常是未知的，分析通常采用无信息删失的假设。虽然随着更多基线协变量的调整，这一假设通常变得更合理，但这种调整也引起了人们的担忧。预先规定哪些协变量将被调整（以及如何调整）是困难的，因此促使使用数据驱动的变量选择程序，这可能会阻碍有效的推断。此外，协变量的调整增加了对模型误设的担忧，以及调整集的每次变化也会改变删失假设和处理效应被估量。在本文中，我们讨论了这些问题，并提出了一个简单的变量选择策略，旨在产生一个有效的测试的空在大样本。该建议可以使用现成的（惩罚）Cox回归软件来实现，并且根据经验发现在模拟研究和真实数据分析中效果良好。
2020-07-16 stat.AP stat.ME
Generalized Likelihood Ratio Statistics and Uncertainty Adjustments in Efficient Adaptive Design of Clinical Trials
基于广义似然比统计量和最优序贯检验理论，提出了一种在一般多参数指数族背景下的临床试验适应性设计的新方法。这些设计易于实现，保持规定的第一类错误概率，并且是渐近有效的。在临床试验中涉及的实际问题，允许中途适应和关于这个问题的大量文献进行了讨论，并提出了建议和现有的设计之间的比较，在广泛的模拟研究，其有限样本的性能，测量预期的样本量和功率函数。
2011-05-24 math.ST stat.ME stat.TH
Robust Detection of Covariate-Treatment Interactions in Clinical Trials
检测临床试验中处理效应和患者描述之间的相互作用对于优化药物开发过程至关重要。临床试验中积累的数据量不断增加，为发现新的生物标志物和进一步实现个性化医疗目标提供了独特的机会，但它也需要能够检测非线性信号（有时是微弱信号）的创新的稳健生物标志物检测方法。基于随机游动理论，我们提出了一组新的单变量统计检验，它能够捕获非线性和非单调的协变量-处理相互作用。我们还提出了一种新的组合测试，它利用了我们提出的所有单变量测试到一个单一的一般情况下的工具的力量。我们提出了合成试验和现实世界的临床试验的结果，在那里我们将我们的方法与最先进的技术进行比较，并证明了我们的方法的实用性和鲁棒性。
2017-12-21 stat.AP stat.CO stat.ME
How should covariates be handled in randomized trials? Empirical evidence from 50 trials and recommendations for practice
Department of Biostatistics, School of Public Health, University of Michigan（密歇根大学公共卫生学院生物统计系）
本文通过大规模实证研究比较了不同协变量调整策略在随机临床试验中的表现，发现简洁的回归方法在效率提升方面表现优异，而基于机器学习的方法在二元结局中计算稳定性较差。
2026-06-11 stat.AP
Multi-objective optimal designs in comparative clinical trials with covariates: The reinforced doubly adaptive biased coin design
本文讨论的问题，分配患者到两个竞争的治疗中存在的协变量或预后因素，以实现良好的权衡之间的伦理问题，推理精度和随机性的治疗分配。特别是，我们提出了一个多用途的设计方法，结合效率和道德收益时，采用的线性同方差模型与治疗/协变量之间的相互作用和协变量之间的相互作用。随后的复合最优分配的治疗取决于协变量和他们的分布在人口的利益，以及对未知参数的模型。因此，我们引入了加强双自适应有偏硬币设计，即一般类的协变量调整的响应自适应程序，包括连续和不连续的随机化函数，旨在针对任何期望的分配比例。该建议的属性进行了描述，理论上和通过模拟。
2012-08-16 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
A Bias Correction Method in Meta-analysis of Randomized Clinical Trials with no Adjustments for Zero-inflated Outcomes
许多临床终点指标，如每周消耗的标准饮料数量或患者住院天数，都是带有过多零的计数数据。然而，这种结果的零膨胀性质有时在临床试验分析中被忽略。这导致研究水平干预效应的偏倚估计，从而导致荟萃分析中总体干预效应的偏倚估计。目前的研究提出了一种新的统计方法，零膨胀偏倚校正（ZIBC）方法，可以解释使用泊松回归模型时引入的偏倚，尽管在随机临床试验的结果分布中有很高的膨胀零率。这种校正方法只需要来自个体研究的汇总信息来校正干预效果估计值，就好像它们是使用零膨胀泊松回归模型适当估计的一样，因此当某些研究中无法获得个体参与者水平的数据时，它对于荟萃分析是有吸引力的。模拟研究和实际数据分析表明，ZIBC方法在大多数情况下都能很好地校正零通胀偏差。
2021-06-25 stat.AP stat.ME
Bias reduction in g-computation for covariate adjustment in randomized clinical trials
Data Sciences and Analytics, Pfizer Inc.（辉瑞公司数据科学与分析部）；Institute of Natural Sciences, MOE–LSC, School of Mathematical Sciences, CMA–Shanghai, and SJTU–Yale Joint Center for Biostatistics and Data Science, Shanghai Jiao Tong University（上海交通大学数学科学学院自然科学与工程教育部重点实验室、上海中心数学与应用数学研究所及上海交大-耶鲁生物统计与数据科学联合中心）；Division of Biostatistics and Health Data Science, University of Minnesota Twin Cities（明尼苏达大学双城分校生物统计与健康数据科学系）
针对随机临床试验中G计算估计的偏差问题，提出基于广义Oaxaca-Blinder估计器的偏差校正方法，保证估计有界并改善小样本性能。
2026-07-03 stat.AP stat.ME
Covariate-Adaptive Randomization in Clinical Trials without Inflated Variances
Zhejiang Gongshang University（浙江工商大学）
本文提出了一种新的协变量自适应随机化方法，通过平衡协变量比率ρ:(1-ρ)来减少失衡方差，避免了传统方法中未指定协变量方差膨胀的问题。
2026-07-21 math.ST stat.TH
How Cox models react to a study-specific confounder in a patient-level pooled dataset: Random-effects better cope with an imbalanced covariate across trials unless baseline hazards differ
结合临床试验的患者水平数据可以将罕见现象与临床终点联系起来，但当试验合并时，应用于单个试验的统计技术可能会出现问题。估计试验间不均匀分布的二进制变量的风险显示了一个常见的汇总数据库问题。我们研究了一个不均匀分布的二元变量如何损害固定效应和随机效应考克斯比例风险模型的完整性。我们在一组模拟数据集上比较了固定效应和随机效应考克斯比例风险模型，这些模拟数据集的灵感来自17项试验汇总数据库，这些数据库包括接受经皮冠状动脉介入治疗的ST段抬高型心肌梗死（STEMI）和非STEMI患者。不均匀分布的协变量可能会使风险比估计值发生偏倚，增加标准误，增加第一类错误，并降低功效。虽然不均匀性会导致所有考克斯比例风险模型的问题，但随机效应的影响最小。与固定效应模型相比，随机效应具有较低的偏倚，并以膨胀的第一类错误换取更高的功效。对比试验之间的风险率会妨碍固定效应和随机效应模型的准确估计。当对基线风险率相似的汇总试验中不均匀分布的协变量建模时，与固定效应相比，具有随机试验效应的考克斯比例风险模型更准确地估计风险比。不同的试验间基线风险率使随机效应模型和固定效应模型产生偏倚。由于协变量分布不均匀且各试验的基线风险率相似，随机效应考克斯比例风险模型优于固定效应模型，但无法克服基线风险率的差异。
2018-05-08 stat.AP
Efficient adaptive designs with mid-course sample size adjustment in clinical trials
自适应设计已被提出用于临床试验，其中干扰参数或感兴趣的替代方案是未知的或可能在试验前被错误指定。鉴于大多数以前的作品中的自适应设计和中期样本量重新估计集中在两个阶段或组序贯设计在正常情况下，我们认为在这里一个新的方法，涉及最多三个阶段，并在多参数指数家庭的一般框架。这种方法不仅保持了规定的第一类错误概率，而且还提供了一个简单但渐近有效的序贯检验，其有限样本性能，以预期的样本量和功效函数衡量，与动态规划确定的最优序贯设计相当，在简化的正态均值情况下，已知方差和预先指定的替代方案，并且优于现有的两阶段设计，也优于当备选或干扰参数未知或错误指定时的自适应组序贯设计。
2011-05-17 math.ST stat.ME stat.TH
Application of Dynamic Linear Models to Random Allocation Clinical Trials with Covariates
Lee，Boone等人（2020）提出了一种使用动态线性模型改善随机分配模型中首选治疗分配预算的最新方法。然而，该模型未能包括吸烟、性别等协变量对模型性能的影响。本文讨论了在贝叶斯自适应分配模型中使用DLM随机分配治疗的问题。我们显示了减少的治疗分配预算以及减少的时间来定位首选治疗。此外，对均值和方差参数进行敏感性分析，并使用贝叶斯因子进行功效分析。该功效分析用于确定高于指定截止值的未分配患者预算的比例。此外，还对协变量系数进行了敏感性分析。
2020-09-22 stat.AP
Bridging Balancing Weights and Augmentation in Covariate-adjusted Analyses with Time-to-Event Endpoints: Theory and Practical Recommendations
Duke University（杜克大学）；Eli Lilly and Company（礼来公司）
本文针对带时间-事件终点的协变量调整分析，证明平衡权重法与数据增强法、边缘Cox得分法一阶等价，校准加权无需拟合模型即可达到目标，还通过模拟和REWIND试验验证了结果并给出方差估计建议。
2026-08-10 math.ST stat.AP stat.ME
Optimizing Precision and Power by Machine Learning in Randomized Trials, with an Application to COVID-19
快速发现有效的治疗方法需要有效地利用临床试验中的可用资源。使用协变量调整可以产生具有更高精度的统计估计值，从而减少得出无效或有效性结论所需的受试者数量。我们关注事件发生时间和顺序结局。随机研究中协变量调整的一个关键问题是如何拟合一个将结果与基线协变量相关联的模型，以最大限度地提高精度。我们提出了一个新的理论结果，建立了依赖于机器学习的各种协变量调整估计量的渐近正态性条件（例如，l1-正则化、随机森林、XGBoost和多元自适应回归样条），假设结果数据是完全随机缺失的。我们进一步提出了一个渐近方差的相合估计量。重要的是，这些条件不要求机器学习方法收敛到以基线变量为条件的真实结果分布，只要它们收敛到某个（可能不正确的）极限即可。我们进行了一项模拟研究，以评估上述预测方法在COVID-19试验中的性能，使用来自威尔康奈尔医学纽约长老会医院1,500多名COVID-19住院患者的纵向数据。我们发现，使用l1正则化导致估计和相应的假设检验，控制类型1错误，并在所有样本量测试比未经调整的估计更精确。我们还表明，当协变量不是预后的结果，l1正则化仍然是精确的未经调整的估计，即使在小样本量（n = 100）。我们给出了一个R包adjrct，它对顺序和事件发生时间结果进行模型稳健协变量调整。
2021-09-09 math.ST stat.ME stat.TH
Efficient Covariate-Adaptive Randomization with Smallest Selection Bias in Clinical Trials
Zhejiang Gongshang University（浙江工商大学）
本文建立理论框架分析协变量自适应随机化临床试验中检验功效与选择偏差的关系，提出兼顾两者的新方法，可实现渐近最大检验功效且选择偏差渐近可忽略。
2026-09-04 math.ST stat.TH
Information-adaptive clinical trials: a selective recruitment design
我们提出了一种新的适应性设计的临床试验与时间到事件的结果和协变量（可能包括或包括生物标志物）。我们的方法是基于比例风险模型的后验分布的期望熵。预期熵被评估为患者的协变量的函数，并且由于患者而获得的信息被定义为相应熵的减少。只有在候选患者可能提供足够信息的情况下，才能招募他们参加试验。筛选出具有被认为无信息的协变量的患者。一个特殊的情况是，所有患者都被招募，我们确定最佳的治疗组分配。这种自适应设计的优点是，可以使用较少的患者来阐明协变量、治疗和生存概率之间的关系，尽管这是以拒绝一些候选人为代价的。我们使用德国乳腺癌研究组的数据和生物标志物验证试验的数值模拟来评估我们的自适应设计的性能。
2016-03-28 math.ST stat.AP stat.TH
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
Accounting for Inconsistent Use of Covariate Adjustment in Group Sequential Trials
针对群序贯试验中协变量调整使用不一致导致的I类错误膨胀和估计偏差问题，提出正确的期中监测、估计与推断方法，并通过模拟研究验证其性能，最终给出应用建议。
2023-08-09 stat.ME
Covariate Adjustment for Wilcoxon Two Sample Statistic and Test
Zhejiang University of Finance and Economics（浙江财经大学）；University of Wisconsin, Madison（威斯康星大学麦迪逊分校）；University of Washington（华盛顿大学）；Eli Lilly and Company（礼来公司）
本文提出对Wilcoxon两样本统计量和检验进行协变量调整，以提高估计效率并扩大其在协变量自适应随机化场景中的应用范围。
2026-02-17 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
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
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
A Robustness Test for Estimating Total Effects with Covariate Adjustment
针对线性结构方程模型中因果图不确定的问题，提出利用多个有效调整集检验总效应估计稳健性的方法，并给出调整集选择策略及与计量经济学系数稳定性检验的联系。
2022-06-15 stat.ME
Covariate adjustment and prediction of mean response in randomised trials
除了随机分组外，随机试验的分析通常基于调整基线协变量的回归模型。基于这些模型，通过对试验中基线协变量经验分布的基于模型的预测进行平均，可以获得分配至每种治疗的人群的边际平均结局估计值。我们确定在什么条件下，这样的估计是一致的，特别是表明，典型的广义线性模型，所得到的估计总是一致的。我们发现，最近提出的方差估计低估了真实的方差时，基线协变量是不固定的重复采样，并提供了一个简单的调整，以弥补这一点。我们还描述了一种替代的半参数估计，即使当使用的结果回归模型是错误的，这是一致的。不同的估计比较，通过模拟和应用，最近进行的试验在哮喘。
2017-07-14 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
Inference for Sparse and Dense Functional Data with Covariate Adjustments
我们考虑使用局部线性核（LLK）估计协变量调整的函数数据的均值和协方差函数的推断。通过双重渐近，我们区分稀疏和密集协变量调整的函数数据-取决于m（每个函数的离散化点）和n（函数的数量）的相对顺序。我们的模拟结果表明，现有的渐近正态性的结果可能会导致严重的误导性推断在有限样本。我们解释这种现象的基础上，我们的理论结果，并提出有限样本校正，提供了实际有用的近似推理稀疏和密集的数据场景。我们的理论结果的相关性展示使用真实数据的应用程序。
2018-02-27 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
Evaluating tests for cluster-randomized trials with few clusters under generalized linear mixed models with covariate adjustment: a simulation study
该研究通过模拟评估含协变量调整的GLMM下少群组整群随机试验的检验方法，发现少协变量时组间-组内自由度似然比检验I类错误率接近名义水平，多协变量时无通用优效方法，建议控制协变量数量并采用该检验。
2023-11-06 stat.ME
COADVISE: Covariate Adjustment with Variable Selection in Randomized Controlled Trials
North Carolina State University（北卡罗来纳州立大学）；Duke Clinical Research Institute, Duke University（杜克大学临床研究所，杜克大学）；Department of Biostatistics and Bioinformatics, Duke University School of Medicine（杜克大学医学院生物统计与生物信息学系）；Northeastern University（东北大学）
针对高维协变量随机对照试验，提出兼顾线性与非线性调整的 COADVISE 变量选择框架，证明其一致性、效率与稳健方差估计，并通过模拟和 BestAIR 数据再分析验证。
2025-10-20 stat.ME
Covariate adjustment in continuous biomarker assessment
连续的生物标志物通常用于疾病筛查和诊断。为了达到二分法的临床决策，将施加阈值以区分患有疾病的受试者和未患病的个体。在连续生物标志物的各种性能度量中，在受控灵敏度水平下的特异性（或反之亦然）通常对于临床实用性是期望的，因为它直接靶向临床测试预期操作的地方。协变量（如年龄、人种和样本采集）可能影响亚群中的受控敏感性水平，也可能混淆生物标志物与疾病状态之间的关联。因此，协变量调整在此类生物标志物评价中很重要。在本文中，我们建议采用简约的分位数回归模型的患病人群，在控制的敏感性水平，并评估特异性与协变量特异性控制的敏感性。方差估计是从基于样本的方法和自助法获得的。此外，我们提出的局部模型很容易扩展到一个全球的协变量调整的受试者工作特征（ROC）曲线的敏感性连续。我们证明了该方法的计算效率，并恢复估计协变量调整后的ROC曲线的固有单调性。所提出的估计量的渐近性质的建立。仿真研究表明，良好的性能的建议。最后，我们说明了我们的方法在生物标志物评估的侵袭性前列腺癌。
2021-04-20 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
A Rule of Thumb for the Power Gain due to Covariate Adjustment in Randomized Controlled Trials with Continuous Outcomes
针对连续结局随机对照试验中的基线协变量调整，本文推导并给出一条在未校正功效约80%时估算功效增益比的简洁经验法则。
2023-08-09 stat.ME
