The RobinCar Family: R Tools for Robust Covariate Adjustment in Randomized Clinical Trials
University of Washington(华盛顿大学);Global Statistical Sciences, Eli Lilly and Company(礼来公司全球统计科学部);BARDS, MSD(默沙东 BARDS);AstraZeneca(阿斯利康);RCONIS;Gilead Sciences(吉利德科学)
RobinCar家族是用于随机临床试验中稳健协变量调整的R工具,提供多种统计方法和实用指南。
2026-01-20 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
Modeling county level breast cancer survival data using a covariate-adjusted frailty proportional hazards model
了解解释存活时间差异的因素是制定改善国家卫生系统政策的一个重要问题。乳腺癌的监测流行病学和最终结果计划所产生的数据的动机,我们提出了一个协变量调整的比例风险脆弱性模型的分析集群的右删失数据。而不是将可交换的弱点在常用的生存模型的线性预测,我们允许脆弱性分布灵活地改变连续和分类聚类水平的协变量和模型使用依赖贝叶斯非参数模型。由此产生的过程是灵活的,易于使用现有的R包。该模型在我们的激励性例子中的应用表明,与直觉相反,在20世纪90年代的一段时间内,在更多的农村和不太富裕的爱荷华州县被诊断出乳腺癌的人生存得更好。其他分析显示,较早时间窗的趋势相反。我们推测,这种异常是由于越来越多的激素替代疗法治疗规定更多的城市和富裕的亚群。
2015-05-12 stat.AP
Covariate-adjusted win statistics in randomized clinical trials with ordinal outcomes
Shenzhen Technology University(深圳理工大学);Feinberg School of Medicine, Northwestern University(西北大学费恩伯格医学院);University of Wisconsin - Madison(威斯康星大学麦迪逊分校);Yale University School of Public Health(耶鲁大学公共卫生学院);Yale Center for Analytical Sciences, Yale University School of Public Health(耶鲁大学公共卫生学院分析科学中心);University of Washington(华盛顿大学);Clinical Learning, Evidence, and Research (CLEAR) Center, University of Washington(华盛顿大学临床学习、证据与研究(CLEAR)中心);Section of Cardiovascular Medicine, Department of Internal Medicine, Yale School of Medicine(耶鲁医学院内科学系心血管医学部);Cardiovascular Medicine Analytics Center, Yale School of Medicine(耶鲁医学院心血管医学分析中心);Center for Methods in Implementation and Prevention Science, Yale School of Public Health(耶鲁大学公共卫生学院实施与预防科学方法中心)
针对序数结局,提出基于倾向性评分加权和增广加权的胜率估计方法,实现协变量调整以提高效率,并证明模型稳健性。
2026-06-12 stat.ME
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
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
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
Enhancing Longitudinal Clinical Trial Efficiency with Digital Twins and Prognostic Covariate-Adjusted Mixed Models for Repeated Measures (PROCOVA-MMRM)
针对纵向临床试验效率低的问题,提出PROCOVA-MMRM方法,结合PROCOVA与MMRM,利用AI生成的预后评分提升治疗效应估计精度,在AD和ALS等适应症中显著提升统计功效与精度,并证实可减少样本量与试验成本。
2024-04-26 stat.AP
Effect modification in anchored indirect treatment comparisons: Comments on "Matching-adjusted indirect comparisons: Application to time-to-event data"
这篇评论涉及Aouni,Gaudel-Dedieu和Albertien最近进行的一项模拟研究,该研究评估了不同版本的匹配调整间接比较(MAIC)在锚定场景中的性能。模拟研究使用生存结局和Cox比例风险回归作为结局模型。它的结论是,使用LASSO的变量选择是更好的平衡最大的协变量集。然而,本研究中没有不平衡的处理效应调节剂。LASSO更有效,因为它选择了最大协变量集的一个子集,但在诱导偏倚的效应修饰因子中没有交叉研究不平衡。我们强调以下几点:(1)在锚定设置中,MAIC是必要的,如果有跨试验的不平衡的效果修饰语;(2)标准的间接比较提供了更高的精度和准确性比MAIC,如果没有效果修饰语的不平衡;(3)当模拟研究的目标被估量是条件处理效应时,MAIC目标是边际或群体平均处理效应;(4)在MAIC中,变量选择是一个低维度的问题,像LASSO这样的稀疏诱导方法可能是有问题的。最后,数据驱动的方法并不排除在选择效果修改器时对主题知识的必要性。附录中提供了R代码,以重复分析并说明我们的观点。
2021-11-04 stat.AP stat.ME
Multilevel network meta-regression for multistate models: Population-adjusted joint synthesis of progression and survival from individual and aggregate data
University of California, San Francisco(旧金山加利福尼亚大学);UCSF Helen Diller Family Comprehensive Cancer Center(UCSF海伦·迪勒家族综合癌症中心);The Philip R. Lee Institute for Health Policy Studies(菲利普·李健康政策研究所);Precision AQ
本文介绍多状态模型的多级网络荟萃回归(ML-NMR-MS),将ML-NMR整合的IPD加AgD似然嵌入疾病-死亡多状态模型,解决协变量不平衡问题,产生人群调整的联合PFS/OS治疗效果,可直接参数化状态转换经济模型。
2026-11-13 stat.ME
The covariate-adjusted residual estimator and its use in both randomized trials and observational settings
我们经常试图在随机和观察环境中估计暴露对特定结果的因果影响。其中一种估计方法是协变量调整残差估计,它是为单独或集群随机试验设计的。在这篇手稿中,我们研究了这个估计的性质,并开发了一个新的估计,利用协变量调整和逆概率加权我们支持我们的理论结果与模拟研究和应用在传染病设置。协变量调整残差估计量是随机试验中平均处理效应的有效无偏估计量;但是,不能保证在观察性研究中无偏。我们的新估计,协变量调整残差估计与逆概率加权,是无偏的随机和观察设置下,一组合理的假设。此外,当这些假设成立时,它在观察性研究中提供了比逆概率加权更高的效率。协变量调整残差估计量在随机试验中有效,但不应用于观察性研究。具有逆概率加权的协变量调整残差估计量为随机化和观察性设置提供了一种有效的替代方法。
2019-10-24 stat.AP 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
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
Covariate Adjustment in Randomized Clinical Trials with Missing Covariate and Outcome Data
本文针对随机临床试验中的缺失数据问题,回顾并提出了结合逆概率加权与重叠加权的协变量调整方法,强调交互项的重要性,通过模拟和实际试验证明其能提高处理效应估计精度。
2023-05-17 stat.ME
Combining Covariate Adjustment with Group Sequential, Information Adaptive Designs to Improve Randomized Trial Efficiency
在临床试验中,通过适当调整统计分析中的基线变量,有可能提高精密度并减少所需的样本量。这称为协变量调整。尽管监管机构建议进行协变量调整,但它仍然未得到充分利用,导致试验效率低下。我们解决了两个障碍,使其具有挑战性的协变量调整。第一个障碍是在成组序贯设计(GSDs)中,许多协变量调整估计量与常用的边界不相容。第二个障碍是设计阶段的不确定性,即协变量调整会带来多少精度增益。我们提出了一种方法,修改原来的估计,使其成为兼容GSD,同时增加或保持不变的估计的精度。我们的方法允许使用任何渐近线性估计,其中包括许多随机试验中使用的估计。在此基础上,我们建议使用信息自适应设计,即继续试验,直到达到所需的信息水平。这样的设计适应于精度增益的量,并且可以导致更快、更有效的试验,而不牺牲有效性或功率。我们评估估计性能模拟功能的一个完整的中风试验。
2022-06-16 stat.ME
Robust Variance Estimation for Covariate-Adjusted Unconditional Treatment Effect in Randomized Clinical Trials with Binary Outcomes
为了提高具有二元结局的随机临床试验中无条件处理效应的估计精度和检验假设的功效,研究人员和监管机构建议使用g计算作为协变量调整的可靠方法。然而,g-计算的实际应用受到阻碍,缺乏一个明确的强大的方差公式,可以用于不同的无条件处理效应的利益。为了填补这一空白,我们提供了明确的和强大的方差估计g-计算估计,并通过模拟证明,方差估计可以可靠地应用于实践。
2023-03-27 stat.AP stat.ME
Bayesian analysis of restricted mean survival time adjusted for covariates using pseudo-observations
本文提出一种结合伪观测与广义矩方法的新型贝叶斯方法,无需建模生存函数即可估计协变量调整的RMST,模拟与前列腺癌III期试验验证其有效性、精度及可解释性。
2025-03-27 stat.AP stat.ME
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
Flexible Inference of Optimal Individualized Treatment Strategy in Covariate Adjusted Randomization with Multiple Covariates
为了最大限度地提高临床效益,临床医生通常根据每个患者的个体特征定制治疗,需要个性化的治疗规则,这对统计学家来说具有重要的研究意义。在具有许多协变量的协变量调整的随机化临床试验中,我们用协变量的单个指数的未指定函数来建模处理效应,并且使基线响应完全任意。我们设计了一类估计器,以一致地估计处理效应函数及其相关指数,同时绕过基线响应的估计,这是受维数灾难。我们进一步开发推理工具,以确定预测协变量和隔离有效的治疗区域。在模拟和临床数据的例子证明了该方法的实用性。
2021-11-19 stat.ME
A Covariate-Adjusted Homogeneity Test with Application to Facial Recognition Accuracy Assessment
本文提出协变量调整的ROC同质性检验,用于比较多组评分者准确率,并通过理论推导、模拟验证及五组人脸识别数据分析证明其有效性。
2023-07-17 stat.AP stat.ME stat.ML
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
Covariate-Adjusted Inference for Differential Analysis of High-Dimensional Networks
对应于疾病状况的生物网络之间的差异可以帮助描述潜在的疾病机制。现有的差分网络分析方法没有考虑网络对协变量的依赖性。因此,这些方法可以检测由协变量对疾病状况和网络的影响引起的虚假差分连接。为了解决这个问题,我们提出了一个通用的协变量调整测试差分网络分析。我们的方法通过测试原假设来评估差分网络连接性,即对于具有相同协变量且仅疾病状态不同的个体,网络是相同的。我们在一项模拟研究中实证表明,与不考虑协变量的朴素假设检验程序相比,协变量调整检验具有改进的第一类错误控制。我们还表明,有设置中,我们提出的方法提供了改进的功率来检测差分连接。我们说明了我们的方法,将其应用于检测乳腺癌基因共表达网络的亚型的差异。
2021-05-17 stat.ME
Subgroup Identification using Covariate Adjusted Interaction Trees
我们考虑在临床试验中识别具有增强的处理效应的参与者亚组的问题。基于组间处理效应差异的一些测量递归地划分协变量空间的递归划分方法对于这样的亚组识别是流行的。最常用的递归划分方法,分类和回归树算法,首先通过使用一些分裂标准递归地划分协变量空间来创建一棵大树,然后从大树的所有子树中选择最终的树。在亚组识别的背景下,分裂标准的计算和用于最终树选择的评价指标依赖于比较治疗组和对照组之间的平均值差异。当协变量对结局具有预测性时,与使用治疗组和对照组之间的平均值差异相比,协变量调整估计量能够提高效率。这份手稿开发了两个协变量调整估计,可用于分裂决策和最终的树选择。协变量调整递归分割算法的性能进行评估,使用模拟和分析的临床试验,评估是否动机访谈改善物质滥用者的治疗参与。
2018-06-21 stat.ME
Efficient Inference for Covariate-adjusted Bradley-Terry Model with Covariate Shift
本文针对协变量偏移下的成对比较问题,提出基于Kullback-Leibler投影的协变量调整Bradley-Terry模型推断框架,开发了半参数高效估计方法,并应用于评估大语言模型与人类偏好的对齐。
2025-04-09 stat.ME
Covariate-Adjusted Functional Data Analysis for Structural Health Monitoring
Helmut Schmidt University(赫尔穆特·施密特大学);Technical University of Munich(慕尼黑工业大学)
本文提出一种函数对函数回归框架,结合半参数建模与函数主成分分析,用于结构健康监测中调整协变量变异并进行长期监测。
2024-12-07 stat.AP stat.ME
Methodological considerations for novel approaches to covariate-adjusted indirect treatment comparisons
本文围绕间接治疗比较中的协变量调整方法,系统讨论了加权与结局建模的偏倚稳健性、有限重叠下的模型外推、数据自适应建模的挑战以及双重稳健框架的前景。
2023-05-26 stat.ME
Nonparametric covariate-adjusted response-adaptive design based on a functional urn model
在本文中,我们提出了一个新的功能瓮模型的基础上的协变量调整的响应自适应(CARA)设计的一般类。我们证明了在整个研究中以及对于每个协变量特征,关于功能瓮比例和分配至治疗组的受试者比例的强一致性,允许以协变量为条件的响应分布以非参数方式估计。此外,我们建立联合中心极限定理上述数量和充分统计量的功能感兴趣的,它允许构建程序,使推理的条件响应分布。然后将这些结果应用于有关高斯和二进制响应的典型情况。
2017-12-18 stat.ME
Bayesian nonparametric inference for the covariate-adjusted ROC curve
疾病的准确诊断在临床实践和医学研究中至关重要。在医学诊断试验常规用于实践之前,必须通过统计分析严格评估其区分疾病和非疾病状态的能力。受试者工作特征(ROC)曲线是评价连续结果诊断试验区分能力的最常用工具。已经认识到有几个因素(例如,受试者特异性特征,如年龄和/或性别)可以影响测试的准确性,而不仅仅是疾病状态。最近,协变量调整的ROC曲线已被提出并成功地应用为考虑协变量信息的诊断准确性的全局汇总度量。我们鼓励使用协变量调整的ROC曲线,并开发了一个高度稳健的B-样条依赖Dirichlet过程混合模型和贝叶斯自助模型的基础上相结合的模型。多个模拟研究表明,我们的模型能够成功地恢复真正的协变量调整ROC曲线,并在各种复杂的情况下产生有效的推断。我们的方法的动机和应用于内分泌研究,其主要目标是评估身体质量指数的准确性,根据年龄和性别进行调整,用于预测心血管疾病风险因素的集群。的R-包AROC,实现我们提出的方法,提供。
2018-05-30 stat.ME
Network-Adjusted Covariates for Community Detection
本文提出一种基于网络调整协变量的谱聚类方法,利用节点度加权协变量实现无需调参的社区检测,在理论最优性和实际数据上均优于现有方法。
2024-02-11 stat.ME
A semiparametric approach for the estimation of covariate-adjusted area under the receiver operating characteristic curve
The George Washington University(乔治华盛顿大学);Georgetown University(乔治城大学)
本研究针对临床中生物标志物判别性能的协变量异质性问题,提出基于广义加性模型的半参数框架估计协变量调整的AUC,通过模拟和ADNI数据验证了方法的有效性。
2026-08-17 stat.ME
Estimators for covariate-adjusted ROC curves with missing biomarkers values
在本文中,我们提出了三个估计的ROC曲线时,丢失的观察生物标志物之间出现。其中两个过程假设我们有协变量,允许估计的倾向和估计量获得使用逆概率加权方法或它的平滑版本。另一个假设协变量相关的生物标志物通过回归模型,使我们能够构建基于卷积的分布和分位数函数的估计。在温和的条件下获得一致性结果。通过数值研究,我们评估有限样本性能的不同建议。一个真实的数据集进行了分析。
2022-01-17 stat.ME
Objective Bayes Covariate-Adjusted Sparse Graphical Model Selection
提出了一种用于高斯多元回归模型中协方差选择的客观贝叶斯方法,该模型的误差项具有关于有向无环图(DAG)的马尔可夫协方差结构。范围是协变量调整稀疏图形模型选择,一个日益重要的主题,特别是在遗传基因组学(eQTL分析)领域。具体来说,我们提供了一个封闭形式的表达的边缘可能性的任何DAG(与小的父集),其计算几乎不需要主观的启发由用户,只涉及共轭矩阵正常Wishart分布。这是通过一种特定形式的先验分配来实现的,根据分数贝叶斯因子的概念,在完整的DAG模型下只需要指定一个先验。其他DAG模型下的所有先验都是使用Geiger & Heckerman(2002)的术语中的先验模块性和全局参数独立性导出的。由于我们获得的边际似然是恒定的每一类马尔可夫等价的DAG,我们的方法自然专门协变量调整可分解的图形模型。
2015-10-08 stat.ME
Covariate-adjusted statistical dependence representation through partial copulas: bounds and new insights
Carlos III University of Madrid(马德里卡洛斯三世大学);Ghent University(根特大学)
本文重新审视部分Copula的概念,证明其可作为偏相关的非线性类比,并揭示条件Copula的依赖性如何约束部分Copula的形式,通过模拟展示其在因果推断中恢复因果效应真实符号的潜力。
2026-05-24 stat.ME
Two-stage matching-adjusted indirect comparison
锚定协变量调整的间接比较为报销决策提供信息,其中感兴趣的治疗之间没有头对头试验,研究共有一个共同的对照组,并且存在患者水平的数据限制。匹配调整间接比较(MAIC)是最广泛使用的协变量调整间接比较方法。当加权后的有效样本量较小时,MAIC的精度较差且效率较低。提出了一种对MAIC的模块化扩展,称为两级匹配调整间接比较(2SMAIC)。它使用两个参数模型。一种是用个体患者数据(IPD)估计研究中的治疗分配机制,另一种是估计试验分配机制。所得权重旨在平衡治疗组之间和研究之间的协变量。一项模拟研究在两项随机试验的间接比较中提供了原理证明,并首次探索了权重截断与MAIC的结合使用。尽管在IPD试验中实施了随机化并了解了真正的治疗分配机制,但2SMAIC在所有情况下都提高了MAIC的精确度和效率,同时保持了类似的低水平偏差。当IPD试验中的样本量较低时,两阶段方法是有效的,因为它控制了研究组之间预后基线协变量的机会不平衡。当试验的目标人群之间的重叠很差并且权重的极值很高时,它就不那么有效了。在这些情况下,截断导致大量的精度和效率增益,但引起相当大的偏差。两阶段方法与截断的组合产生最高的精度和效率改进。
2022-06-29 stat.AP stat.ME
Covariate-Adjusted Tensor Classification in High-Dimensions
在当代科学研究中,基于高维张量(即多维数组)和额外的协变量预测分类响应是非常有趣的。不同类型数据的混合导致统计分析面临挑战。基于科学和工程应用的需要,本文提出了一种综合性的、可解释的判别分析模型CATCH模型(Covariate-Adjusted Tensor Classification in High-dimensions),该模型有效地将协变量和张量结合起来预测分类结果。CATCH模型联合建模协变量、张量预测变量和分类响应之间的关系。更重要的是,它保留和利用数据的结构,以实现最大的可解释性和最佳预测。为了解决令人生畏的张量维度所带来的新的计算和统计挑战,我们提出了一种惩罚方法来选择在调整协变量后具有直接区分效果的张量预测项的子集。我们进一步开发了一个有效的算法,利用张量结构。理论结果表明,即使在张量维数远大于样本量的情况下,我们的方法也能达到变量选择的一致性和最优分类误差。我们的方法比现有的方法的优越性能表现在广泛的模拟和真实数据的例子。
2018-05-11 stat.ME
Debiased inference for a covariate-adjusted regression function
针对协变量调整回归函数的非参数推断问题,提出一种去偏局部线性估计量,可构建渐近有效置信区间与一致置信带,达最优收敛速度,并通过数值实验和空气污染对心血管死亡率影响的分析验证性能。
2023-12-15 stat.ME
Covariate-Adjusted Response-Adaptive Design with Delayed Outcomes
University of California San Diego(加州大学圣地亚哥分校);University of California Berkeley(加州大学伯克利分校);University of Southern California(南加州大学)
本文提出了一种考虑延迟结果的前瞻性CARA设计,通过动态更新治疗分配提升统计功效和受试者福利。
2025-12-09 stat.ME
A new test for assessing the covariate effect in ROC curves
Universidad de Oviedo(奥维耶多大学);Universidade de Vigo(维戈大学);Universidade de Santiago de Compostela(圣地亚哥-德孔波斯特拉大学)
本文针对ROC曲线性能受协变量影响的问题,提出比较协变量调整与合并ROC曲线的新检验,以判断能否排除协变量并说明其对后续分析的影响。
2024-11-26 stat.AP stat.ME
Population-Adjusted Indirect Treatment Comparison with the outstandR Package in R
Department of Statistical Science UCL London UK(伦敦大学学院统计科学系)
针对缺乏头对头试验时的间接治疗比较,提出R包outstandR,通过G计算和多重插补边际化方法实现人群调整,提供统一框架进行稳健证据合成。
2026-06-09 stat.CO
Regression-Adjusted Estimation of Quantile Treatment Effects under Covariate-Adaptive Randomizations
协变量自适应随机化(CAR)田间试验的数据集通常包含额外的协变量,除了层指标。我们建议通过辅助回归将这些额外的协变量纳入CAR下无条件分位数处理效应(QTE)的估计和推断中。我们建立了回归调整QTE估计的相合性和极限分布,并证明了在CAR下使用乘子自助推断是非保守的。当数据是高维的时,辅助回归可以参数化地、非参数化地或通过正则化来估计。即使在辅助回归被错误指定的情况下,所提出的自举推理过程仍然在零值下的极限内达到名义拒绝概率。当正确指定辅助回归时,回归调整估计量达到最小渐近方差。我们还讨论了形式的调整,可以提高效率的QTE估计。有限样本的新的估计和推理方法的性能进行了研究,在模拟和经验应用到一个著名的数据集有关扩大获得基本的银行账户储蓄报告。
2022-09-05 econ.EM stat.ME
Asymptotically Normal and Efficient Estimation of Covariate-Adjusted Gaussian Graphical Model
提出了一种无调谐的方法来估计协变量调整的高斯图模型。对于每个有限子图,该估计是渐近正态的和有效的。因此,可以获得每个边缘的置信区间。该方法通过对子图或边的并行估计,实现简单,计算效率高。我们进一步应用渐近正态性的结果,通过边缘自适应阈值进行支持恢复。这种支持度恢复过程称为ANTAC,代表调整协变量后保持不变的渐近正态估计。在一系列的模拟研究中,ANTAC优于文献中的其他方法。我们应用ANTAC使用eQTL数据集来识别基因-基因相互作用。与CAMPE相比,我们的结果具有更好的可解释性和准确性。
2013-09-23 math.ST stat.ME stat.TH
Statistical Inference for Covariate-Adjusted and Interpretable Generalized Factor Model with Application to Testing Fairness
Faculty of Business and Economics, University of Hong Kong(香港大学工商管理学院);Department of Statistics, University of Michigan(密歇根大学统计系)
本文提出了一种具有协变量调整和可解释性的广义因子模型,用于评估教育测试的公平性,并通过实验证明了其有效性。
2026-01-09 stat.ME
Rematching on-the-fly: sequential matched randomization and a case for covariate-adjusted randomization
本文提出序贯重匹配随机化(SRR),通过同时随机化、动态阈值和允许匹配解除重匹配来扩展序贯匹配随机化,并在简化设置与实际案例中验证其能改善协变量平衡、估计效率和研究效能。
2023-07-11 stat.ME
ROC Analysis with Covariate Adjustment Using Neural Network Models: Evaluating the Role of Age in the Physical Activity-Mortality Association
Al-Balqa Applied University(阿尔巴拉克应用大学);University of North Carolina(北卡罗来纳大学);University of South Carolina(南卡罗来纳大学);University of Santiago de Compostela(圣地亚哥-德孔波斯特拉大学);Harvard University(哈佛大学)
本文提出基于神经网络的协变量调整ROC建模框架,用于灵活非线性评估生物标志物区分能力,并通过模拟和临床案例验证,凸显年龄等协变量调整的重要性及TAC作为功能能力生物标志物的潜力。
2025-10-16 stat.AP stat.ME stat.ML
Dissecting Microbial Community Structure and Heterogeneity via Multivariate Covariate-Adjusted Clustering
University of Connecticut Health Center(康涅狄格大学健康中心);Department of Biostatistics, University of Michigan(密歇根大学生物统计系);Department of Statistics, University of Connecticut(康涅狄格大学统计学系)
该研究提出Dirichlet-多项混合回归(DMMR)模型,可联合聚类微生物组谱并考虑协变量的同异质性效应,经模拟验证有效,在儿科哮喘上呼吸道微生物组数据应用中揭示了关联临床特征的微生物亚型。
2026-07-31 q-bio.QM stat.AP stat.ME
Marginalization of Regression-Adjusted Treatment Effects in Indirect Comparisons with Limited Patient-Level Data
当效应修饰因子存在交叉试验差异且患者水平数据有限时,人群调整方法(如匹配调整间接比较(MAIC))越来越多地用于比较边际处理效应。MAIC对协变量重叠不良敏感,无法外推到观察到的协变量空间之外。目前基于结果回归的替代方法可以外推,但目标是间接比较中不相容的条件性处理效应。当调整协变量时,必须对目标人群的条件估计值进行积分或平均,以恢复相容的边际处理效应。我们提出了一种基于参数G计算的边缘化方法,可以很容易地应用于结果回归是广义线性模型或Cox模型。此外,我们介绍了一种新的通用方法的基础上多重插补,我们称之为多重插补边缘化(MIM),适用于广泛的模型。这两种方法都可以适应贝叶斯统计框架,它自然地将分析集成到概率框架中。模拟研究提供了原则证明的方法和基准对MAIC和传统的结果回归的性能。边缘化结局回归方法比MAIC实现了更精确和更准确的估计,特别是当协变量重叠较差时,并且在没有假设失败的情况下产生无偏的边缘处理效应估计。此外,边缘化的回归调整的估计提供了更高的精度和准确性比传统的结果回归产生的条件估计,这是系统性的偏见,因为效果的措施是不可折叠的。
2022-05-11 stat.AP stat.ME
Efficient nonparametric estimation of the covariate-adjusted threshold-response function, a support-restricted stochastic intervention
确定标志特定风险水平的生物标志物或治疗剂量阈值是一个重要问题,特别是在临床试验中。这种风险被视为阈值的函数,并可能对协变量进行调整,我们称之为阈值响应函数。扩展Donovan,Hudgens和Gilbert(2019)的工作,我们提出了协变量调整阈值响应函数的非参数有效估计器,该估计器利用机器学习和目标最小损失估计(TMLE)。我们还提出了一个更一般的估计,序贯回归的基础上,也适用于当有结果缺失。我们表明,对于给定的阈值的阈值响应可以被视为随机干预下的预期结果,其中所有参与者都被给予高于阈值的治疗剂量。我们证明了估计量是有效的,并刻画了它的渐近分布。给出了同时构造阈值响应函数及其逆函数的95%置信带的方法。此外,我们讨论了如何调整我们的估计时,治疗或生物标志物是随机缺失,是在临床试验中的情况下,有偏抽样设计,使用逆概率加权。这些方法在一组不同的模拟环境中进行评估,这些模拟环境具有罕见的结果和累积的病例对照抽样。该方法用于估计CYD14和CYD15登革热疫苗试验中病毒学确认的登革热风险的中和抗体阈值。
2023-03-03 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
Pairwise Covariates-adjusted Block Model for Community Detection
针对传统随机块模型(SBM)同社区节点随机等价假设的局限性,提出纳入成对协变量的PCABM模型,设计高效求解的SCWA算法并证明其一致性,还提出模型与特征选择算法,在多类网络中表现优于SBM和DCBM。
2023-05-01 math.ST stat.AP stat.ME
Covariate-adjusted Group Sequential Comparisons of Restricted Mean Survival Times
Medical College of Wisconsin(威斯康星医学院)
本文提出一种在分层比例风险模型下比较两个RMST的协变量调整成组序贯检验,无需恒定风险比假设,并证明了其大样本性质及独立增量结构,通过模拟和真实数据验证了有效性。
2025-09-17 stat.ME
Outcome-Adjusted Balance Measure for Generalized Propensity Score Model Selection
在这篇文章中,我们提出了结果调整的平衡措施,执行模型选择的广义倾向得分(GPS),这是一个重要组成部分,在两个以上的治疗水平的观察性研究的成对平均处理效应(ATE)的估计。平衡测量的主要目标是识别GPS模型规格,使得所得ATE估计器是一致且有效的。根据最近的经验和理论证据,我们建立了最佳的GPS模型应该只包括与结果相关的协变量。给定一组候选GPS模型,结果调整的平衡测量通过匹配每个候选模型来插补所有基线协变量,并选择使插补的协变量值与原始协变量值之间的绝对均值差的加权和最小化的模型。权重被定义为利用协变量-结果关系,使得没有最佳变量选择的GPS模型受到惩罚。在适当的假设下,我们表明,结果调整的平衡措施始终选择最佳的GPS模型,使由此产生的GPS匹配估计是渐近正常的和有效的。我们比较其有限样本的性能与现有的措施在模拟研究。我们说明了所提出的方法在辅导数据分析中的应用。
2021-07-26 stat.ME
Nonparanormal Adjusted Marginal Inference
本文提出非正态模型用于调整边际推断,直接估计边际处理效应(如比值比、风险比),并证明调整预后变量可提高Cohen's d等边际效应的精度。
2025-07-02 stat.ME
Covariate-Adjusted Deep Causal Learning for Heterogeneous Panel Data Models
University of Notre Dame(内布拉斯加大学)
本文提出协变量调整深度因果学习(CoDEAL),结合非线性协变量组件与多输出自编码器因子结构,以估计面板数据中的异质性处理效应,并通过矩阵补全实现反事实插补,理论保证收敛且实证表现优异。
2026-11-10 cs.LG econ.EM 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