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
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
Covariate Selection for Optimizing Balance with an Innovative Adaptive Randomization Approach
针对高维基线协变量下传统自适应随机化平衡性能不足的问题，提出一种整合患者响应与协变量信息的新颖自适应随机化方法，通过顺序选择显著协变量并保持其平衡，有效提升了治疗效果估计的效率。
2024-12-25 stat.ME
Treatment effect estimation under covariate-adaptive randomization with heavy-tailed outcomes
针对重尾结局下协变量自适应随机化的处理效应估计，本文分析基于影响函数的M估计量，提出分层变换均值差估计量与通用方差估计量，并证明核密度估计一致性。
2024-07-06 stat.ME
Bayesian Criterion for Re-randomization
本文提出重随机化的贝叶斯准则及相应新程序，以更精确量化协变量异质性对因果效应估计的影响，并在协变量平衡和因果效应估计精度上显著优于现有ReM方法。
2023-09-19 stat.ME
Covariate-adaptive randomization inference in matched designs
针对匹配观察研究中忽略组内倾向得分差异的问题，提出协变量自适应随机化推断，通过调整排列概率控制I型错误，并证明其有效性及敏感性分析推广，模拟和实证显示其优于传统均匀推断。
2023-11-10 stat.ME
Pairwise Sequential Randomization and Its Properties
在比较研究中，例如在因果推断和临床试验中，平衡重要的协变量通常是有效和可信比较的最重要问题之一。然而，在许多随机化实验中仍然存在机会不平衡现象。随着协变量$p$数量的增加，这种协变量失衡现象变得更加严重。为了解决这个问题，我们引入了一个新的随机化过程，称为成对顺序随机化（PSR）。所提出的方法顺序地和自适应地分配单元，使用关于当前不平衡水平和传入单元的协变量的信息。在协变量或单位数较多的情况下，该方法在协变量平衡性、估计精度和计算时间等方面均优于传统方法，是大数据时代的理想技术。所提出的方法达到最佳协变量平衡，在这个意义上，估计的处理效应根据所提出的方法渐近达到其最小方差。该方法在因果推断和临床试验中也有广泛的应用。数值研究和实际数据分析提供了进一步的证据所提出的方法的优点。
2018-07-27 stat.ME
Randomization Tests to Assess Covariate Balance When Designing and Analyzing Matched Datasets
观察性研究的因果分析通常因治疗组间的协变量不平衡而复杂化，匹配方法通过找到表现出协变量平衡的治疗组子集来缓解这种复杂性。人们普遍认为协变量平衡可以作为匹配数据集近似随机实验的证据，但是匹配数据集近似什么样的实验呢？在这项工作中，我们开发了一个随机化测试的假设，匹配的数据集近似于一个特定的试验设计，如完全随机化，区组随机化，或重新随机化。我们的测试可以包含任何试验设计，它允许图形显示，将几个设计放在同一个单变量尺度上，从而使研究人员能够确定哪个设计-如果有的话-最适合匹配的数据集。在研究人员确定合理的设计后，我们推荐一种基于随机化的方法来分析匹配的数据，该方法可以包含任何设计和处理效应估计量。通过模拟，我们发现，我们的测试可以经常检测违反随机分配，损害推理结果。此外，通过模拟和在政治学中的实际应用，我们发现具有高水平协变量平衡的匹配数据集倾向于近似平衡约束设计，如重新随机化，并且这样分析它们可以导致精确的因果分析。然而，假设一个精确的设计应该谨慎进行，因为它可能会损害推理结果，如果仍然有大量的偏见，由于剩余的不平衡匹配后。我们的方法在randChecks R包中实现，可在CRAN上获得。
2021-02-15 stat.ME
Quantile Treatment Effects and Bootstrap Inference under Covariate-Adaptive Randomization
本文研究协变量自适应随机化下分位数处理效应的估计和推断。我们提出两种估计方法：（1）简单分位数回归和（2）逆倾向得分加权分位数回归。对于这两个估计，我们得到了他们的渐近分布均匀分布在一个紧凑的一组分位数指标，并表明，当治疗分配规则没有达到强平衡，逆倾向得分加权估计有一个更小的渐近方差比简单的分位数回归估计。对于方法（1）的推论，我们证明了使用加权bootstrap标准误的Wald检验在拒绝下。但对于方法（2），其渐近规模等于名义水平。我们还表明，对于这两种方法，Wald检验使用协变量自适应引导标准误的渐近大小等于标称水平。我们说明了使用模拟和真实数据集的新的估计和推断方法的有限样本性能。
2020-02-25 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
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
Interaction tests with covariate-adaptive randomization
本研究针对协变量自适应随机化下的治疗-协变量交互作用检验，发现常用检验偏保守，提出修正检验及更高效的分层校正检验，涵盖两类协变量场景，为临床试验揭示治疗异质性、推进个体化医学提供工具。
2024-03-10 math.ST stat.ME stat.TH
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
Design-Based Causal Inference with Missing Outcomes: Missingness Mechanisms, Imputation-Assisted Randomization Tests, and Covariate Adjustment
针对基于设计因果推断中的结果缺失问题，提出灵活缺失机制与“插补与再插补”框架，实现精确随机化检验、协变量调整及置信区间构建，并经模拟和大规模实验验证。
2025-05-24 stat.ME
Randomization-Based Inference for Average Treatment Effects in Inexactly Matched Observational Studies
Department of Biostatistics, New York University（纽约大学生物统计学系）；Data Science Institute, University of Chicago（芝加哥大学数据科学研究所）；Center for Data Science, Zhejiang University（浙江大学数据科学中心）
本文提出逆后匹配概率加权方法，用于在不精确匹配情况下进行平均处理效应的随机化推断，通过理论和模拟结果证明其能有效降低偏差并提升覆盖率。
2026-04-03 stat.ME
Model-robust Inference for Seamless II/III Trials with Covariate Adaptive Randomization
HKUST（香港科技大学）
本文提出了一种基于广义线性模型的模型鲁棒框架，用于无缝II/III试验，通过调整Wald检验和多重比较程序，实现对不同结果类型和随机化方案的有效推断。
2025-12-16 stat.ME
A unified framework for covariate adjustment under stratified randomization
本文提出分层随机化下协变量调整与统计推断的统一框架，证明局部线性核加权最小二乘回归调整的有效性，并针对高维数据提出基于样本分割的机器学习推断算法，通过多种数据场景比较不同方法的估计表现。
2023-12-03 math.ST stat.ME stat.TH
On Efficient Estimation of Distributional Treatment Effects under Covariate-Adaptive Randomization
本文针对协变量自适应随机化实验，提出利用机器学习纳入额外协变量的分布回归框架以高效估计分布处理效应，并证明其达到半参数效率界。
2025-06-06 econ.EM math.ST stat.ML
Assumption-lean covariate adjustment under covariate adaptive randomization when $p = o (n)$
Tsinghua University（清华大学）；Shanghai Jiao Tong University（上海交通大学）；Renmin University of China（中国人民大学）
本文提出了一种基于二阶U统计量的调整估计器，在p=o(n)时能无偏估计平均治疗效应并保证效率提升，适用于协变量自适应随机化场景。
2025-12-23 econ.EM math.ST stat.ME
Covariate-adjusted Fisher randomization tests for the average treatment effect
Fisher随机化检验（FRT）在任何单位无处理效应的强原假设下提供精确的$p$值，并允许灵活的协变量调整以提高把握度。感兴趣的是，该程序是否也可用于检验平均处理效应为零的弱原假设。为此，我们评估了两个一般策略的FRT与协变量调整的检验统计量：从一个结果模型的残差的基础上，只有协变量，并从一个结果模型的输出与治疗和协变量。基于理论和模拟，我们建议使用观察结果对治疗、中心协变量及其相互作用的普通最小二乘（OLS）拟合进行协变量调整，并使用治疗的稳健$t$值作为检验统计量进行FRT。由此产生的FRT是有限样本精确的强原假设，渐近有效的弱原假设，更强大的比未经调整的模拟下的替代品，所有的线性模型是否正确指定或不。我们分别发展了完全随机化、整群随机化、分层随机化和再随机化的理论，并对每种设计下的检验程序和检验统计量给出了建议。我们首先关注有限总体视角，然后将结果扩展到超总体视角，突出显示标准误的差异。出于相似性的程序，我们还评估了现有的五个排列测试的设计为基础的性能，原来的线性模型，并显示了优越性的建议FRT测试的处理效应。
2021-04-29 math.ST stat.ME stat.OT
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
Evaluating A Key Instrumental Variable Assumption Using Randomization Tests
工具变量（IV）分析在卫生服务研究和流行病学中越来越普遍。大多数IV分析使用自然发生的仪器，例如到医院的距离。在这些分析中，研究者必须假设仪器是随机分配的。这个假设无法直接检验，但可以被证伪。文献中的大多数证伪检验比较了仪器和暴露之间观察到的协变量的相对患病率或偏倚。这些检验要求研究者对IV设计的有效性进行逐协变量判断。通常，只有一些协变量是均衡的，因此不清楚是否可以假设所有协变量的工具都是随机化的。我们提出了一种替代的证伪检验，比较IV平衡或偏倚与随机化下产生的平衡或偏倚。我们的测试的一个关键优势是，它允许全球平衡措施以及易于解释的图形比较。此外，我们的检验不依赖于任何参数假设，可用于有效评估工具是否比暴露量更接近随机化。我们证明了我们的方法在最近的IV应用程序，使用病床的可用性在重症监护病房（ICU）作为一种工具，进入ICU。
2019-07-03 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
An efficient and robust approach to Mendelian randomization with measured pleiotropic effects in a high-dimensional setting
使用工具变量对因果效应进行有效估计，要求所有工具均独立于以关注的风险因素和任何混杂因素为条件的结局。在使用大量遗传变异作为工具的孟德尔随机化研究中，不太可能满足此条件。任何给定的遗传变异都可能与大量的性状相关，所有这些性状都代表了绕过感兴趣的风险因素的结果的潜在途径。这种多效性可以使用标准的多变量孟德尔随机化来解释，其中所有可能的多效性性状都作为协变量。然而，如果某些协变量并不真正位于通向结果的多效性路径上，则以这种方式获得的估计量将是低效的。我们提出了一种方法，它使用正则化来识别出一组潜在的协变量需要在孟德尔随机化分析，以产生一个有效的和强大的估计的因果关系。该方法可用于无法获得个人层面数据且分析必须仅依赖汇总层面数据的情况。它也可以用于考虑的协变量比工具多的情况，这是不可能使用标准多变量孟德尔随机化的。我们展示了仿真研究的结果，证明了所提出的正则化方法在现实环境中的性能。我们还说明了一个应用的例子，它着眼于尿酸盐血浆浓度对冠心病的因果关系的影响的方法。
2019-11-01 stat.ME
Improving the Power of the Randomization Test
本文研究了以随机化检验对单侧原假设的把握度为准则的双臂随机化试验设计的评价问题。我们的评价假设一个观察到的协变量、一个未观察到的组分和一个加性处理效应的响应是线性的，其中唯一的随机性来自治疗分配。众所周知，功效取决于所观察协变量中的分配不平衡，这就是经典限制性设计（如重新随机化）的原因。我们发现，电源也受到其他两个设计选择：分配的数量在设计和分配之间的线性依赖的程度。我们证明了更多的分配，更高的权力和更低的变化的权力。具有更大的分配独立性的设计也被证明具有更高的性能。我们的理论研究结果和广泛的模拟研究表明，具有最高功效的设计提供了数千个高度独立的分配，每个分配都提供了所观察到的协变量的名义不平衡。这些高功效设计表现出比完全随机化更少的随机化和比最近提出的基于数值优化的设计更多的随机化。实践实验者的模型选择是重新随机化和贪婪对切换，两者都优于完全随机化和数值优化。我们发现的权衡也提供了一种方法来指定重新随机化时的不平衡阈值参数。
2020-08-13 stat.ME
On the achievability of efficiency bounds for covariate-adjusted response-adaptive randomization
本文研究协变量调整响应自适应随机化能否达到Armstrong（2022）提出的渐近效率界，通过分层双重自适应偏倚硬币设计证明分层差值均值估计量可在离散协变量场景下实现该效率界，为兼顾伦理与效率的自适应设计提供了新见解。
2024-11-25 math.ST stat.ME stat.TH
Inference in experiments conditional on observed imbalances in covariates
双盲随机对照试验传统上被视为因果推断的金标准，因为均值差估计量是实验中平均处理效应的无偏估计量。然而，该估计量在所有可能的随机化中无偏的事实并不意味着任何给定的估计值接近真实的处理效应。类似地，虽然预先确定的协变量在治疗组和对照组之间平均平衡，但在给定实验中可能观察到较大的不平衡，因此研究人员可能希望使用线性回归对此类协变量进行调节。本文研究了协变量观测差的均值差和OLS估计量\emph{conditional}的理论性质。通过推导条件估计量的统计性质，我们可以为如何处理协变量不平衡建立指导。我们研究了与OLS的推断，以及与新版本的Fisher精确检验，其中的随机化分布来自一个小的子集的所有可能的分配向量。
2021-08-24 stat.ME
Properties of restricted randomization with implications for experimental design
最近，在随机对照试验中，人们越来越关注使用严格限制的随机化设计，以加强对观察到的协变量的平衡。然而，当限制严格时，存在处理效应估计器将具有非常高的均方误差的风险。在本文中，我们正式这种风险，并提出了一种新的组合为基础的方法来描述和解决这个问题。首先，我们通过重新证明完全随机化和限制随机化的一些已知性质来验证我们的新方法。其次，我们提出了一种新的诊断措施，限制设计，只使用嵌入在组合的设计信息。第三，我们证明了在随机实验中的差异的均值估计的均方误差的方差是这个诊断措施的线性函数。最后，我们确定的情况下，限制设计可能会导致风险增加，得到一个高的均方误差，并讨论我们的诊断措施可以用来检测这样的设计。我们的研究结果对任何限制性随机化设计都有影响，并且可以用来评估在观察到的协变量上强制平衡和避免过于限制性的设计之间的权衡。
2021-10-14 stat.ME
Power-Optimal Covariate Adjustment for Switchback Experiments
DoorDash, Inc.（DoorDash公司）
针对集群规模不等的回切换实验，提出基于CUPAC的功率最优方差缩减方法，经蒙特卡洛模拟验证可提升统计功效。
2026-07-31 stat.ME
Asymptotic Properties of Multi-Treatment Covariate Adaptive Randomization Procedures for Balancing Observed and Unobserved Covariates
Zhejiang Gongshang University（浙江工商大学）
本文提出了一种通用框架，用于多治疗组临床试验中的协变量自适应随机化程序，以平衡观测和未观测协变量，并证明其在不同协变量类型下的渐近性质。
2026-02-15 math.ST stat.TH
On the statistical role of inexact matching in observational studies
在观察性因果推断中，精确协变量匹配起着两个统计作用：（i）它有效地控制了由于测量的混杂引起的偏倚;（ii）它证明了基于随机化检验的无干扰推断的合理性。本文表明，不精确的协变量匹配并不总是发挥这些相同的作用。我们发现，不精确的匹配往往会留下统计上有意义的偏见，这种偏见使标准的随机化测试渐近无效。因此，我们建议在不精确匹配后进行额外的基于模型的协变量调整。在局部误设定的框架下，我们证明了匹配使得随后的参数分析对模型选择或误设定不那么敏感。我们认为，获得这种鲁棒性是不精确匹配的主要统计作用。
2022-11-30 stat.ME
Rerandomization and covariate adjustment in split-plot designs
裂区设计起源于农业科学，实验单位也被称为子区，嵌套在被称为整块地的组中。它通过整区水平的整群随机化分配整区干预，并通过子区水平的分层随机化分配子区干预。随机化机制保证了整区和子区水平的协变量平均平衡，并确保了Horvitz-Thompson和Hajek估计量对平均处理效应的一致推断。然而，协变量的不平衡往往发生在有限的样本和科目随后的推断可能大的变异性和条件偏差。重新随机化广泛应用于随机化试验的设计阶段，以改善协变量的平衡。然而，现有的再随机化的文献集中在设计与治疗分配在单位或组水平，但不是两个，离开相应的理论在裂区设计中的再随机化一个悬而未决的问题。为了填补这一空白，我们提出了两种基于马氏距离的裂区设计重新随机化策略，并建立了相应的设计理论。我们证明了重新随机化可以提高Horvitz-Thompson和Hajek估计的渐近有效性。此外，我们在分析阶段提出了两种协变量调整方法，当与重新随机化相结合时，可以进一步提高渐近有效性。通过数值实验证明了所提方法的有效性和提高的效率。
2022-09-26 math.ST stat.ME stat.TH
Leveraging Random Assignment to Impute Missing Covariates in Causal Studies
针对随机实验中协变量缺失影响治疗效应估计的问题，研究对比了均值填补、回归单一填补、多重填补三类方法在遵循/忽略随机化原则下的表现，发现考虑随机化仅能小幅提升填补准确性，为异质性治疗效应估计中的协变量填补提供参考。
2020-11-08 stat.ME
Covariate Balancing Based on Kernel Density Estimates for Controlled Experiments
DePaul University（德保罗大学）；Illinois Institute of Technology（伊利诺伊理工学院）
本文提出基于核密度估计的协变量平衡方法，通过分区实现实验单元的平衡，提升均差估计的准确性，优于完全随机化和重随机化方法。
2021-01-18 stat.ME
Network-Constrained Matching and Randomization-Based Inference for Causal Effects
Brown University（布朗大学）
针对网络数据中匹配可能引发虚假关联的问题，提出带网络邻近性约束的匹配方法和基于随机化的推断，并在R包netmatchRI中实现，应用于弗雷明汉心脏研究。
2026-10-06 stat.AP stat.ME
The Reach of Treatment Effects: Randomization Inference for Zero-Effect Regions
National University of Singapore（新加坡国立大学）
该研究针对处理效应的范围问题，开发局部随机化检验构建最大零效应区域的上置信界，经模拟和多领域应用验证可有效排除大零效应区域。
2026-10-16 stat.AP stat.CO stat.ME
Rerandomization to improve covariate balance in experiments
随机化实验是估计因果效应的“金标准”，但在实践中，治疗组之间的协变量分布往往存在机会不平衡。如果协变量数据在单元暴露于处理之前可用，则可以通过在物理实验进行之前首先检查协变量平衡来减轻这些机会不平衡。如果预先指定了不平衡的精确定义，则可以丢弃不平衡的随机化，然后进行重新随机化，并且该过程可以继续，直到实现根据定义产生平衡的随机化。通过改善协变量平衡，重新随机化提供了更精确和可信的治疗效果估计。
2012-07-24 math.ST stat.TH
Rerandomization in $2^K$ Factorial Experiments
由于治疗前协变量和治疗因素众多，经典的析因试验往往无法同时平衡多个析因效应之间的协变量。因此，直观的做法是限制治疗因素的随机化，以满足某些协变量平衡标准，可能符合析因效应和协变量的层次（基于其相对重要性）。这是析因试验中的重新随机化。我们在随机化推理框架下研究了这种试验设计的渐近性质，而没有对协变量和结果施加任何分布或建模假设。我们推导了析因效应的常用估计量的联合渐近抽样分布，并证明了它是对称的、单峰的，并且在重新随机化下比在经典的析因试验下更“集中”于真实的析因效应。我们量化这种优势的重新随机化使用的概念，“中心凸单峰”和“peakedness”的联合渐近抽样分布。我们还为因子效应构建了保守的大样本置信集。
2018-12-28 math.ST stat.ME stat.TH
Shape-Preserving Covariate Adjustment via Empirical Likelihood in Randomized Experiment
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）
该研究针对随机试验协变量调整方法无法保形的问题，提出带协变量平衡约束的经验似然方法，构建保形的协变量调整经验测度，可提升估计效率，经模拟及SURPASS-4试验应用验证了有效性。
2026-08-21 math.ST stat.ME stat.TH
CUPED on Steroids: Multivariate Covariate Adjustment for Switchback Experiments
该研究提出面向回退实验的扩展CUPED框架，结合多历史滞后项等协变量与交叉拟合，提升方差缩减效率，经模拟和纽约出租车出行数据验证可显著增强统计功效。
2026-08-26 stat.ME
To adjust or not to adjust? Estimating the average treatment effect in randomized experiments with missing covariates
完全随机化允许基于结局平均值的差异对平均处理效应进行一致的估计，而无需对结局生成过程进行强有力的建模假设。适当使用预处理协变量可以进一步提高估计效率。然而，协变量中的缺失在实验中很常见，并提出了一个重要的问题：我们是否应该调整受缺失影响的协变量，如果是，如何调整？未调整的平均值差异始终是无偏的。如果至少有一个完全观察到的协变量可预测结局，则完全协变量分析调整了所有完全观察到的协变量，并提高了平均值差异的效率。那么，调整缺失协变量的额外收益是什么？一个关键的见解是，只要缺失不受治疗的影响，缺失指标就可以作为完全观察到的治疗前协变量，因此可以用于协变量调整，以提高估计效率。这促使将缺失指标添加到回归调整中，产生缺失指标方法作为缺失数据文献中众所周知但不那么流行的策略。我们推荐它是因为它的许多优点。我们还提出了修改的缺失指标的方法的基础上渐近和有限样本的考虑。为了调和缺失数据文献中相互矛盾的建议，我们分析和比较了基于设计的框架下分析随机实验缺失协变量的各种策略。该框架将随机化视为推断的基础，并且不对结果生成过程和缺失数据机制施加任何建模假设。
2021-07-31 math.ST stat.ME stat.TH
Asymptotic inference with flexible covariate adjustment under rerandomization and stratified rerandomization
University of Michigan（密歇根大学）；Yale School of Public Health（耶鲁公共卫生学院）
本文研究了在重新随机化和分层重新随机化下，更广泛的协变量调整估计量的渐近理论，证明了M估计量的渐近线性及影响函数在简单随机化与重新随机化下保持相同，但重新随机化可能导致非高斯渐近分布，并探讨了基于数据自适应机器学习的高效估计量的效率最优性。
2026-05-15 stat.ME
Cluster-Adaptive Network A/B Testing: From Randomization to Estimation
A/B测试是产品开发中的一个重要决策工具，用于评估新服务、功能或产品的用户参与度或满意度。A/B测试的目标是估计新变更的平均处理效应（ATE），当用户交互时，这变得复杂。当A/B检验的重要假设，即稳定单位治疗值假设（SUTVA），即每个个体的反应仅受其自身治疗的影响，是不成立的，ATE的经典估计通常会导致错误的结论。在本文中，我们提出了一个簇自适应网络A/B测试过程，其中包括一个顺序的簇自适应随机化和簇调整估计。聚类自适应随机化被用来最小化两个治疗组内的聚类水平Mahalanobis距离，从而可以减小ATE估计的方差。此外，聚类调整估计器用于消除网络干扰引起的偏差，导致一致的估计ATE。数值研究表明，我们的聚类自适应网络A/B测试实现了一致的估计，具有更高的效率。基于真实网络进行了实证研究，以说明我们的方法如何在应用中有利于决策。
2020-08-19 stat.ME
Minimum free energy randomized design to improve covariate balance
Beijing Institute of Technology（北京理工大学）；School of Mathematics Statistics Beijing Institute of Technology（北京理工大学数学与统计学院）
提出最小自由能随机化设计，通过平衡协变量与最大化熵的权衡，结合高效动态分配算法，提升统计效率与鲁棒性。
2026-06-09 math.ST stat.ME stat.TH
The Econometrics of Randomized Experiments
在这篇综述中，我们提出了分析随机实验的计量经济学和统计方法。对于基本实验，我们强调基于随机化的推理，而不是基于采样的推理。在基于随机化的推断中，估计值的不确定性自然来自于治疗的随机分配，而不是来自于从大群体中假设的抽样。我们展示了这种观点如何与随机实验的回归分析相关。我们讨论了分层，配对和集群随机实验的分析，我们强调分层的一般效率收益。我们还讨论了随机实验中的并发症，如不遵守。在存在不依从性的情况下，我们将意向治疗分析与考虑一般处理效应异质性的工具变量分析进行对比。我们详细考虑了在有（可能有许多）协变量的情况下异质处理效应的估计和推断。这些方法允许研究人员通过识别具有不同处理效应的亚群来探索异质性，同时保持构建有效置信区间的能力。我们还讨论了最佳分配的基础上，在这样的设置协变量的治疗。最后，我们讨论的估计和推断，在实验中的设置与单位之间的相互作用，无论是在一般的网络设置和设置中的人口被划分成组，所有的相互作用包含在这些组。
2016-07-03 econ.EM stat.ME
User Sentiment as a Success Metric: Persistent Biases Under Full Randomization
我们研究用户情绪（通过可选的调查报告）作为完全随机A/B测试的指标。用户水平协变量和治疗分配均会影响缓解倾向。我们提出了一组相合估计量的平均和局部处理效应的治疗和应答用户。我们表明，我们的问题可以映射到缺失数据问题和观测因果推断的交集，我们确定的条件下，存在相合估计量。我们通过模拟研究评估估计的性能，发现更复杂的模型不一定提供优越的性能。
2019-06-26 stat.AP stat.ME
Covariate Adjustment in Randomized Experiments: A Unified Framework for Decision and Practice
Duke University（杜克大学）；Columbia University（哥伦比亚大学）
针对随机实验中协变量调整的争议，提出以“事后偏差”预后性为唯一标准的统一框架，并开发两种估计方法，为调整决策提供统一基础。
2026-09-09 econ.EM stat.AP stat.ME
Design-based theory for covariate adjustment in generalized pairwise comparisons
Mississippi State University（密西西比州立大学）；Yale School of Public Health（耶鲁公共卫生学院）
本文提出了一种基于设计的推断框架，用于估计随机实验中的广义因果效应，并探讨了回归调整和方差估计的稳健性。
2026-10-14 math.ST stat.ME stat.TH
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
Adaptive sample splitting for randomization tests
针对亚组分析中随机化检验因样本量小效力不足的问题，提出基于确定性评分的自适应样本划分方法AdaSplit，在CATE估计与检验间分配样本，提升检验效力，并在血压干预试验中识别出有效亚组。
2025-07-31 stat.ME
Randomization-based Z-estimation for evaluating average and individual treatment effects
本文在基于随机化的推断框架下系统研究了处理效应的模型分析，推导了Z估计渐近理论，并提出了针对平均和个体处理效应的稳健估计方法。
2024-11-18 math.ST stat.ME stat.TH
Robust Blocked Response-Adaptive Randomization Designs
在大多数临床试验中，患者以相等的概率随机分配到治疗组中，以获得处理效应的无偏估计。反应自适应随机化（RAR）是出于伦理原因而提出的，其中随机化比率连续倾斜以有利于更好的治疗。然而，关于自适应随机化中时间趋势引起的偏倚的实质性分歧尚未得到充分认识。当存在时间趋势时，传统的贝叶斯RAR方法会夸大第一类错误。在我们的方法中，患者被分配到区组中，并且针对区组重新计算随机化比率，而不是传统的自适应随机化，其中每个患者都进行了随机化。我们进一步研究了频率论和贝叶斯设计的一系列场景的设计。我们比较了我们的方法与平等的随机化和不同数量的区组，包括传统的RAR设计，其中随机化比例是改变患者的基础。如果每个区组中有两名或更多患者，则对分析进行分层。由于可能无法从$μ_i$获取任何信息，因此应避免使用小块。另一方面，具有大区块的RAR在效率和治疗更多受试者到更好的治疗之间具有良好的平衡，同时保留了区块RAR的独特无偏性。
2019-09-12 stat.AP
Randomization Inference for Treatment Effect Variation
应用研究人员越来越感兴趣的是，在随机评价中，处理效应是否以及如何变化，特别是观察到的协变量无法解释的变化。我们提出了一种无模型的方法来测试这种无法解释的变化的存在。为了使用这种基于随机化的方法，我们必须解决这样一个事实，即平均处理效应，通常是随机化实验中感兴趣的对象，实际上在这种设置中充当了一个讨厌的参数。我们探索潜在的解决方案，并提倡一种方法，保证有效的测试，尽管这种滋扰有限的样本。我们还展示了这种方法如何容易地扩展到测试的异质性超出了一个给定的模型，这可能是有用的评估一个给定的科学理论的充分性。最后，我们将我们的方法应用于全国领先影响研究，一个大规模的联邦学前教育计划的随机评估，发现确实有显着的无法解释的处理效应的变化。
2014-12-16 stat.AP stat.ME
Active Adaptive Experimental Design for Treatment Effect Estimation with Covariate Choices
Mizuho-DL Financial Technology Co., Ltd.（瑞穗数字金融科技有限公司）
针对平均处理效应估计，本文提出在自适应实验中同时优化协变量密度与倾向得分，并构造达到最小半参数效率界的估计量。
2024-06-18 cs.LG econ.EM stat.ME
