Isotropic randomization for one-sample testing in metric spaces
本文提出一种基于各向同性随机化的度量空间单样本检验方法，从黎曼流形推广到一般度量空间，保留几何性质并具理论保证，在风数据应用中验证了有效性。
2025-01-27 stat.ME
Beyond the Sharp Null: Randomization Inference, Bounded Null Hypotheses, and Confidence Intervals for Maximum Effects
费雪随机化推论经常被认为是在检验一个无趣且不可信的假设：没有任何影响的尖锐零。我们认为这种观点过于狭隘。许多随机化检验在更一般的“有界”原假设下也是有效的，在该假设下，所有效应都是弱负（或正）的，从而适应异质效应。通过反转这些检验，我们可以为最大（或最小）效应形成单侧置信区间。这些性质适用于所有效应递增检验统计量，包括常见统计量（如均值差）和不常见统计量（如Stephenson秩统计量）。后者对极端效应的敏感性允许检测积极效应，即使平均效应是负面的。我们认为，有界空值往往是实质性的或理论上的利益，并说明了两个应用程序：测试单调性的IV分析和推断的影响大小在一个小的随机实验。
2017-09-21 stat.ME
Randomization Inference: Theory and Applications
本文回顾了基于随机化的统计推断方法，指出随机化检验在有限样本下可精确控制第一类错误，并通过构建渐近枢轴检验统计量在更广泛场景中恢复渐近有效性，最后详述了其在双样本置换检验、回归及 conformal inference 等方面的应用。
2025-02-04 econ.EM stat.ME
Randomization-based Inference for MCP-Mod
针对MCP-Mod方法在小样本二分类终点剂量探索试验中存在的估计失效问题，本文引入惩罚MLE与基于随机化的推断技术，经模拟验证该方法在控制I类错误的同时提升了中小样本统计功效，且计算效率更优，可用于药理学计量学场景。
2025-03-13 stat.ME
Enhancing Statistical Validity and Power in Hybrid Controlled Trials: A Randomization Inference Approach with Conformal Selective Borrowing
本文提出随机化推断框架结合共形选择性借用方法，在混合对照试验中实现有限样本精确的第I类错误率控制并提高检验效能，通过理论分析、模拟和肺癌试验应用验证其有效性。
2025-05-07 stat.ME
CRT*: Conditional Randomization Testing with Heterogeneous External and Unlabeled Data
School of Statistics, KLATASDS-MOE, East China Normal University（华东师范大学统计学院）；Department of Applied Mathematics, Hong Kong Polytechnic University（香港理工大学应用数学系）
研究针对条件随机化测试中估计误差、高维性及样本量问题，提出CRT*框架，用平滑残差自举结合自适应数据融合增强CI测试，理论证明其有效性，模拟和数据分析显示该框架能在异构场景中提高功效并控制I型错误。
2026-07-21 stat.ME
Pair-switching rerandomization
重新随机化丢弃处理组和对照组中协变量不平衡的分配，以提高估计和推理效率。然而，在重新随机化中使用的接受-拒绝抽样方法在计算上是低效的。因此，重新随机化需要花费大量时间进行独立分配，这对于执行Fisher随机化检验和构建基于随机化的置信区间是必要的。为了解决这个问题，我们提出了一个对切换重新随机化方法，以有效地绘制平衡分配。我们得到的无偏性和方差减少的差异的均值估计，并证明了Fisher随机化检验是有效的对切换重新随机化。此外，我们还提出了一种精确的方法来反演Fisher随机化检验的置信区间，这是比现有的方法更快。此外，我们的方法适用于非顺序和顺序随机化实验。我们进行了全面的模拟研究，所提出的方法与经典的重新随机化的有限样本性能进行比较。仿真结果表明，对切换的重新随机化导致相当的功率的Fisher随机化测试，是3- 23倍的速度比经典的重新随机化。最后，我们应用配对转换重新随机化方法分析了两个临床试验数据集，这两个数据集都证明了我们的方法的优点。
2022-06-25 stat.ME
Fast and Powerful Conditional Randomization Testing via Distillation
我们考虑条件独立性检验问题：给定响应Y和协变量（X，Z），我们检验Y在给定Z的情况下独立于X的原假设。条件随机化检验（CRT）是最近提出的一种使用X分布信息的方法|使用任何维度中的任何检验统计量精确（非渐近）控制第一类错误，而不假设Y的任何情况|（X，Z）。原则上，这种灵活性允许人们从复杂的预测算法中获得强大的检验统计量，同时保持统计有效性。然而，在CRT中直接使用这种先进的检验统计量在计算上是非常昂贵的，特别是在多重检验的情况下，这是由于CRT需要对重新采样的数据多次重新计算检验统计量。我们提出了蒸馏CRT，一种新的方法，在CRT中使用最先进的机器学习算法，同时大大减少了这些算法需要运行的次数，从而利用它们的功率和CRT的统计保证，而不遭受通常的计算费用。除了蒸馏，我们提出了一些其他的技巧，如筛选和回收计算，以进一步加快CRT，而不牺牲其高功率和准确的有效性。事实上，我们在模拟中表明，我们所有的建议相结合，导致一个测试，具有类似的权力，最强大的现有CRT实现，但需要的数量级更少的计算，使其成为一个实用的工具，即使是大型数据集。我们通过识别与癌症分期相关的生物标志物，在乳腺癌数据集上证明了这些益处。
2021-06-04 stat.ME
Selective Randomization Inference for Adaptive Experiments
École polytechnique fédérale de Lausanne（洛桑联邦理工学院）；University of Cambridge（剑桥大学）；University of Southern California（南加州大学）
针对自适应实验的统计推断难题，提出选择性随机化推断框架，通过条件后选择推断与随机化检验结合，控制选择性第一类错误，无需模型假设。
2026-05-22 stat.ME
Consistency of invariance-based randomization tests
基于不变性的随机化检验--例如置换检验、旋转检验或符号变化--是一类重要且广泛使用的统计方法。它们允许在对数据分布的弱假设下进行推论。大多数工作集中在它们的I类差错控制属性上，而它们的一致性属性却少得多。我们开发了一个通用的框架和一组结果的一致性的不变性为基础的随机化测试在信号加噪声模型。我们的框架是扎根于深数学领域的表示论。我们允许变换是一般的紧拓扑群，如旋转群，作用于一般线性群表示。研究了具有广义次可加性的检验统计量。我们将我们的框架应用于统计学中的一些基本和非常重要的问题，包括稀疏向量检测，噪声中低秩矩阵的测试，线性回归中的稀疏检测和双样本测试。与极大极小下界相比，我们发现，在某些情况下，随机化测试检测信号在极大极小最优率。
2021-12-20 math.ST stat.ME stat.TH
Rejoinder to Reader Reaction "On exact randomization-based covariate-adjusted confidence intervals" by Jacob Fiksel
针对Fiksel的评论，提出解析反转Fisher随机化检验的新方法，处理非单调p值函数（如学生化t统计量），构造保证覆盖率的基于随机化的置信区间，解决现有矛盾并提高计算效率。
2025-02-25 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
Randomized Empirical Processes by Algebraic Groups, and Tests for Weak Null Hypotheses
随机化检验基于现有数据的重新随机化，以获得数据依赖的临界值，从而在特殊情况下进行精确的假设检验。然而，并不总是能够根据从中获得数据的物理随机化来重新随机化数据。因此，大多数统计检验无法控制I类错误概率。而且，与引导类似，数据重新随机化可用于改进类型I差错控制。然而，没有一般的渐近理论弱零假设已经开发了这样的随机化测试。本文的目的是提供一个关于渐近正态检验统计量的随机化检验的渐近有效性的便于应用的理论。同样，将制定置信区间。这将通过在数理统计中两个成熟的领域之间建立联系来实现：经验过程和基于代数群随机化的推理。对于基于随机观测的经验过程，给出了一个广泛适用的条件弱收敛定理。将代数群的随机元应用于从中导出统计量的随机化版本的数据向量。结合一个变种的功能性三角洲方法与适当的学生化的统计量，渐近精确的假设检验推导出来，而有限样本下的精确性组不变的子假设被保留。该方法的例子：皮尔逊相关系数，曼恩-惠特尼效应的基础上右删失配对数据，和竞争风险分析。通过模拟研究和糖尿病视网膜病变患者的数据应用的方法的实际效用进行评估。
2021-10-19 math.ST stat.ME stat.TH
A randomization-based theory for preliminary testing of covariate balance in controlled trials
本文从随机化推断视角研究随机试验中先检验协变量平衡再决定是否回归调整的策略，证明两类初步检验估计量分别存在效率损失及置信区间反保守或过度保守问题，因而不推荐该做法。
2023-07-17 stat.AP stat.ME
An approximate randomization test for high-dimensional two-sample Behrens-Fisher problem under arbitrary covariances
本文研究两组独立观测值总体均值的比较问题。基于Chen和Qin（2010）的检验统计量，提出了一种近似随机化检验方法。在弱条件下研究了检验统计量和随机化统计量的渐近性态。在我们的理论框架中，观测值即使在组内也不假设是同分布的。对协方差阵的特征结构没有任何条件。并且允许两组的样本量不平衡。在一般条件下，得到了检验统计量的所有可能的渐近分布。我们推导了近似随机化检验过程的渐近水平和局部幂。理论结果表明，本文提出的检验方法能适应检验统计量的所有可能的渐近分布，且总是渐近地具有正确的检验水平。此外，所提出的测试程序具有良好的功率特性。我们的数值实验表明，所提出的测试程序具有良好的性能相比，几个替代的测试程序。
2022-08-22 math.ST stat.TH
Randomization Inference for Cluster-Randomized Test-Negative Designs with Application to Dengue Studies: Unbiased estimation, Partial compliance, and Stepped-wedge design
2019年，世界卫生组织将登革热列为全球十大健康威胁之一。为了控制登革热，应用沃尔巴克氏体消除登革热（AWED）研究小组在印度尼西亚的日惹进行了一项群集随机试验，并使用了一种新的设计，称为群集随机测试阴性设计（CR-TND）。这种设计可以产生有效的统计推断与被动监测系统收集的数据，因此具有成本效益的优势相比，传统的集群随机试验。我们在随机化推理框架下研究了CR-TND的统计假设和属性，众所周知，该框架对于小样本问题来说是鲁棒且有效的。我们发现，当比较干预和控制的差异性就医行为在集群之间变化时（与Dufault和Jewell，2020年的设置相反，差异性就医行为在集群之间是恒定的），当前的CR-TND分析方法可能会有偏差，并且会夸大第一类错误。我们提出了对数对比估计，可以消除这种偏差，提高精度，通过调整协变量。此外，我们扩展了我们的方法来处理部分干预依从性和阶梯楔形设计，这两个经常出现在随机分组试验。最后，我们通过仿真研究和AWED研究的重新分析来证明我们的结果。
2022-02-07 stat.AP stat.ME
Discovering Effect Modification and Randomization Inference in Air Pollution Studies
研究表明，即使是低水平的空气污染，也会大大增加死亡率。由于监管行动的成本越来越高，需要有强有力的证据来指导制定有针对性的干预措施，以减少空气污染暴露。在本文中，我们介绍了一种新的统计方法，将数据分为两个子样本：（a）使用第一个子样本，我们考虑一个数据驱动的搜索$\textit{de novo}$发现的亚组，可能有不同的暴露影响，从人口的平均值;然后（b）使用第二子样本，我们量化的证据之间的影响修改的亚组与非参数随机化为基础的测试。我们还开发了一种敏感性分析方法来评估结论对未测量混杂偏倚的稳健性。通过模拟研究和理论论证，我们证明了由于我们在第一个子样本中发现了子组，所以在第二子样本上的假设检验可以只关注这些子组，从而大大提高了检验的统计功效。我们将我们的方法应用于2000年至2006年期间美国新英格兰地区1，612，414名医疗保险受益人的数据。我们发现，81-85岁的老年人与低收入和85岁以上的老年人有统计学显着较高的因果关系暴露于PM $_{2.5}$的5年死亡率相比，人口的平均水平。
2018-02-19 stat.AP stat.ME
Testing for Treatment Effect in Covariate-Adaptive Randomized Clinical Trials with Generalized Linear Models and Omitted Covariates
尽管在临床试验中广泛使用，但在协变量自适应随机化下，统计推断的有效性仍受到关注。在文献中，协变量自适应随机化下的推断性质主要针对连续响应进行了研究;特别是，众所周知，处理效应的常用双样本t检验通常是保守的，在这个意义上，实际检验大小小于标称水平。这种无效检验的现象也在没有调整协变量的广义线性模型中发现，有时由于膨胀的第一类错误而更令人担忧。本研究的目的是检查广义线性模型和协变量自适应随机化下处理效应的未校正检验。对于一大类协变量自适应随机化方法，我们得到了在原假设下检验统计量的渐近分布，并导出了检验是保守的、有效的或反保守的条件.详细讨论了几种常用的广义线性模型，如逻辑斯谛回归和泊松回归。还提出了一种调整方法，以实现一个有效的大小的渐近结果的基础上。数值研究证实了理论研究结果，并证明了所提出的调整方法的有效性。
2021-05-02 math.ST stat.ME stat.TH
Randomization Inference for Composite Experiments with Spillovers and Peer Effects
群体形成实验是将实验单位随机分配给群体，是研究社会科学中同伴效应的有力工具。现有的设计和分析方法允许研究人员从这些实验中得出推论，而不依赖于参数假设。然而，在实践中，群体形成实验往往与第二个外部干预相结合，这是不占标准的非参数方法。本说明介绍了如何为此类复合实验构建Fisherian随机化检验和Neymanian渐近置信区间，包括在第二次干预显示溢出的情况下。我们还提出了一种设计最优复合实验的方法。
2021-02-28 math.ST stat.ME stat.TH
Valid test for multi-arm trials with generalized linear models under covariate-adaptive randomization
George Washington University（乔治华盛顿大学）
针对协变量自适应随机化下广义线性模型多臂试验，提出修正Wald统计量分布问题的调整检验统计量，结合Simes型多重检验程序控制一类错误，经模拟和真实试验验证有效。
2026-08-27 math.ST stat.ME stat.TH
On the optimality of antithetic randomization for cross-validation
University of Michigan（密歇根大学）；Duke University（杜克大学）
本文针对经典正态均值问题的交叉验证，证明了对偶随机化在光滑估计量下的最优性，给出了一类对偶方案并验证联合正态方案的极小极大最优性，还说明其对非光滑估计量的方差改进效果。
2026-08-11 math.ST stat.ME stat.TH
Inference via Randomized Test Statistics
我们表明，外部随机化可能会强制收敛的检验统计量在特定情况下，他们的极限分布。这导致了一个更尖锐的推论。我们的方法是基于加权和的中心极限定理。我们将我们的方法应用到一个家庭的秩为基础的检验统计量和一个家庭的φ发散检验统计量，并证明，具有压倒性的概率相对于外部随机化，随机化统计量收敛的速度$O(1/n)$（一些对数因子）的限制χ 2分布在Kolmogorov度量。
2022-11-16 math.ST stat.ME stat.TH
Randomization Tests that Condition on Non-Categorical Covariate Balance
随机化实验的一个好处是，治疗组和对照组的协变量分布平均平衡，从而得到处理效应的简单无偏估计量。然而，特定的随机化可能会产生协变量不平衡，研究人员希望在分析阶段通过调整或其他方法来解决。在这里，我们提出了一个随机化检验，条件是协变量平衡，只考虑治疗分配，这是类似于观察到的协变量平衡。以前的条件随机化检验只允许分类协变量，而我们的随机化检验允许任何类型的协变量。通过大量的模拟研究，我们发现我们的条件随机化测试是更强大的无条件随机化测试和其他条件测试。此外，我们发现我们的条件随机化检验是有效的（1）无条件跨水平的协变量平衡，（2）有条件的协变量平衡的特定水平。同时，无条件随机化检验对（1）有效，但对（2）无效。最后，我们发现我们的条件随机化测试是类似的随机化测试，使用模型调整的检验统计量。
2018-10-04 stat.ME
Adjusting confidence intervals under covariate-adaptive randomization in non-inferiority and equivalence trials
本研究针对非劣效性和等效性试验，在协变量自适应随机化下，推导了基于置换和随机化方法的调整置信区间，以控制I型错误率接近名义显著性水平，并评估了正态、二分类及时间-事件结局变量的性能。
2023-12-25 stat.AP
Conditional Randomization Tests for Behavioral and Neural Time Series
针对行为与神经科学实验中刺激依赖受试者先前行为、无法用简单随机化检验的问题，提出用条件随机化做精确假设检验，对比切线随机化的局限性并给出实验设计思路。
2023-11-06 stat.ME
A Combinatorial Central Limit Theorem for Stratified Randomization
本文提出在Lindeberg型条件下成立的分层随机化组合中心极限定理，可适配任意数量与大小的层（仅需每层至少两个单元），并将其用于推导多分层工具变量场景下两个检验统计量的渐近分布。
2024-04-15 econ.EM math.ST stat.TH
Statistical Inference for Covariate-Adaptive Randomization Procedures
协变量自适应随机化（CAR）程序经常用于比较研究，以增加治疗组间的协变量平衡。然而，由于随机化在形成平衡治疗组时不可避免地使用协变量信息，因此在此类随机化后经典统计方法的有效性往往不清楚。本文在线性模型框架下，推导了基于广义CAR的统计方法的理论性质。更重要的是，我们明确揭示协变量自适应和推断属性之间的关系，推导出相应的估计量的渐近表示。我们提出的一般理论，以各种随机化程序，如完全随机化，重新随机化，成对顺序随机化，阿特金森的$D_A$偏硬币设计，并分析比较其性能。基于理论结果，我们提出了一种新的方法来获得有效和更强大的测试。这些结果为理解和分析基于CAR的实验打开了一扇大门。仿真研究提供了进一步的证据所提出的框架和理论结果的优点。本文的补充材料可在线获取。
2020-09-07 math.ST stat.TH
A conditional randomization test to account for covariate imbalance in randomized experiments
我们考虑条件随机化检验作为一种方法来解释协变量不平衡的随机化实验。该检验通过比较观察到的检验统计量与以观察到的协变量失衡为条件的检验统计量的零分布来解释协变量失衡。我们证明了条件随机化检验具有正确的显著性水平，并引入了原始的符号来更正式地描述协变量平衡。通过模拟，我们验证了条件随机化检验的行为像更传统的协变量调整形式，但具有正确的条件显著性水平的额外好处。最后，我们将该方法应用于随机产品营销实验，随机化后收集协变量信息。
2017-04-20 stat.ME
Imputation-based randomization tests for randomized experiments with interference
针对存在干扰的随机化实验中经典Fisher随机化检验失效的问题，提出基于插补的随机化检验方法，通过多次插补未知干扰项并平均p值，有效控制第一类错误率并显著提升检验功效。
2024-11-13 stat.ME
Randomization tests for peer effects in group formation experiments
衡量同伴对个人结果的影响是一个具有挑战性的问题，部分原因是个人经常选择在可观察和不可观察方面相似的同伴。小组形成实验通过随机分配个人到小组并观察他们的反应来避免这个问题;例如，当一年级学生被随机分配到具有更强学术背景的室友时，他们的成绩是否更好？在本文中，我们提出了基于随机化的排列测试组形成实验，扩展经典的Fisher随机化测试，这种设置。所提出的测试是合理的随机化本身，需要相对较少的假设，并在有限的样本是准确的。这种方法还可以通过使用回归系数作为检验统计量来补充现有的策略，例如均值线性模型。我们建议的测试，最近的两个组形成实验。
2023-03-07 stat.ME
Another look at the Lady Tasting Tea and differences between permutation tests and randomization tests
已知统计学文献在使用术语“排列检验”和“随机化检验”时不一致。一些作者成功地认为，这些术语应该用来指两个不同的测试类别，这些类别之间有重大的概念差异。本文解释了这些类之间的数学推理的一个重要区别：一个排列测试从根本上要求的一组排列具有组结构，在代数意义上的随机化测试背后的推理是不是基于这样的组结构，它可以使用一个试验设计，不对应于一个组。特别是，我们可以使用随机化方案，其中可能的治疗模式的数量大于标准试验设计。这导致精确的\emph{p}值的分辨率提高，为非常小的显著性水平提供增加的功率，以降低功率为代价为较大的显著性水平。我们讨论在随机试验和其他地方的应用。此外，我们解释了Fisher著名的Lady Tasting Tea实验，通常被称为第一排列测试，实际上是一个随机化测试。这种区别对于避免混淆和无效测试很重要。
2020-10-06 stat.ME
Improving Randomization Tests under Interference Based on Power Analysis
在因果推断中，我们可以考虑这样一种情况，即对一个单元的处理影响到其他单元，即，干扰存在。在存在干扰的情况下，我们不能直接进行经典的随机化检验，因为原假设并不精确。相反，我们需要执行随机化测试，仅限于使原假设尖锐的单位和分配的子集。以前的研究构造了一个有用的测试方法，biclique测试，通过减少适当的子集的选择，在二分图中搜索biclique。然而，由于功率取决于所选子集的特征，因此仍然存在通过改进选择过程来提高功率的空间。在本文中，我们提出了一种方法来改进的biclique测试的基础上的权力评估的随机化测试。我们明确地推导出一个表达式的权力的随机化测试在几个假设下，并发现，一定数量的计算从一个给定的分配集的特点的权力。基于这一事实，我们提出了一种方法来提高的权力的biclique测试修改的选择规则的子集的单位和分配。通过空间干扰设置的仿真，我们证实了所提出的方法具有更高的功率比现有的方法。
2022-03-20 stat.ME
Asymptotic symmetry and group invariance for randomization
研究概率测度序列在何种条件下渐近获得对群作用的对称性与不变性，提出非参数中心极限定理，揭示高维随机向量Lipschitz函数对紧拓扑群作用的渐近不变性，并应用于重对数律与统计检验等价性。
2023-10-20 math.PR math.ST stat.TH
Conditional Randomization Rank Test
我们提出了一种新的方法，称为条件随机化秩检验（CRRT），用于检验响应变量Y和协变量X的条件独立性，条件是其余协变量Z。该方法利用X的条件分布知识，推广了[CFJL18]的条件随机化检验|Z和是一种基于条件采样的方法，易于实现和解释。除了保证精确的类型1错误控制，由于一个更灵活的框架，新方法显着优于CRT的计算效率。当X的条件分布满足条件分布时，我们根据总变差范数和观测到的库尔贝克-莱布勒散度建立了第1类错误概率的界|Z是错误的。我们通过大量的模拟验证了我们的理论结果，并表明我们的新方法具有相当大的优势，比其他现有的基于条件采样的方法，当我们考虑到功率和计算效率。
2021-12-01 stat.ME
Local Randomization Regression Discontinuity Designs when Test Scores are the Running Variable
回归不连续设计（RDD）的内部有效性的解释通常诉诸于这样一种观点，即RDD在处理截点附近是“与”随机的。Cattaneo、Frandsen和Titiunik（2015）是第一个将这一理由充分总结的人，并提出估计RDD局部平均处理效应（LATE）与随机化实验相同。本文探讨了分析RDD作为一个本地的随机试验时，运行变量是一个测试成绩的影响。我推导出了使用局部随机化方法$aρΔ$估计的LATE估计值的偏倚公式。其中，$a$是潜在熟练度与未进行治疗的潜在结果之间的关系，$ρ$是测试可靠性，$Δ$是治疗和对照运行变量值之间的距离。我使用这种偏倚的量化来证明，当运行变量是测试分数或其他人类开发的测量（例如，医学测试）。
2022-09-23 stat.ME
Deploying the Conditional Randomization Test in High Multiplicity Problems
本文介绍了序贯CRT，这是一个变量选择过程，结合了条件随机化测试（CRT）和选择性SeqStep+。有效的p值通过灵活的CRT构建，然后排序并通过选择性SeqStep+过滤器以生成发现列表。我们开发的理论，保证控制的错误发现率（FDR），即使p值是不独立的。我们在模拟中表明，我们的新程序确实控制了FDR，并且在功率方面与最先进的替代品具有竞争力，有时甚至优于最先进的替代品。最后，我们将我们的方法应用于乳腺癌数据集，目标是识别与癌症阶段相关的生物标志物。
2022-04-07 stat.ME
The Holdout Randomization Test for Feature Selection in Black Box Models
我们提出了保持随机化测试（HRT），一种使用黑盒预测模型进行特征选择的方法。HRT是条件随机化测试（CRT; Candes等人，2018年），使用数据分割进行可行的计算。HRT与任何预测模型一起工作，并为每个特征生成有效的$p$值。为了使HRT更实用，我们提出了一组扩展，以最大限度地提高功率和加速计算。在模拟中，这些扩展导致比竞争的基于敲除的方法更大的功率，而不牺牲对错误率的控制。我们将HRT应用到科学文献中的两个案例研究中，其中，遗传学最初用于选择预测模型的重要特征。结果表明，相对于HRT等原则性方法，这种方法可能会产生误导。代码可在https://github.com/tansey/hrt上获得。
2021-03-22 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
A Closer Look at Testing the "No-Treatment-Effect" Hypothesis in a Comparative Experiment
用于比较实验的“无治疗效应”假设的标准检验包括排列检验、Wilcoxon秩和检验、双样本$t$检验和Fisher型随机化检验。从业者都知道，这些程序测试不同的无效应假设，并基于不同的建模假设。然而，这种意识并不总是，甚至通常，伴随着对这些差异的明确理解或欣赏。借用丰富的文献因果关系和有限总体抽样论，本文开发了一个建模框架，提供了几个重要问题的答案，包括：究竟是什么假设正在测试，什么模型假设正在作出，以及是否有其他，也许更好的方法来测试一个没有效果的假设？该框架有助于明确描述三种主要的推理方法：基于过程的，基于随机化的和基于选择的。它还促进了对模型假设和推断目标的仔细考虑，并强调了随机化的重要性。一路上，费舍尔型随机化测试比较置换测试和一个不太知名的奈曼型随机化测试。一项模拟研究比较了奈曼型随机化测试的操作特性的其他更熟悉的测试。
2015-09-10 stat.ME
Testing Biased Randomization Assumptions and Quantifying Imperfect Matching and Residual Confounding in Matched Observational Studies
观察性研究设计的一个中心目标是使用统计匹配将非实验数据嵌入近似的随机对照试验中。尽管实证研究者的最佳意图和努力，以创造高质量的匹配样本，剩余的不平衡，由于观察到的协变量没有很好地匹配往往持续存在。尽管已经开发了统计检验来检验随机化假设及其影响，但由于观察到的协变量在匹配样本中不匹配，因此很少有统计检验提供量化残留混杂水平的方法。在这篇文章中，我们开发了两个通用类的精确的统计检验有偏的随机化假设。我们的测试框架的一个重要副产品是称为残余敏感性值（RSV）的量，它提供了一种方法来量化由于匹配样本中观察到的协变量的不完全匹配而导致的残余混杂水平。我们主张在下游主要分析中考虑RSV。所提出的方法是说明重新审查一个著名的观察性研究有关的影响，右心导管插入术（RHC）在重症患者的初步护理。实施该方法的代码可在补充材料中找到。
2022-06-20 stat.ME
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
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 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
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
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
Construction of alternative hypotheses for randomization tests with ordinal outcomes
对于有序结果，我们构建了一系列替代假设，这些替代假设与每个实验单元上零处理效应的尖锐原假设的偏离增加，以帮助评估随机化治疗对照实验中随机化检验的功效。
2016-07-17 stat.AP stat.ME
A Randomization-Based Method for Evaluating Time-Varying Treatment Effects
本文提出基于随机化的配对删失结局检验，利用伪观测构建特定时间得分以分析治疗效应的时间变化与长期效应，并配套敏感性分析方法，通过KLoSA匹配队列研究社会参与对生存的影响。
2025-06-09 stat.ME
Sensitivity Analysis for Binary Outcome Misclassification in Randomization Tests via Integer Programming
针对随机化检验中二元结局错分的偏倚问题，提出无模型有限总体敏感性分析方法，定义核心量警示准确率，通过自适应重构整数规划实现高效计算，应用于PCPT试验并开发开源R包。
2025-01-14 math.OC stat.ME
Asymptotic Validity and Finite-Sample Properties of Approximate Randomization Tests
本文提出非渐近界，分析近似随机化检验与原始检验的尺寸差异，给出数据不变性下有效性的新条件，并解释小样本表现。
2024-04-22 stat.ME stat.ML
Fast Algorithms for Exact Confidence Intervals in Randomized Experiments with Binary Outcomes
Rutgers University（罗格斯大学）
本文提出了一种快速算法，用于在随机化实验中计算二元结果的精确置信区间，通过减少随机化检验次数，提高了效率。
2026-02-24 stat.ME
When Screening Misleads: A Robust Mendelian Randomization Test for Reliable Causal Discovery
School of Statistics and Data Science, LPMC and KLMDASR, Nankai University（南开大学统计与数据科学学院）
研究旨在解决孟德尔随机化中先筛选关联再评估因果效应导致的I型错误膨胀问题，提出新颖稳健MR检验，该检验能保持正确I型错误率且可利用先前汇总统计量提高功效，模拟研究显示其优于经典方法。
2026-07-14 stat.ME
A burn-in(g) question: How long should an initial equal randomization stage be before Bayesian response-adaptive randomization?
本文提出一种精确评估方法，研究预热期长度对双臂二分类贝叶斯响应自适应随机化（BRAR）设计统计运行特征的影响，发现预热长度显著影响I类错误率、功效与受试者获益，并指出必须使用精确检验。
2025-10-11 stat.ME
Randomization tests of copula symmetry
提出了Copula交换性和径向对称性的新的非参数检验。新的方面的测试是一个restaurant程序，利用相关的对称性假设相关的组不变性条件。它们可以被视为对称性随机化测试的可行版本，后者由于边缘的不可观测性而不适用。我们的测试是简单的计算，控制大小渐近，一贯检测任意形式的不对称性，并不需要一个调整参数的规格。模拟表明，优秀的小样本性能相比，现有的程序，涉及乘数的引导。
2019-11-13 econ.EM stat.ME
Covariate Shift Corrected Conditional Randomization Test
针对协变量偏移下条件独立性检验失效的问题，提出csPCR检验，通过重要性权重和控制变量法校正偏移并提升功效，理论及模拟验证其控制第一类错误且功效优越，并应用于COVID-19治疗评估。
2024-05-29 stat.ME
