Power prior models for treatment effect estimation in a small n, sequential, multiple assignment, randomized trial
小样本、序贯、多重分配、随机试验(snSMART)是一项小样本、两阶段设计,受试者最多接受两次序贯治疗,但第二次治疗取决于对第一次治疗的反应。snSMART中关注的处理效应是第一阶段缓解率,但两个阶段的结果可用于从小样本中获得更多信息。一种将两个阶段的结果合并的新方法应用幂先验模型,其中来自snSMART的第一阶段结果被视为主要数据,第二阶段结果被视为补充数据。我们将现有的功率先验模型应用于snSMART数据,我们还开发了新的扩展功率先验模型。所有的方法进行了比较,彼此和贝叶斯联合阶段模型(BJSM)通过模拟研究。通过比较所有提出的功率先验方法之间的偏差和效率的响应率估计,我们建议应用Fisher的精确检验或Bhattacharyya的重叠措施的snSMART估计的处理效应在snSMART,这两个性能大多一样好或更好的BJSM。我们描述的情况下,这些建议的方法是首选。
2020-12-10 stat.AP stat.ME
Combining randomized and non-randomized data to predict heterogeneous effects of competing treatments
一些患者从治疗中受益,而另一些患者可能受益较少或根本没有受益。我们之前已经开发了一个两阶段网络荟萃回归预测模型,该模型综合了随机试验,并评估了处理效应如何在患者特征之间变化。在本文中,我们扩展了该模型,以结合不同格式的不同类型来源:来自随机和非随机证据的汇总数据(AD)和个体参与者数据(IPD)。在第一阶段,使用大型队列研究开发预后模型以预测结果的基线风险。在第二阶段,我们重新校准了这个预后模型,以改善我们对随机试验中招募的患者的预测。在第三阶段,我们使用基线风险作为效应修正因子,在网络荟萃回归模型中结合AD、IPD RCT来估计异质性处理效应。我们在对三种药物治疗复发缓解型多发性硬化症的研究网络的重新分析中说明了这种方法。一些患者特征影响复发的基线风险,这反过来又改变了药物的效果。该模型对多种治疗方案下的健康结果进行了个性化预测,并涵盖了所有相关的随机和非随机证据。
2023-02-28 stat.ME
Generalizing conditional average treatment effects from nested randomized trials to all trial-eligible individuals
University of Waterloo(滑铁卢大学);Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院);Brown University School of Public Health(布朗大学公共卫生学院);Center for Gerontology & Healthcare Research, Brown University School of Public Health(布朗大学公共卫生学院老年学与医疗保健研究中心)
本文提出在嵌套试验中估计目标人群中条件平均治疗效应的方法,结合半参数理论和灵活估计,通过数据自适应方法减少过拟合偏倚,提升推断有效性。
2026-05-14 stat.AP stat.ME
Model-assisted complier average treatment effect estimates in randomized experiments with non-compliance and a binary outcome
在随机化实验中,某些实验单位接受的实际治疗可能与其治疗分配不同。临床试验、社会实验以及随机化实验在许多领域的应用中经常出现这种不依从问题。在某些假设下,合规者的平均处理效应是可识别的,等于潜在结局的意向治疗效果与接受的潜在治疗效果的比值。为了提高估计效率,我们提出了三个模型辅助估计的编译器平均处理效应在随机实验中的二元结果。我们研究了它们的渐近性质,比较了它们与Wald估计的效率,并提出了Neyman型保守方差估计,以方便有效的推断。此外,我们将我们的方法和理论推广到估计乘性复杂平均处理效应。我们的分析是基于随机化的,允许工作模型被错误指定。最后,我们进行了模拟研究,以说明模型辅助方法的优势,并将这些分析方法应用于随机实验中,以评估学术服务或激励对学业成绩的影响。
2022-04-16 stat.ME
Regression-based estimation of heterogeneous treatment effects when extending inferences from a randomized trial to a target population
从随机试验到目标人群的扩展-推广或运输-推论的方法涉及调节一组大的协变量,足以使随机化和非随机化组互换。然而,决策者往往有兴趣在仅根据少数离散协变量定义的目标人群亚组中检查处理效应。在这里,我们提出了估计亚组特定的潜在结果的手段和平均处理效应的一般性和可移植性分析的方法,使用结果模型为基础的(g公式),加权和增强加权估计。我们考虑在目标人群及其非随机化亚组中估计亚组特异性平均处理效应,并提供适用于嵌套和非嵌套试验设计的方法。作为一个例子,我们应用的方法,从冠状动脉手术研究的数据,比较手术加药物治疗与药物治疗单独治疗慢性冠状动脉疾病的心肌梗死史定义的亚组的影响。
2021-09-30 stat.ME
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
A Bayesian Nonparametric Approach for Evaluating the Causal Effect of Treatment in Randomized Trials with Semi-Competing Risks
我们开发了一种贝叶斯非参数(BNP)方法来评估随机试验中治疗的因果效应,其中非终末事件可以被终末事件删失,但反之亦然(即,半竞争风险)。基于主分层的思想,我们定义了一个新的估计量的因果关系的治疗对非终端事件。我们引入识别假设,索引的敏感性参数,并显示如何使用我们的BNP方法得出推论。我们进行模拟研究,并说明我们的方法使用数据从脑癌试验。
2019-07-21 stat.ME
Using Recursive Partitioning to Find and Estimate Heterogenous Treatment Effects In Randomized Clinical Trials
本文提出结合特殊损失函数与选择后推断的递归划分方法,用于从随机临床试验数据中归纳发现并估计局部平均治疗效应,并在低风险缓刑人员最低监督试验中应用。
2018-07-11 stat.ME
Designing Randomized Experiments to Predict Unit-Specific Treatment Effects
Northwestern University(西北大学)
本文探讨了设计随机实验以预测特定单位的治疗效应,分析了采样过程和模型对预测偏差的影响,并讨论了平均治疗效应与单位特定预测模型的比较。
2023-10-27 stat.ME
The stratified micro-randomized trial design: sample size considerations for testing nested causal effects of time-varying treatments
移动设备和可穿戴传感器领域的技术进步有助于克服护理提供方面的障碍,使随时随地提供行为治疗成为可能。这些治疗的提供越来越多地由可能受到先前治疗影响的风险或参与的预测触发。此外,治疗通常被设计为在一段时间内对个体产生影响,在此期间可以提供后续治疗。在这里,我们讨论了我们的工作设计的移动健康戒烟实验研究,其中出现了两个挑战。首先,治疗的随机化应该发生在压力的时候,其次,在一段时间内,可能包括随后的治疗,利息的结果累积。为了应对这些挑战,我们开发了“分层微随机试验”,在该试验中,每个个体在治疗中随机分配,时间由从结果到先前治疗的预测确定,随机分配概率取决于这些结果。我们定义了条件性和边缘性近端处理效应。根据科学目标,这些影响可以在一段时间内定义,在此期间可以提供后续治疗。我们开发了一个主要的分析方法和相关的样本量公式来检验这些影响。
2017-11-09 stat.AP
Generalizing causal inferences from randomized trials: counterfactual and graphical identification
当参与随机试验是由影响结局的因素驱动时,或者当参与试验直接影响与治疗无关的结局时,试验受试者的平均处理效应不太可能推广到目标人群。在本文中,我们使用反事实和图形因果模型,以检查在什么条件下,我们可以概括因果推断从一个随机试验的目标人群的试验合格的个人。我们提供了一个解释的概括性分析使用的概念,一个假设的干预,以“扩大”试验参与的目标人群。我们认为,当试验参与不直接影响结果时,解释的概括性分析,突出与纵向研究中的删失的连接,并讨论通过g公式计算和逆概率加权的反事实结果的分布的识别。最后,我们展示了如何扩展的方法,以解决随时间变化的治疗,不遵守,和审查。
2019-06-26 stat.AP stat.ME
A Robust Instrumental Variable Method Accounting for Treatment Switching in Open-Label Randomized Controlled Trials
在一项随机对照试验中,当最初分配到一个治疗组的患者在随访过程中改变到另一个治疗组时,发生治疗转换(也称为污染或交叉)。忽视治疗转换可能会严重偏倚治疗疗效或安全性的评价。为了考虑治疗转换,利用初始随机分配作为IV的工具变量(IV)方法可作为自然调整方法,因为它们允许可能由于潜在预后而进行的依赖性治疗转换。然而,IV方法的“排除限制”假设,要求初始随机化对结果没有直接影响,仍然值得怀疑,特别是对于开放标签试验。我们提出了一个强大的工具变量估计规避这样的警告。我们推导出我们提出的估计量的大样本特性,以及推理工具。我们进行了广泛的模拟,以检查我们的估计和相关的推理工具的有限性能。实现所有建议方法的R包`` ivsacim '在R CRAN上免费提供。我们应用该估计量评价核苷逆转录酶抑制剂(NRTI)对包括或省略NRTI的优化治疗试验中安全性结局的处理效应。
2022-09-25 math.ST stat.AP stat.ME
A sensitivity analysis approach for the causal hazard ratio in randomized and observational studies
在研究生存数据时,风险比(HR)通常被报告为主要因果效应。尽管它的流行,人力资源遭受不明确的因果解释。正如文献中已经指出的那样,HR中存在内在的选择偏倚,因为与死亡截断问题类似,HR条件对治疗后生存率的影响。受存活者平均因果效应(SACE)的启发,最近提出的一种替代方法是因果HR,定义为研究参与者中无论其治疗分配如何都会存活的治疗组之间的风险比。我们讨论了识别因果HR的挑战,并在利用工作脆弱模型的随机对照试验中提出了一种敏感性分析识别方法。我们进一步扩展了我们的框架,以调整潜在的混杂因素,使用治疗加权的逆概率。我们提出了一个基于Cox和一个灵活的非参数核估计右删失。我们通过仿真研究了所提出的估计方法的有限样本性质。我们使用两个真实数据的例子来说明我们的框架的效用。
2022-03-07 stat.AP stat.ME
Using instrumental variables to disentangle treatment and placebo effects in blinded and unblinded randomized clinical trials influenced by unmeasured confounders
临床试验传统上采用盲法作为设计机制,以减少安慰剂效应的影响。然而,在实践中,很难或不可能对研究参与者进行盲态试验,而非盲态试验在医学研究中很常见。在这里,我们展示了如何工具变量可以用来量化和解开治疗和安慰剂的效果在随机临床试验中比较对照和活性治疗的存在混杂因素。其关键思想是使用随机化来分别操纵治疗分配和心理鼓励信息,以增加参与者对改善症状的渴望。所提出的方法能够改善盲法研究中处理效应的估计,最重要的是,打开了大门,以解释非盲法试验中的安慰剂效应。
2016-06-21 stat.AP
Efficient and robust methods for causally interpretable meta-analysis: transporting inferences from multiple randomized trials to a target population
我们提出了因果关系可解释的荟萃分析方法,结合多个随机试验的信息,以估计潜在的(反事实)结果的手段和目标人群的平均处理效应。我们认为可识别性条件,推导出的条件的影响,观察到的数据的法律,并获得识别结果运输因果推断从一组独立的随机试验,一个新的目标人群中,实验数据可能无法使用。我们提出了一个估计的潜在(反事实)的结果平均在目标人群下的每一个治疗研究的试验。估计量使用来自试验集合的协变量、治疗和结果数据,但仅使用来自目标人群样本的协变量数据。我们表明,它是双重强大的,在这个意义上说,它是一致的,渐近正常时,它依赖的模型中的至少一个是正确指定的。我们在模拟研究中研究了估计量的有限样本性质,并使用多中心随机试验的数据演示了其实现。
2022-02-05 stat.AP stat.ME
Regression assisted inference for the average treatment effect in paired experiments
在配对随机化实验中,尽管从业者尽了最大的努力,给定配对中的个体可能在统计学上重要的协变量上存在差异。我们研究使用回归调整作为一种方法来纠正随机化后持续的协变量不平衡,并提出了两个回归辅助估计的样本平均处理效应在配对实验。使用潜在的结果框架,我们证明了这些估计是一致的样本平均处理效应温和的正则条件下,即使回归模型是不正确的指定。此外,我们描述了如何渐近保守的置信区间可以构建。我们证明了回归辅助估计量的方差至少与标准均值差估计量的方差一样小。通过仿真研究,我们说明了适当的小样本和中等样本的建议方法。该分析不需要超群体模型、恒定治疗效应或回归模型的真实性,因此为样本平均处理效应提供了一种推断模式,该模式有可能使所得分析的功效优于经典分析,而不会施加潜在的不切实际的假设。
2017-11-23 stat.ME
A tutorial on individualized treatment effect prediction from randomized trials with a binary endpoint
随机试验通常估计平均相对治疗效果,但通过对绝对处理效应进行更个性化的预测,可能会更好地了解治疗益处。在二元结局的情况下,这些绝对个体化处理效应的预测需要了解个体在未接受治疗的情况下的风险,并纳入可能存在差异的处理效应(即,随患者特征而变化)。在本文中,我们奠定了因果结构的个性化处理效应的潜在结果,并描述了所需的假设,其预测的因果解释的基础。随后,我们描述了回归模型和模型估计技术,可以用来从平均移动到更个性化的处理效应预测。我们主要关注基于逻辑斯谛回归的方法,这些方法都是众所周知的,并且自然地提供了所需的概率估计。我们结合因果推断和预测研究的关键组成部分,以达到个性化的处理效应预测。虽然这些独立的组成部分是众所周知的,但它们的成功融合是一个正在进行的研究领域。我们削减了问题的本质,在设置一个随机试验,讨论了一个明确的定义的被估量的重要性,提供洞察所需的假设,并提供指导方面的建模和估计选项。模拟数据说明了不同方案中不同建模选项的潜力,这些方案改变了平均处理效应和处理效应异质性。两个应用实例说明了随机试验数据中的个体化处理效应预测。
2021-06-10 stat.ME
Studentized sensitivity analysis for the sample average treatment effect in paired observational studies
观察性研究中因果推断的一个基本局限性是,一种效应的感知证据可能由主要分析中未考虑的因素解释。在所有个体的处理效应恒定的假设下,建立了评估研究结论对未测量混杂因素敏感性的方法。在可能存在未测量混杂的情况下,有人认为某些效应异质性模式可能与未观察到的协变量共同导致进行的敏感性分析不充分。我们提出了一种新的方法进行敏感性分析的样本平均处理效应的效果异质性的配对观察性研究。我们推荐的程序,称为学生化敏感性分析,代表了最近关于学生化排列检验的工作在观察性研究中的扩展,在观察性研究中,随机化不再是均匀的。该方法自然地将配对实验中样本平均处理效应的常规检验扩展到未知但有界的分配给处理的概率的情况。在这样做的时候,我们说明,对某些敏感性分析的运作假设不变的影响,在很大程度上是没有道理的。
2018-09-12 stat.ME
Estimating treatment effects with competing intercurrent events in randomized controlled trials
University of California, Berkeley(加州大学伯克利分校);Eli Lilly and Company(礼来公司);University of Washington(华盛顿大学)
本文提出了一种框架,用于处理随机对照试验中竞争性继发事件的影响,通过定制策略区分信息性与非信息性事件,并介绍了加权、结果回归和双重稳健估计器。
2026-04-03 stat.AP stat.ME
Randomized and Balanced Allocation of Units into Treatment Groups Using the Finite Selection Model for R
最初的有限选择模型(FSM)是在20世纪70年代开发的,以加强兰德健康保险实验的设计(HIE; Newhouse et al. 1993)。在Carl Morris(Morris 1979)开发该方法时,存在基本的计算限制,使该方法广泛适用于从业者。如今,随着随机化实验越来越普遍,需要实施随机化、平衡、稳健且易于适用于多个治疗组的试验设计。为了帮助解决这个问题,我们重新审视原来的FSM下的潜在结果框架的因果推断,并提供其第一个现成的软件实现。在本文中,我们提供了一个介绍有限状态机和一个逐步指导其使用R。
2021-05-06 stat.ME
The P-LOOP Estimator: Covariate Adjustment for Paired Experiments
在配对实验中,参与者被分成具有相似特征的两组,每对中的一个观察结果被随机分配给治疗。由于配对和随机化,治疗组和对照组应平衡良好;但是,仍可能存在小概率不平衡。可以通过调整这些不平衡来提高处理效应估计的精度。基于完全随机实验的相关工作,我们提出了配对实验的P-LOOP(配对留一潜在结果)估计。我们忽略每一对,然后使用任何预测算法估算其潜在结果。插补方法是灵活的;例如,我们可以使用套索或随机森林。虽然完全随机化实验中存在类似的方法,但配对实验中的协变量调整方法相对研究不足。配对实验存在一个独特的权衡,在进行调整时,可能不清楚是否要考虑配对分配。我们在P-LOOP估计器中解决了这个问题,方法是在估算潜在结果时自动决定是否考虑配对。通过解决这种权衡,该方法有可能提高现有方法的精度。
2019-05-21 stat.AP
Rejective Sampling, Rerandomization and Regression Adjustment in Survey Experiments
经典随机化实验配备了基于随机化的推断,为处理效应提供了无干扰的推断。它们一直是绘制因果推断的黄金标准,并提供出色的内部效度。然而,他们也被批评为可疑的外部有效性,在这个意义上,结论可能无法推广到更大的人口。随机调查实验是一种设计工具,可以通过从感兴趣的目标人群中随机选择实验单元来帮助减轻这种担忧。然而,正如Morgan和Rubin(2012)所指出的,即使在完全随机化的实验中,不同治疗组之间的协变量分布也经常存在机会不平衡。毫不奇怪,这种协变量失衡也发生在随机调查实验中。此外,协变量不平衡不仅发生在不同的治疗组之间,而且发生在采样的实验单位和整体人群之间。在本文中,我们提出了一个两阶段的重新随机化设计,可以积极地避免不良的协变量不平衡的抽样和治疗分配阶段。我们进一步发展渐近理论的重新随机化调查实验,证明重新随机化提供了更好的协变量平衡,更精确的处理效应估计,和更短的大样本置信区间。我们还提出协变量调整,以处理剩余的协变量不平衡后重新随机化,它可以进一步提高抽样和估计精度。我们的工作允许在抽样、治疗分配和分析阶段协变量之间存在一般关系,并推广了经典随机化实验中的重新随机化(Morgan and Rubin 2012)和调查抽样中的拒绝抽样(Fuller 2009)。
2021-09-21 stat.AP stat.ME
Estimating the effect of treatments allocated by randomized waiting lists
超额订购的治疗通常使用随机等候名单进行分配。申请人随机排名,并根据排名提供治疗,直到所有座位都被填满。为了估计因果关系,研究人员经常比较申请人得到和没有得到录取通知书。我们发现这两组在统计上没有可比性。因此,从这种比较中得出的估计量是不一致的。我们提出了一个新的估计,并证明了它是一致的。最后,我们重新审视一个应用程序,我们表明,使用我们的估计可以导致使用常用的估计所获得的结果大不相同。
2018-10-22 econ.EM stat.ME
Statistical Inference for Heterogeneous Treatment Effects Discovered by Generic Machine Learning in Randomized Experiments
针对机器学习在随机实验中发现的异质性处理效应,提出基于随机化与随机抽样的通用统计推断方法,涵盖组内效应估计、置信区间及非参数检验,并推广至交叉拟合。
2024-04-21 stat.AP stat.ME stat.ML
Treatment Effect Quantiles in Stratified Randomized Experiments and Matched Observational Studies
针对个体效应重尾或异常值情形,提出基于随机化的个体效应分位数推断方法,涵盖分层随机实验与匹配观察性研究,并引入高效贪心算法与敏感性分析。
2023-05-09 stat.AP stat.ME
Estimation Methods for Cluster Randomized Trials with Noncompliance: A Study of A Biometric Smartcard Payment System in India
许多政策评估发生在治疗在集群水平随机化的环境中,每个集群内都有治疗不依从性。例如,村庄可能被分配到治疗和控制,但每个村庄的居民可以选择遵守或不遵守分配给他们的治疗状态。当存在不依从时,工具变量框架可用于识别和估计因果效应。虽然大量的文献存在的工具变量估计方法,相对较少的工作一直集中在设置与聚类处理。在这里,我们回顾了现有的方法,工具变量估计的聚类设计,并推导出这些估计的有限和渐近性质。我们证明了当前估计的性质依赖于不切实际的假设。然后,我们提出了一个新的IV估计方法的集群随机试验,并研究其形式的性质。我们证明,我们的IV估计允许可能的处理效应异质性,与集群大小和集群内的低依从率是强大的。我们使用模拟评估这些方法,并将其应用于印度随机干预的数据。
2019-08-15 stat.ME
Estimating treatment effect heterogeneity in randomized program evaluation
当使用随机实验评估社会项目和医疗的有效性时,估计的总体平均因果效应本身往往价值有限,研究人员必须调查治疗何时有效和无效。事实上,处理效应异质性的估计在以下方面发挥着至关重要的作用:(1)从大量可用的治疗方法中选择最有效的治疗方法,(2)确定治疗有效或有害的亚群,(3)设计个性化的最佳治疗方案,(4)测试是否存在异质性处理效应,以及(5)将从实验样本获得的因果效应估计推广到目标群体。在本文中,我们制定的估计异质处理效应作为一个变量选择问题。我们提出了一种方法,通过将单独的稀疏性约束的预处理参数和因果异质性参数的兴趣,适应支持向量机分类器。所提出的方法的动机,并应用于两个著名的随机评价研究在社会科学。我们的方法选择了最有效的选民动员策略,从大量的替代战略,它也确定了工人的特点,大大受益于(或受到负面影响)的工作培训计划。在我们的模拟研究中,我们发现,所提出的方法往往优于一些常用的替代品。
2013-05-24 stat.AP
Bridging preference-based instrumental variable studies and cluster-randomized encouragement experiments: study design, noncompliance, and average cluster effect ratio
工具变量方法被广泛应用于医学和社会科学研究中,当治疗和结局受到不可测量的混杂变量的混淆时,可以得出因果关系的结论。这类研究的一个重要特点是,工具变量往往应用于集群一级,例如,医院或医师对某一治疗的偏好,其中每个医院或医师自然地定义一个群集。本文提出了嵌入这样的观察工具变量数据到集群随机激励实验,使用统计匹配。潜在的结果和因果关系的假设支持的设计形式化和检查。两个常用的被估量,费舍尔的尖锐原假设和合并效应比的检验程序,扩展到目前的设置。然后,我们介绍了一种新的集群异质比例处理效应模型和相关的估计:平均集群效果比。这个新的被估量是有利的结构参数在一个恒定的比例处理效应模型,因为它允许治疗的异质性,是有利的合并效果比被估量,因为它是免疫辛普森悖论。我们开发了一个渐近有效的基于随机化的测试程序,这个新的估计的基础上解决一个混合整数二次约束优化问题。所提出的设计和推理方法应用于CABG手术期间使用经食管超声心动图对患者30天死亡率的影响的研究。
2021-05-23 stat.AP stat.ME
Micro-randomized Trials with Categorical Treatments: Causal Effect Estimation and Sample Size Calculation
本文扩展微随机试验方法至分类处理,提出因果效应估计与样本量公式,并通过模拟和HeartSteps实例验证,确保实际应用中的统计功效。
2025-04-21 stat.ME
A Robust, Differentially Private Randomized Experiment for Evaluating Online Educational Programs With Sensitive Student Data
随机对照试验(RCT)一直是评价项目、政策或治疗对感兴趣结果的有效性的金标准。然而,许多随机对照试验假设研究参与者愿意分享他们的(潜在敏感的)数据,特别是他们对治疗的反应。这个假设,虽然一开始微不足道,但在现代社会越来越难以满足,特别是在有更多法规保护个人数据的在线环境中。本文提出了一种新的,简单的试验设计,是差异隐私,最强的数据隐私的概念之一。此外,使用实验心理学中的不合规作品,我们表明,我们的设计是强大的对“敌对”的参与者谁可能不信任调查人员与他们的个人数据,并提供污染的反应,故意偏见的实验结果。在我们的新设计下,我们提出了无偏和渐近正态估计的平均处理效应。我们还提出了一个双重强大的,协变量调整估计,使用预处理协变量(如果可用),以提高效率。最后,我们使用拟议的试验设计来评估威斯康星大学麦迪逊分校2021年春季学期在线统计课程的有效性,当时许多课程因COVID-19而在线。
2021-12-05 stat.AP stat.ME
Rank-based estimators of global treatment effects for cluster randomized trials with multiple endpoints
针对多终点整群随机试验,本文提出基于秩的全局获胜概率区间估计方法,通过全局获胜分数与线性混合模型处理整群相关性,模拟验证其覆盖率和I类错误表现良好。
2024-02-08 stat.AP 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
Balanced and Robust Randomized Treatment Assignments: The Finite Selection Model for the Health Insurance Experiment and Beyond
本文重新形式化并扩展 Morris 提出的有限选择模型,引入无调参且仿射不变的 D-最优选择准则,实验表明其协变量平衡平均优于完全随机化 68%、优于重随机化 56%,为实验设计提供了简单、高效且稳健的通用工具。
2023-07-04 stat.AP stat.ME
Minimax designs for causal effects in temporal experiments with treatment habituation
随机实验是评估干预措施因果效应的黄金标准。在最简单的设置中,每个实验单元被随机分配接受治疗或对照,然后比较每个治疗组的结果。然而,在许多情况下,需要在几个时间段内执行随机化实验,以便在每个时间段进行治疗分配。在这样的时间实验中,已经观察到,当单元首次暴露于干预时,干预对给定单元的影响可能很大,但是在重复暴露之后,干预的影响通常会减弱,甚至消失。这种现象通常是由于单位的习惯干预,或其他一些一般形式的学习,如当用户逐渐开始忽略重复发送的促销活动的邮件。本文提出了随机设计,估计因果关系的时间实验时,习惯化。我们表明,我们的设计是极大极小最优的一个大类的实际设计。我们的分析是基于因果推断的随机化框架,并没有对结果施加参数建模假设。
2020-06-04 stat.AP stat.ME
Bayesian Causal Inference in Sequentially Randomized Experiments with Noncompliance
科学研究人员利用随机实验来得出随意的陈述。大多数早期的研究以及目前的工作与序贯干预决策的实验一直专注于估计序贯治疗之间的因果关系,忽略了不遵守的问题,实验单位可能不遵守的治疗分配,他们最初分配。针对定时治疗的随机实验中的不依从问题,已经发展了一系列的方法。然而,据我们所知,很少有文献研究的非依从性问题的序贯实验设置。在本文中,我们超越了传统的方法,使用每协议,作为治疗,或意向治疗分析,并提出了一个潜在的混合贝叶斯框架来估计样本平均处理效应序贯实验有不遵守的关注。
2022-07-26 stat.ME
The role of assignment in defining and identifying causal effects in randomized trials
CAUSALab, Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院因果科学实验室);Department of Epidemiology, Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院流行病学系);Department of Biostatistics, Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院生物统计系);Brown University School of Public Health(布朗大学公共卫生学院)
本文通过实例论证随机试验中符合方案效应与治疗策略效应不同,两者识别均需分配信息,并强调明确分配作用对因果推断的重要性。
2025-09-24 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
Harmonized Estimation of Subgroup-Specific Treatment Effects in Randomized Trials: The Use of External Control Data
针对随机对照试验(RCT)亚组分析样本量小导致的亚组特异性治疗效应不确定性问题,提出利用外部对照(EC)数据的协调估计方法,通过修改亚组估计使其与仅RCT的总体平均效应稳健估计一致,经分析、模拟及肿瘤学案例验证有效性。
2025-02-11 stat.ME
Direct Learning of Treatment-Benefit Rankings for Restricted Mean Survival Time in Randomized Trials with Censoring
Takeda Pharmaceutical Company, Ltd.(武田药品工业株式会社)
针对随机试验中的删失数据,提出直接学习条件RMST治疗获益排名的方法,通过正交伪结局和成对排名损失优化排序,提升治疗获益识别。
2026-10-06 stat.ME
Comparison of Methods that Combine Multiple Randomized Trials to Estimate Heterogeneous Treatment Effects
本文比较了结合多个随机试验估计异质性处理效应的非参数方法,发现允许跨试验异质性的方法更优,并应用于四个重度抑郁症试验。
2023-11-15 stat.ME stat.ML
Sharp symbolic nonparametric bounds for measures of benefit in observational and imperfect randomized studies with ordinal outcomes
本文将获益概率、无伤害概率和相对处理效应三个不可识别获益测度的非参数界,扩展至存在未测量混杂的观察性研究及不完美随机试验中。
2023-05-17 stat.ME
A Bayesian Optimal Phase II Design for Randomized Immunotherapy Trials with Delayed Treatment Effects
针对免疫治疗延迟效应导致的非比例风险,提出DTE-BOP2贝叶斯II期设计,通过对效应分离时间建模实现小样本下的I类错误控制与更高检验效能。
2025-08-29 stat.AP stat.ME
Budgeted Active Experimentation for Treatment Effect Estimation from Observational and Randomized Data
Didi Chuxing(滴滴出行);School of Statistics, East China Normal University(华东师范大学统计学院);School of Mathematics and Statistics, Beijing Jiaotong University(北京交通大学数学与统计学院);School of Computing and Information Technology, Great Bay University(大湾区大学计算与信息技术学院);School of Statistics and Data Science, Shanghai University of Finance and Economics(上海财经大学统计与数据科学学院);Institute of Data Science and Statistics, Shanghai University of Finance and Economics(上海财经大学数据科学与统计研究院)
本文提出一种预算限定的主动实验框架,通过主动采样和观察先验优化,提升从观察性和随机化数据中估计治疗效应的效率和准确性。
2026-02-25 stat.ME
Instrumental variable estimation of early treatment effect in randomized screening trials
癌症随机筛查试验的主要分析通常遵循意向筛查原则,测量筛查组和对照组之间癌症特异性死亡率的降低。这些死亡率的降低是筛查方案、筛查技术和早期筛查诱导的治疗效果相结合的结果。这促使分别处理这些不同的方面。在这里,我们感兴趣的是早期与延迟治疗对筛查可检测亚组中癌症死亡率的因果关系,在某些假设下,可以使用工具变量类型的方法从传统的随机筛查试验中估计。为了定义感兴趣的因果效应,我们制定了一个简化的结构多状态模型的筛选试验,基于一个假设的干预试验,筛选检测到的个人将被随机分为早期与延迟治疗。通过病因特异性风险比量化筛查检测后癌症特异性死亡率的降低。为此,我们提出了两个估计,估计方程和似然表达式的基础上。该方法将现有的时间至事件和竞争风险结果的工具变量方法扩展到时间依赖性中间变量。使用的多状态模型的数据生成机制的基础上,我们通过仿真研究新的估计器的性能。此外,我们说明了所提出的方法的背景下,CT筛查肺癌使用美国国家肺筛查试验(NLST)的数据。
2021-06-07 stat.ME
Assessing treatment effect heterogeneity in the presence of missing effect modifier data in cluster-randomized trials
本文通过模拟和真实数据比较整群随机试验中效应修饰因子缺失时的多种处理方法,发现多水平多重插补和贝叶斯MMI表现更优,且贝叶斯MMI在模型设定或兼容性问题下偏倚更低、覆盖率更接近名义水平。
2023-12-01 stat.ME
Sample Size Calculations for Micro-randomized Trials in mHealth
移动干预的使用和发展正在迅速增长。在“即时”移动干预中,通过移动终端提供治疗,旨在帮助个人“在当下”做出健康决定,从而产生近端、近期的影响。目前,移动干预的发展速度比相关的数据科学方法快得多。开发基于数据的方法的第一步是提供一个试验设计,用于测试这些即时治疗的近端效应。在本文中,我们提出了一个“微随机”的试验设计,为此目的。在微随机试验中,治疗在整个研究过程中顺序随机化,结果是每个参与者可以在可能提供治疗的100或1000次机会中随机化。此外,我们开发了一个检验统计量,用于评估治疗的近端效应以及相关的样本量计算器。我们进行模拟评估的样本量计算器在各种设置。经验法则,可用于设计一个微型随机试验进行了讨论。这项工作的动机是我们在HeartSteps移动应用程序上的合作,旨在增加身体活动。
2020-07-22 stat.ME
Optimal Tests of Treatment Effects for the Overall Population and Two Subpopulations in Randomized Trials, using Sparse Linear Programming
我们提出了新的,最佳的方法来分析随机试验,当它被怀疑,处理效应可能会有所不同,在两个预定义的亚群。这些亚群可以通过在基线测量的生物标志物或风险因素来定义。目标是同时了解哪些亚群从实验性治疗中获益,同时提供对家族第一类错误率的强有力控制。我们正式这是一个多重检验问题,并表明它是计算上不可行的解决使用现有的技术。我们的解决方案涉及到一种新的方法,在这种方法中,我们首先将原来的多重检验问题转化为一个大型的,稀疏的线性规划。然后,我们使用先进的优化技术来解决这个问题。这种通用方法可以解决许多与最优试验设计有关的多重检验问题和决策论问题,而这些问题以前是没有解决办法的。特别是,我们构造新的多重检验程序,满足极大极小和贝叶斯最优性准则。对于一个给定的最优性标准,我们的新方法产生的最佳权衡?在总体人群中检测效应的把握度与在亚群中检测效应的把握度之间的差异。我们展示了我们的方法的例子动机的两个随机试验的新的治疗艾滋病毒。
2013-06-05 stat.ME
On Nonasymptotic Confidence Intervals for Treatment Effects in Randomized Experiments
Carnegie Mellon University(卡内基梅隆大学);École Normale Supérieure & Inria, Paris(巴黎高等师范学院与法国国家信息与自动化研究所)
本文提出了一种在随机实验中实现与渐近置信区间相同有效样本量的非渐近置信区间方法,且其速率在信息论上不可改进。
2026-01-23 math.ST stat.AP stat.ME
Privacy-preserving Quantile Treatment Effect Estimation for Randomized Controlled Trials
针对数据最小化与 A/B 测试中分位数效应估计的矛盾,提出基于直方图聚合的近似 QTE 分析方法,并通过差分隐私提供形式化隐私保证。
2024-01-25 stat.ME
Time-varying treatment effect models in stepped-wedge cluster-randomized trials with multiple interventions
针对传统阶梯式楔形整群随机试验模型忽略治疗效应时变导致的偏差问题,推导恒定效应估计量期望值并检验两种时变模型,模拟显示并行设计效能更高,应用于PONDER试验数据未发现干预效应。
2025-04-18 stat.ME
Conditional average treatment effect estimation with marginally constrained models
本文针对条件平均处理效应(CATE)估计,提出一种边际约束模型,以更好地利用随机对照试验中的边际优势比,并在标准因果推断假设下提供一致估计,实证表明该方法在CATE变化充分时近似效果更佳。
2023-07-23 stat.ME
Micro-randomized Trials with Categorical Treatments and Binary Proximal Outcome: Causal Effect Estimation and Sample Size Calculation
University of California, Irvine(加州大学尔湾分校)
该研究针对含分类处理与二元近端结局的微随机试验,定义因果偏移效应,提出EMEE-catA估计量与样本量公式,经模拟验证稳健性并给出实践指导,以Drink Less MRT数据示例说明方法。
2026-08-06 stat.ME
Sensitivity analyses for effect modifiers not observed in the target population when generalizing treatment effects from a randomized controlled trial: Assumptions, models, effect scales, data scenarios, and implementation details
背景:随机对照试验通常用于为广泛人群提供政策和实践信息。然而,如果效应调节剂在目标人群中的分布与试验中的分布不同,则目标人群的平均处理效应(ATE)可能与试验中观察到的ATE不同。存在使用试验数据来估计目标人群ATE的方法,前提是在试验和目标人群中观察到处理效应调节剂的分布--这一假设在实践中可能不成立。研究方法:拟定的敏感性分析解决了在试验中观察到处理效应修饰因子但未在目标人群中观察到的情况。这些方法是基于一个结果模型或这种模型的组合和加权调整之间观察到的试验样本和目标人群的差异。它们适用于几种类型的结局模型:累加效应的线性模型(包括单次结局以及治疗前和治疗后结局),以及倍增效应的对数或logit链接模型。我们阐明了方法的假设,并提供了详细的实施说明。说明:我们举例说明的方法,使用一个例子概括的影响,艾滋病毒治疗方案从随机试验到相关的目标人群。结论:这些方法使研究人员和决策者在得出关于目标人群影响的结论时有更适当的信心。
2020-11-25 stat.ME
Statistical analysis of two arm randomized pre-post design with one post-treatment measurement
随机前后设计,在基线和随访时测量结果,通常用于比较两种竞争治疗的临床有效性。有大量的,但往往是相互矛盾的,在当前的文献中的信息量的最佳分析方法的前后设计。应用型研究人员做出明智的选择是一项挑战。我们讨论了文献中常用的六种方法:单因素方差分析(ANOVA)、治疗后测量的协方差主效应分析和交互作用模型(ANCOVA I和II)、基线和治疗后测量之间变化评分的ANOVA、基线和治疗后测量作为联合结果的重复测量和约束重复测量模型(cRM)。我们回顾了一些研究终点的前后设计,并确定治疗后测量的差异作为共同的处理效应,所有六种方法的目标。我们描绘了潜在的差异和联系,这些竞争的方法在同质和异质的研究人群。我们证明了ANCOVA和cRM优于其他替代方法,因为它们的处理效应估计量具有最小的方差。cRM在同质情景中与ANCOVA I主效应模型的性能相当,在异质情景中与ANCOVA II相互作用模型的性能相当。尽管如此,ANCOVA仍具有优于cRM的几个优势,包括将基线测量值视为协变量(因为根据定义,它不是一种结局)、纳入其他基线变量的便利性以及在线性回归框架中处理复杂的异方差模式。
2020-07-15 stat.AP