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
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
Evaluation of Treatment Effect Modification by Biomarkers Measured Pre- and Post-randomization in the Presence of Non-monotone Missingness
在疫苗研究中，研究者通常对基于生物标志物的主要分层研究临床治疗效果的效应修饰物感兴趣，这对于在新试验中选择生物标志物研究终点以评估治疗、探索临床治疗效果的生物学机制以及研究临床治疗效果的介质都很有用。然而，在受试者可能因既往暴露而进入研究的试验中，基线生物标志物值可变，临床治疗有效性可能共同取决于基线时测量的生物标志物和疫苗接种后固定时间测量的生物标志物。因此，通过基于生物标志物的主要分层和基线生物标志物值进行双变量效应修正分析是有意义的。如果在随机化后固定时间点测量生物标志物的受试者也在基线测量生物标志物，则先前的方法允许进行该评估。然而，研究设计中的其他并发症在实践中可能发生。例如，在登革热相关性研究中，基线生物标志物值仅可从一部分具有随机化后测量的生物标志物的参与者获得。如何在这些研究中进行双变量效应修正分析仍然是一个开放的研究问题。在这篇文章中，我们提出了一种估计的可能性方法，利用二次采样的基线生物标志物的效果修改分析，并说明我们的方法与数据集从两个登革热3期疫苗的有效性试验。
2017-10-26 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
Temporal discontinuity trials and randomization: success rates versus design strength
本文针对非对称证据下如何选择治疗方法的问题，以克罗恩病为例，证明在异质性效应下刻意治疗分配可优于随机化，并给出时间不连续性设计近似随机试验的条件与新参数。
2024-08-22 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
On Mendelian Randomization Mixed-Scale Treatment Effect Robust Identification (MR MiSTERI) and Estimation for Causal Inference
如果定义工具变量（IV）的遗传变异受到混淆和/或对非治疗介导的目标结局具有水平多效性效应，则标准孟德尔随机化分析可能产生偏倚结果。我们提供了新的识别条件的因果关系的治疗中存在的不可测量的混杂，利用无效的IV的独立性和排除限制的假设可能会被违反。孟德尔随机化混合尺度处理效应稳健辨识（MR MiSTERI）方法依赖于（i）假设处理效应不随相加量表上无效IV的变化而变化;以及（ii）由于混杂导致的选择偏倚不随比值比量表上无效IV的变化而变化;和（iii）结果的残差方差是异方差的，因此随着无效IV而变化。我们正式确定，他们的结合可以确定一个因果关系的影响，即使是一个无效的IV受到多效性。MiSTERI被证明是特别有利的，在存在普遍的异质性的多效性效应的加性尺度，设置在其中两个最近提出的稳健估计方法MR GxE和MR GENIUS可以严重偏置。为了将多个，可能相关的和弱IV，MR研究中的一个常见的挑战，我们开发了一个MAny弱无效仪器（MR MaWII MiSTERI）的方法，以加强识别和提高准确性MaWII MiSTERI被证明是强大的水平多效性，违反IV独立性假设和弱IV偏见。仿真研究和实际数据分析结果表明所提出的MR MiSTERI方法的鲁棒性。
2021-03-30 stat.ME
Global Average Treatment Effects for Individualized Randomization Experiments with Aggregate Data
Shanghai University of Finance and Economics（上海财经大学）；London School of Economics and Political Science（伦敦政治经济学院）；DiDi China Ride Hailing Business Group（滴滴中国网约车业务组）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
针对个体随机实验中存在时空干扰且仅能获取聚合数据的问题，提出IRE-VCDP模型以估计全局平均处理效应（GATE），并给出估计与推断方法及理论保证。
2026-05-26 stat.ME
Randomization Inference For the Always-Reporter Average Treatment Effect
Columbia University（哥伦比亚大学）；Princeton University（普林斯顿大学）
本文研究随机化推断在存在流失的随机对照试验中的处理效应，聚焦始终报告者（AR-ATE）的平均处理效应，提出一种最坏情况随机化检验以确保统计显著性。
2026-03-27 econ.EM stat.ME
Causal Inference from Possibly Unbalanced Split-Plot Designs: A Randomization-based Perspective
裂区设计在具有随机化限制的多因素试验中具有广泛的适用性。实际的考虑往往保证使用不平衡的设计。本文研究了可能不平衡的裂区设计中基于随机化的因果推断。从最近研究的平衡情况下的想法延伸产生的治疗对比估计的采样方差的表达式，以及保守的估计的采样方差。然而，即使当处理效应是严格可加的时，该方差估计量的偏差也不会消失。一个仔细的和涉及矩阵分析，以克服这个困难，从而在一个新的方差估计，这是在温和的条件下变得无偏。一个建设过程中，产生这样的估计极小极大偏差的建议。
2019-06-20 stat.ME
A randomization-based perspective of analysis of variance: a test statistic robust to treatment effect heterogeneity
在有限总体环境中考虑了Neyman原假设（无平均治疗效应）的Fisher随机化检验，该环境与两种以上治疗的完全随机化实验相关。从理论和计算两方面对使用$F$统计量进行此类检验的后果进行了检查，并认为在治疗效应异质性下，在Fisher随机化检验中使用$F$统计量可能会严重增加内曼原假设下的I型错误。提出了一种替代的检验统计量，导出了它在Fisher和Neyman原假设下的渐近分布，并证明了它的优点。
2017-07-24 math.ST stat.ME stat.TH
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
Randomization inference for treatment effects on survival outcomes
Wake Forest University（维克森林大学）；Wake Forest University School of Medicine（维克森林大学医学院）；University of Chicago（芝加哥大学）；The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院）
针对随机临床试验生存结局处理效应推断的不足，提出两种非参数置信区间，模拟验证其有效性并结合实例说明应用，提供相关代码与应用工具。
2026-08-18 stat.ME
Fisher's Randomization Test for Causality with General Types of Treatments
本文扩展 FRT 以检验任意处理类型下的条件独立性，结合分配与结果模型实现渐近错误控制和 Bayes factors 统计量，并提出未观测混杂敏感性分析。
2025-06-11 stat.ME
ML-assisted Randomization Tests for Detecting Treatment Effects in A/B Experiments
本研究提出一种机器学习辅助的随机化检验方法，通过对比含与不含处理变量的两个ML模型的交叉验证误差构建检验统计量，结合ML预测能力与随机化检验的有限样本有效性，可稳健高效地检测A/B实验中的异质性、干扰等复杂处理效应，并通过理论与实证验证了其优势。
2025-01-13 stat.ME stat.ML
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
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
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
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
The role of randomization inference in unraveling individual treatment effects in early phase vaccine trials
本文系统回顾并扩展了早期疫苗试验中对个体治疗效应分位数进行精确随机化推断的方法，通过模拟研究验证其有效性，并应用于HVTN 086和HVTN 205试验展示广泛的应用场景。
2024-02-26 stat.AP stat.ME
Multiple conditional randomization tests for lagged and spillover treatment effects
本文提出使用单一数据集构建多个独立条件随机化检验的序贯方法，可单独解释p值或用标准多重检验组合，并应用于证据因子、滞后效应和溢出效应分析。
2024-10-11 math.ST stat.ME stat.TH
Randomization-based confidence sets for the local average treatment effect
本文改进 Imbens 和 Rosenbaum 的随机化方法，提出基于学生化 Anderson–Rubin 统计量的置信集构造程序，在不完全依从实验中同时保证有限样本精确性与异质效应下的渐近有效性，并给出高效算法。
2025-02-10 math.ST stat.ME stat.TH
Randomization inference with general interference and censoring
当一个人的治疗（或暴露）影响另一个人的结果时，个体之间就会发生干扰。以前的工作因果推断方法在干扰的存在下，集中在设置在先验假设有"部分干扰"，在这个意义上，个人可以被划分成组，其中有没有在不同的群体中的个人之间的干扰。Bowers，Fredrickson和Panagopoulos（2012）以及Bowers，Fredrickson和Aronow（2016）考虑了基于随机化的推理方法，这些方法允许在随机实验的背景下更一般的干扰结构。在本文中，Bowers等人的扩展。它允许故障时间的结果受到右删失。允许右删失结局具有挑战性，因为无处理效应的零假设的标准随机化检验假设个体是否删失不取决于治疗。Bowers等人提出的允许删失的扩展需要调整Wang，Lagakos和Gray（2010）的方法，以在存在不平等删失的情况下进行两个样本的生存比较。这些方法通过模拟研究进行了检查，并用于评估在孟加拉国Matlab对73，000名儿童和妇女进行的单独随机试验中霍乱疫苗接种的效果。
2019-07-19 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
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
Robust Bayesian Inference of Causal Effects via Randomization Distributions
提出基于随机化分布的因果效应贝叶斯推断框架，固定潜在结果并构建似然，具有较弱假设且兼容后验检查，理论证明后验均值渐近等价于经典估计量，并在模拟和营养实验中验证了其稳健性与实用性。
2025-11-01 stat.ME
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
Inspection-Guided Randomization: A Flexible and Transparent Restricted Randomization Framework for Better Experimental Design
本文提出检查引导的随机化（IGR）框架，通过事前检查并过滤不理想分配，提升受限随机化的灵活性和透明度，在群组形成及干扰实验中改进效应估计。
2025-08-26 stat.AP stat.ME
Treatment Effect Learning Under Sequential Randomization
针对在线实验序贯治疗分配中的结转效应，提出将T-Learners嵌入G-公式的方法，模拟验证其可防止精度下降，实现准确识别与推断。
2025-10-22 stat.AP 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 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
Learning Treatment Effects during Resource Allocation via Priority-Queue Randomization
Carnegie Mellon University（卡内基梅隆大学）；Allegheny County Department of Human Services（阿勒格尼县人类服务部）
提出优先级队列随机化实验设计框架，在优先服务高需求个体的同时识别因果效应，并优化队列分配以平衡统计效率与优先级。
2026-05-24 cs.LG stat.ME stat.ML
Randomization Tests in Observational Studies with Staggered Adoption of Treatment
本文考虑了随时间变化的采用治疗的观察性研究中的推理问题。除了潜在结局独立于单位采用治疗的时间（以单位观察到的特征为条件）的不混淆性假设外，我们的分析还假设每个单位采用治疗的时间遵循考克斯比例风险模型。该假设允许每个单元采用治疗的时间取决于单元的观察特性，但施加了多个单元同时采用治疗的概率为零的限制。在这种情况下，我们研究了零假设的Fisher式随机化检验，该零假设规定在分布意义上所有单位和所有时间段都没有处理效应。我们首先表明，一个不可行的测试，将Cox模型的参数作为已知的拒绝概率不大于标称水平在有限样本。然后，我们建立了可行的测试，取代这些参数与相合估计量的限制拒绝概率不大于标称水平。在模拟研究中，我们研究了我们的理论结果的实际相关性，包括鲁棒性，在每个单元采用治疗的时间模型的误指定。最后，我们提供了一个实证应用，我们的方法使用综合控制为基础的检验统计量和烟草立法数据发现Abadie等。（2010）。
2021-08-25 stat.AP stat.ME
Randomization-Based Causal Inference from Unbalanced 2^2 Split-Plot Designs
给定两个目标2水平因子，2^2裂区设计}（a）将每个$2^2=4$可能的因子组合作为一个处理，（b）将一个因子确定为“整区”，（c）将实验单元划分为区组，（d）以相同区组内的所有单元接受相同水平的整区因子的方式分配处理。假设潜在的结果框架，我们在本文中提出了一个基于随机化的估计程序的因果推断从2^2设计，不一定是平衡的。点估计值的抽样方差以封闭形式导出，作为潜在结果的区组间和区组内协方差的线性组合。结果进行了比较，完全随机化的设计效率的措施。区间估计是基于抽样方差的保守估计构建的，并且通过模拟评估频率覆盖特性。所提出的方法的基于模型的超种群推理的渐近连接也建立。在各种设置下，报告了二元和连续结果相对于现有基于模型的替代品的优先级。
2016-02-11 stat.ME
Placebo inference on treatment effects when the number of clusters is small
我介绍了一个一般的，费舍尔式的随机化测试框架进行几乎精确的推理缺乏效果的二元治疗在非常少的存在下，大集群时，跨集群的处理效应。建议的随机化测试形式化，并通过分配安慰剂治疗未处理的集群生成空分布的直观概念进行扩展。我表明，在简单和易于验证的条件下，安慰剂测试导致在一个非常大的一类经验相关的模型渐近有效的推断。明确讨论的例子是（i）最小二乘回归与集群级处理，（ii）差异中的差异估计，和（iii）二元选择模型与集群级处理。仿真研究和实证例子。所提出的推理过程是很容易实现的，并表现良好，只有三个处理和三个未处理的集群。
2018-03-07 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
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
A computational method for type I error rate control in power-maximizing response-adaptive randomization
本研究针对功效最大化响应自适应随机化(RAR)中I型错误率膨胀问题，提出在精确检验下分析传统RAR功效并评估约束马尔可夫决策过程(CMDP)程序，通过结合无条件精确检验与CMDP程序，在控制错误率的同时实现显著功效提升。
2025-09-15 stat.ME
Instrumental Variable Estimation of Marginal Structural Mean Models for Time-Varying Treatment
Robins在1997年引入了边际结构模型（MSMs），这是一种针对复杂纵向研究中时变治疗方案联合效应的一般反事实模型，受时变混杂影响。在他的工作中，MSM参数的识别是在序贯随机化假设（SRA）下建立的，该假设排除了治疗分配随时间推移的不可测量的混杂。我们考虑充分条件识别的一个子类，边际结构平均模型（MSMMs），当顺序随机化未能举行由于不可测量的混杂，而不是使用随时间变化的工具变量的参数。我们的识别条件要求没有未观察到的混杂因素预测随时间变化的治疗的依从性类型。我们描述了一个简单的加权估计，并在模拟研究中检查其有限样本性质。我们应用所提出的估计量来检验分娩医院对新生儿存活概率的影响。
2020-07-24 stat.ME
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
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
Remote Auditing: Design-based Tests of Randomization, Selection, and Missingness with Broadly Accessible Satellite Imagery
提出远程审计方法，利用卫星影像和条件随机化检验，以低成本快速验证随机对照试验的分配随机性，及早发现设计偏离。
2025-10-17 stat.ME
Unbiased Treatment Effect Estimation under Network Interference via Neighborhood-Excluded Cross-Fitting
Tsinghua University（清华大学）；Duke University（杜克大学）
针对网络干扰下的处理效应估计，提出邻域排除交叉拟合方法，恢复有限样本无偏性，并给出渐近有效推断及最优调整程序，模拟和实例验证其精度优势。
2026-09-22 stat.ME
Randomization Tests in Switchback Experiments
HSBC Business School, Peking University（汇丰商学院，北京大学）；The University of Hong Kong（香港大学）
本文提出了一种适用于切换实验的随机化检验框架，通过非预期和有限延续时间条件，构建条件随机化检验以处理时间依赖性和季节性，实现有限样本有效性。
2026-09-30 econ.EM stat.ME
Fit CATE Once: Model-Assisted Randomization Tests Without Sample Splitting
National University of Singapore（新加坡国立大学）
本文提出一种结合随机化检验与灵活处理效应模型的CATE估计方法，通过残差化结果的协方差结构估计无符号CATE，并利用实际分配进行随机化推断，实现类型I误差控制和更高统计效力。
2026-05-09 stat.AP stat.ME stat.ML
Peer Encouragement Designs in Causal Inference with Partial Interference and Identification of Local Average Network Effects
在非网络环境中，当随机化治疗被认为不切实际或治疗依从性无法完全强制执行时，鼓励设计已被广泛用于分析治疗、政策或干预对关注结果的因果影响。不幸的是，这样的问题有关的治疗依从性得到较少的关注，在网络设置和网络中研究最充分的试验设计，两阶段随机化设计，需要完美的治疗依从性。本文提出了一种新的试验设计--同伴激励设计，用于研究在实施治疗随机化不可行的情况下网络处理效应。同伴激励设计的核心思想是个性化激励的思想，它允许在激励设计文献中识别熟悉的被估量。本文还定义了新的因果被估量，局部平均网络效应，可以确定在新的设计和分析的影响，不遵守行为的随机实验网络。
2016-09-14 stat.ME
Identifying and Measuring Treatment-Effect Heterogeneity across Sites through Within-Site Randomization
Keio University（庆应义塾大学）；RIKEN（理化学研究所）
该研究针对平行整群随机试验无法识别剩余异质性等问题，提出站点内随机化方法，通过优化配对站点选择等，在国际卒中试验和洪都拉斯村庄实验中验证了该方法可降低估计条件方差、减少剩余变异。
2026-10-14 stat.ME
Causal Inference under Network Interference Using a Mixture of Randomized Experiments
本文提出一种结合伯努利随机化和基于集群随机化的混合设计，用于估计网络干扰下的总处理效应，提供了无偏估计量并证明了其方差的理论上下界，同时针对未知干扰权重提出了权重不变设计。
2024-11-15 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
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
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
Bounding the local average treatment effect in an instrumental variable analysis of engagement with a mobile intervention
在随机试验中估计局部平均处理效应通常需要一个假设，即排除限制，因为我们不愿意排除不可测量的混杂因素。在这种假设下，治疗的任何获益都将通过随机化后变量进行调节，并且不会直接归因于随机化本身或其潜在后代。最近，人们对提供医疗保健支持的移动健康干预产生了兴趣;这种研究可以以单向内容和/或双向内容为特征，后者允许受试者以可以在受试者特定水平上客观测量的方式参与干预（例如，收到响应的文本消息的比例）。因此，很有可能通过干预措施实现的获益部分可以通过接受干预措施内容来解释，部分可以通过参与/响应干预措施内容来解释。因此，当试图描述随机化后参与的平均因果效应时，排除限制几乎肯定会被违反。在本文中，我们提出了一个概念上直观的敏感性分析程序，这种设置，使当地的平均处理效应的急剧变化。大量的模拟研究表明，这种方法具有非常好的有限样本行为，并在灵敏度参数的正确规范下恢复局部平均处理效应。我们将我们的方法应用于一项随机试验，评估2型糖尿病自我护理的短信干预。
2020-08-14 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
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
