Adaptive Combination of Randomized and Observational Data
随机试验和观察性研究的数据有时可同时用于评估干预措施的效果。随机化数据通常允许可靠地估计平均处理效应,但在估计广泛患者的条件性平均处理效应时,可能会受到样本量和患者异质性的限制。观察性研究的估计值可能会弥补这些局限性,但可能会担心是否已充分解决混杂因素和处理效应异质性。我们提出了一种方法,结合条件处理效应估计从每个来源,使其积极的权重向随机估计时,偏差的观察估计被检测到。这使得组合对于条件因果效应是一致的,无论是否满足观察性研究中一致估计所需的假设。当偏差可以忽略时,将来自每个源的估计量组合以获得最佳效率。我们证明了这个问题可以用一个惩罚最小二乘问题来表示,并考虑了它的渐近性质。仿真结果表明,在有限样本的方法,在有偏见或无偏见的情况下,在观察估计的鲁棒性和效率。我们通过估计激素替代疗法对妇女健康倡议数据中冠心病风险的影响来说明这种方法。
2021-11-29 stat.ME
Addressing selection bias in cluster randomized experiments via weighting
该研究针对整群随机实验中随机化后招募导致的选择偏倚问题,定义因果估计量,基于逆概率加权、主分层提出估计与敏感性分析方法,并在ARTEMIS试验中验证了有效性。
2024-10-10 stat.ME
Clarifying Selection Bias in Cluster Randomized Trials: Estimands and Estimation
在整群随机试验中,患者通常在整群随机化后招募,招募人员和患者可能对分配不知情。这通常会导致招募差异,从而导致干预组和对照组之间招募患者的基线特征存在系统性差异,从而诱导随机化后选择偏倚。我们严格定义的因果被估量存在选择偏差。我们阐明的条件下,标准的协变量调整方法可以有效地估计这些被估量。我们进一步讨论了在不满足这些条件时估计因果效应所需的额外数据和假设。采用因果推断中的主分层框架,阐明了整群随机试验中存在两个平均处理效应(ATE)估计量:一个用于总体人群,一个用于招募人群。我们推导出分析公式的两个被估量的主要阶层的具体因果关系的影响。使用模拟研究,我们评估的经验性能的多元回归调整方法在不同的数据生成过程中,导致选择偏差。当各主要分层的处理效应不均匀时,总体人群的ATE通常与招募人群的ATE不同。招募样本的意向治疗分析导致两种ATE的估计值存在偏倚。在存在随机化后选择且没有关于未招募受试者的额外数据的情况下,仅当主要分层之间的处理效应均匀时,招募人群的ATE才可估计,而总体人群的ATE通常不可估计。协变量调整可以消除选择偏倚的程度取决于主要分层之间的效应异质性程度。
2021-10-04 stat.AP stat.ME
Two-Stage TMLE to Reduce Bias and Improve Efficiency in Cluster Randomized Trials
群集随机试验(CRT)将干预措施随机分配给个体组(例如,诊所或社区),并测量这些群体中个人的结果。在提供许多优点的同时,这种试验设计引入了现有分析方法仅部分解决的挑战。首先,集群中的一些个体往往没有结果。未能适当调整不同的结果测量可能会导致有偏见的估计和推断。其次,CRT通常随机化有限数量的集群,导致两组之间基线结果预测因素的机会不平衡。如果不对这些不平衡和其他预测协变量进行自适应调整,可能会导致效率损失。为了解决这些方法上的差距,我们提出并评估了一种新的两阶段有针对性的基于最小损失的估计(TMLE),以优化精度的方式调整基线协变量,在控制基线和基线后缺失结果的原因。有限样本模拟表明,我们的方法几乎可以消除偏差,由于差分结果测量,而现有的CRT估计产生误导性的结果和推论。应用到来自于社区随机试验的真实数据,证明了在控制了个体水平结果的缺失后,通过对基线协变量进行自适应调整所获得的效率。
2021-10-20 stat.AP stat.ME stat.ML
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
Doubly Robust Inference for Targeted Minimum Loss Based Estimation in Randomized Trials with Missing Outcome Data
缺失的结果数据是随机试验处理效应估计有效性的主要威胁之一。缺失数据和观察数据的参与者的结果分布通常是不同的,这增加了偏倚的风险。因果推断方法可通过将基线变量纳入分析来帮助减少偏倚并提高效率。特别是,双稳健估计纳入两个滋扰参数的估计:结果回归和缺失机制,以调整观察到的和未观察到的组中的差异,可以解释观察到的协变量。传统上使用参数模型来估计这样的干扰参数,这通常排除一致的估计,特别是在中到高维中。最近对缺失数据的研究主要集中在数据自适应估计的滋扰参数,以达到一致性,但大样本的性质,这样的估计知之甚少。在本文中,我们讨论了双稳健估计,是一致的和渐近正态(CAN)下的数据自适应一致估计的结果回归或缺失机制。我们提供了一个公式的渐近有效的置信区间在最小的假设。我们表明,我们提出的估计有较小的有限样本偏差相比,标准的双稳健估计。我们提出了一个模拟研究,证明了我们的估计在偏倚,效率和覆盖范围的置信区间的增强性能。我们提出了一个说明性的例子的结果:一个随机的,双盲的II/III期抗逆转录病毒治疗HIV感染者的试验,并提供R代码实现我们提出的估计。
2017-04-05 stat.ME
A Panel Quantile Approach to Attrition Bias in Big Data: Evidence from a Randomized Experiment
University of Kentucky(肯塔基大学)
本文介绍了具有个体异质性和损耗的面板数据模型的分位数回归估计。该方法的动机是在大数据应用程序中经常遇到磨损偏见的事实。例如,许多用户注册了最新的程序,但几个月后很少有活跃用户,这使得对这种干预措施的评估本身就非常具有挑战性。在Hausman和Wise(1979)的早期工作的基础上,我们提供了一个简单的识别策略,导致两步估计过程。在第一步中,选择方程中的感兴趣的系数使用参数或非参数方法一致地估计。在第二步中,对加权观测值的子集采用标准面板分位数方法。该估计器在计算上易于在具有大量受试者的大数据应用中实现。我们调查的条件下,参数估计是渐近高斯和我们进行了一系列的蒙特卡罗模拟调查的有限样本性质的估计。最后,使用一个模拟练习,我们应用该方法来评估最近的一个时刻的电力定价实验的启发,艾格纳和豪斯曼(1980)的工作。
2018-08-09 cs.LG econ.EM stat.AP
Valuing Winners: When and How to Correct for Selection Bias in Randomized Experiments
The Wharton School, The University of Pennsylvania(宾夕法尼亚大学沃顿商学院);Rutgers Business School(罗格斯大学商学院)
本文研究了在随机实验中如何纠正选择偏差,区分了全局和选择性赢家诅咒两种形式,并探讨了如何根据管理目标选择合适的方法。
2026-05-16 econ.EM econ.GN q-fin.EC
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
Enhancing Treatment Effect Estimation: A Model Robust Approach Integrating Randomized Experiments and External Controls using the Double Penalty Integration Estimator
本文针对随机实验与外部对照不可比的问题,提出双重惩罚集成估计器DPIE,通过引入偏倚函数并分别惩罚ANCOVA模型与偏倚函数,在模型误设下仍保证一致性、oracle性质和渐近正态性,且比仅用随机实验的估计更高效。
2023-07-10 stat.ME
Leveraging external data in the analysis of randomized controlled trials: a comparative analysis
Massachusetts General Hospital(麻省总医院);University of Minnesota School of Public Health(明尼苏达大学公共卫生学院);Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院)
该研究针对临床试验整合外部数据可能引发的偏倚风险,综述了倾向评分法、随机效应建模等利用外部数据的方法,通过模拟场景及胶质母细胞瘤真实数据集开展比较分析,探讨各方法的假阳性控制、检验效能等特征,为后续胶质母细胞瘤试验提供方法学建议。
2025-10-22 stat.ME
Sensitivity analysis for contamination in egocentric-network randomized trials with interference
Tel Aviv University(特拉维夫大学)
针对自我中心网络随机试验中的污染问题,提出基于敏感性参数的偏差校正估计量,并通过网格分析和概率偏差分析评估因果估计的稳健性。
2026-06-07 stat.AP stat.ME
Combining Real-World and Randomized Control Trial Data Using Data-Adaptive Weighting via the On-Trial Score
混合对照组(由随机化患者和在标准临床实践中接受常规治疗的患者的真实数据组成的对照组)的临床试验有可能降低随机试验的成本,同时增加获得新型治疗的试验患者比例。然而,由于严格的试验入选标准以及试验和社区实践之间的护理和数据质量差异,试验患者与现实世界的患者相比可能具有系统性不同的结局。我们提出了一种新的方法,用于分析试验的混合控制臂,有效地控制偏差和第一类错误。根据我们提出的方法,选择的真实世界的患者是加权的“试验评分”的函数,这反映了他们的相似性试验患者。与以前开发的混合控制设计,分配相同的权重给所有现实世界的患者相比,我们的方法增加了现实世界的患者更接近随机对照患者的权重,而不同的患者被打折。通过考克斯比例风险模型获得处理效应的估计值。我们通过模拟将我们的方法与现有方法进行比较,并将这些方法应用于使用电子健康记录数据的研究。我们提出的方法是能够控制第一类错误,最大限度地减少偏差,并减少方差相比,仅使用试验数据在几乎所有的情况下检查。因此,我们的新方法可以在进行临床试验时使用,通过使用EHR中的加权患者来增强标准治疗组,以增加功效而不会引起偏倚。
2021-08-19 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
Statistical Properties of Exclusive and Non-exclusive Online Randomized Experiments using Bucket Reuse
随机实验是科技行业产品开发的关键部分。经常需要运行排他性实验程序,即,不能在同一时间内在同一设备上运行的实验。这些程序意味着对随机抽样的限制,因为当前实验中的单元不能被抽样到新的单元中。此外,为了在技术上实现与大群体的这种类型的协调,群体中的单元通常被分组为“桶”,然后在桶级上进行采样。本文研究了限制抽样和桶级抽样的一些统计含义。本文的贡献是三方面的:首先,桶抽样是连接到现有的文献中的随机实验复杂的抽样设计,使建立属性的差异,平均估计的平均处理效应。在桶的随机抽样下,需要这些性质来推断总体。其次,推导了排他性实验方案所规定的抽样限制所引起的偏差。最后,模拟结果支持的理论研究结果一起提出的建议,就如何实证评估和处理这种偏见。
2020-12-18 stat.ME
Combining Incomplete Observational and Randomized Data for Heterogeneous Treatment Effects
Ant Group(蚂蚁集团)
针对现有融合观测与随机数据的HTE估计方法需完整观测数据的局限,提出CIO方法,利用伪实验组与伪对照组推导混杂偏倚函数作为校正残差,可在观测数据不完整时仍高效估计HTE,且经多数据集实验验证。
2024-10-28 cs.LG stat.ME
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
Using a Two-Parameter Sensitivity Analysis Framework to Efficiently Combine Randomized and Non-randomized Studies
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Wisconsin-Madison(威斯康星大学麦迪逊分校);University of California Davis(加州大学戴维斯分校);University of California San Francisco(加州大学旧金山分校)
本文提出一种整合随机化和非随机化研究的方法,通过三元组匹配和双参数敏感性分析框架,提高因果推断的稳健性和外部效度。
2025-11-29 stat.AP stat.ME
Empirical Bayes Double Shrinkage for Combining Biased and Unbiased Causal Estimates
针对结合观察性数据与随机对照试验因果估计的问题,提出一类无需调参的双重收缩估计量,通过数据驱动的凸组合与类似Stein的向零收缩处理多维因果被估量,并提供了构建经验贝叶斯置信区间的方法及模拟验证。
2023-09-13 stat.ME
Omitted-Variable Sensitivity Analysis for Generalizing Randomized Trials
Vanderbilt University Medical Center(范德堡大学医学中心);University of Minnesota(明尼苏达大学)
本文提出基于遗漏变量偏差的框架,通过分解外部有效性偏差为调节强度与调节不平衡,提供闭式界限和对比观测协变量的敏感性参数,以评估未观测变量对结论的影响。
2026-03-29 stat.ME
Improving the mixed model for repeated measures to robustly increase precision in randomized trials
针对随机试验中MMRM因中间结局建模不当产生偏倚、损失精度的问题,提出扩展模型IMMRM,通过多维度调整提升稳健性与精度,理论证明和模拟、实例分析均验证其优势。
2023-07-19 stat.ME
Causal Gradient Boosting: Boosted Instrumental Variable Regression
文献中的最新进展表明,标准的监督学习算法是不适合的问题与内生解释变量。为了校正内参数偏差,已经开发了许多非参数工具变量回归方法的变体。在本文中,我们提出了一种替代算法称为boostIV,建立在传统的梯度增强算法,并纠正了内循环的偏见。该算法非常直观,类似于标准2SLS估计量的迭代版本。此外,我们的方法是数据驱动的,这意味着研究人员不必对目标函数近似的形式或工具的选择做出立场。我们证明了我们的估计是一致的温和的条件下。我们进行了广泛的蒙特卡罗模拟,以证明我们的算法相比,其他最近开发的方法的有限样本性能。我们表明,boostIV是在最坏的水平与现有的方法,平均显着优于他们。
2021-01-15 econ.EM stat.ML
The ideal trial: defining causal estimands that balance relevance and feasibility in target trial emulations and actual randomized trials
本文回顾理想试验概念,强调在指定目标试验时需平衡现实相关性与估计可行性,指出紧密对齐观察数据的做法可能遗留偏差,并主张通过对比理想试验来识别和管理所有偏差来源。
2025-09-08 stat.ME
A decorrelation method for general regression adjustment in randomized experiments
本文提出一种去相关回归调整方法,用于设计基设定下估计平均处理效应,规避标准方法因样本重用导致的偏差,并提供渐近与非渐近保证,在高维和非参数问题中展现改进的样本复杂度和放宽的假设。
2023-11-16 math.ST stat.ME stat.TH
Model-robust and efficient covariate adjustment for cluster-randomized experiments
针对整群随机实验中模型误设与随机化后整群规模变化导致的偏倚,本文结合加权 g-computation 并提出支持机器学习的三重稳健高效估计量,用于整群平均和个体平均处理效应推断。
2023-07-19 stat.ME
Prognostic Adjustment with Efficient Estimators to Unbiasedly Leverage Historical Data in Randomized Trials
本研究将预后协变量调整扩展到非参数高效估计量,利用历史数据提高随机试验小样本下的功效且无偏倚,并通过模拟和真实临床试验数据验证。
2023-11-15 stat.ME
Conditional cross-fitting for unbiased machine-learning-assisted covariate adjustment in randomized experiments
本文针对随机实验中协变量调整因数据重复使用导致的有限样本偏差问题,提出条件交叉拟合方法,在基于设计的推断框架下构造无偏ATE估计量并支持机器学习辅助调整。
2025-08-21 stat.ME
Learning causal effects from many randomized experiments using regularized instrumental variables
科学和商业实践越来越多地导致大量的随机实验。这些集合可以告诉我们集合中的单个实验无法告诉我们的事情。我们研究如何从现代数据科学家面临的各种集合中学习变量之间的因果关系:实验数量很大,许多实验的影响非常小,分析师缺乏元数据(例如,干预措施的说明)。在这里,我们使用实验组作为工具变量(IV),并表明,一个标准的方法(两阶段最小二乘法)是有偏见的,即使当实验的数量是无限的。我们展示了稀疏诱导的l0正则化如何--与标准偏差相反--正则化中的方差权衡--减少干预预测的偏差(从而减少误差)。由于我们对干预损失最小化感兴趣,我们还提出了一种修改的交叉验证过程(IVCV)来可行地选择正则化参数。我们表明,使用一个技巧,从蒙特卡罗抽样,IVCV可以使用汇总统计,而不是原始数据。这使得我们的整个过程在许多实际应用中使用起来很简单。
2017-06-01 stat.AP stat.ML
Optimal Variance Reduction in Randomized Experiments
本文提出一种利用辅助信息的随机实验方差缩减方法,可适配任意复杂度模型,对可加处理指标最优减方差,对复杂指标用Delta Method,还探讨了建模考量。
2026-08-26 math.ST stat.ME stat.TH
Measuring, Interpreting, and Improving Fairness of Algorithms using Causal Inference and Randomized Experiments
University of Southern California(南加州大学)
本文提出一个与算法无关的框架MIIF,利用因果推断和随机实验测量算法偏差,并通过可解释模型解释黑盒算法,以改进算法公平性,尤其适用于电子商务和定向广告等实际应用。
2023-09-04 cs.CY cs.LG stat.ME
A Large Scale Randomized Controlled Trial on Herding in Peer-Review Discussions
Carnegie Mellon University(卡内基梅隆大学);University of Maryland, College Park(马里兰大学帕克分校);Microsoft Research(微软研究院)
同行评审是学术界的支柱,而人类是这一过程的基石,负责审查论文并做出最终的接受/拒绝决定。鉴于人类决策容易受到各种认知偏见的影响,重要的是要了解同行评审过程中存在哪些(如果有的话)偏见,并设计管道,以便最大限度地减少这些偏见的影响。在这项工作中,我们专注于动态的审稿人之间的讨论,并调查羊群行为的存在。在这一点上,我们的目标是了解审稿人和更高级的决策者是否会受到讨论中提出的第一个论点的不成比例的影响,当(在审稿人的情况下)他们在与其他人讨论之前形成对论文的独立意见时。具体来说,结合ICML 2020(一个大型的顶级机器学习会议)的审查过程,我们设计并执行了一项随机对照试验,目的是测试讨论发起者对论文结果的意见的条件因果效应。
2020-11-30 cs.HC cs.LG stat.AP
A Generalized Difference-in-Differences Estimator for Randomized Stepped-Wedge and Observational Staggered Adoption Settings
Department of Biostatistics, Yale School of Public Health(耶鲁公共卫生学院生物统计学系)
针对随机阶梯楔形试验和观察性交错采纳研究,提出一种基于2×2双重差分加权平均的非参数估计方法,以灵活、无偏地估计目标处理效应,并平衡偏差-方差-泛化性权衡。
2024-10-11 stat.AP stat.ME
Conditional Cross-Design Synthesis Estimators for Generalizability in Medicaid
提出条件跨设计合成估计量,结合随机与观察性数据解决各自偏差,利用协变量重叠消除未测量混杂,并应用于估计纽约市Medicaid受益人管理式医疗计划对医疗支出的因果效应。
2021-09-27 stat.ME stat.ML
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
Estimation and inference for causal spillover effects in egocentric-network randomized trials in the presence of network membership misclassification
针对自我中心网络随机试验中网络成员误分类导致平均溢出效应估计有偏的问题,结合测量误差与因果推断方法提出偏差校正方案,经模拟和HPTN 037研究验证有效。
2023-10-03 stat.AP stat.ME
Adaptive-TMLE for the Average Treatment Effect based on Randomized Controlled Trial Augmented with Real-World Data
提出自适应目标最大似然估计(A-TMLE)框架,利用真实世界数据增强随机对照试验以估计平均处理效应,在保证一致性和渐近正态性的同时实现超效率,提升试验效能并缩短试验周期。
2025-01-18 stat.ME stat.ML
Transporting Randomized Trial Effects to Real-World Populations via Riesz-Calibrated Optimal Transport
Pfizer Inc.(辉瑞公司);University of Chicago(芝加哥大学);Johns Hopkins University(约翰斯·霍普金斯大学)
本研究开发了Riesz校准最优运输方法RICOT,用于将随机试验治疗效应迁移至真实世界人群,该方法具有双重稳健性,在模拟和真实案例中表现良好,优于部分传统方法。
2026-08-25 math.ST stat.ME stat.TH
Using Auxiliary Data to Boost Precision in the Analysis of A/B Tests on an Online Educational Platform: New Data and New Results
针对在线教育平台A/B测试样本量小、功效不足、估计精度低的问题,本文结合基于设计的因果估计与历史用户日志的深度学习模型,在ASSISTments平台250余项A/B测试中验证该方法可显著提升估计精度,且适用于子群效应与总体效应估计。
2023-06-09 stat.ME stat.ML
Detecting critical treatment effect bias in small subgroups
本文提出一种新的方法,通过统计检验和亚组分析,评估观察性研究与随机对照试验的治疗效应差异,以提高临床决策的可靠性。
2026-04-13 cs.LG stat.ME stat.ML
Exact Bias Correction for Linear Adjustment of Randomized Controlled Trials
Freedman(2008)在一个有影响力的实证实践批判中指出,在随机化模型下,线性回归估计量在分析随机对照试验时存在偏倚。根据Freedman的假设,我们推导出精确的闭合形式的偏差校正的线性回归估计和不治疗的协变量的相互作用。我们证明了偏差校正估计量的极限分布与未校正估计量的极限分布是相同的,这意味着可以在不引入任何偏差风险的情况下获得调整的渐近增益。结合Lin(2013)的结果,我们的结果表明,Freedman反对使用回归调整的理论论点可以通过对实践的微小修改而完全解决。
2021-10-25 econ.EM stat.ME
Covariate Ordered Systematic Sampling as an Improvement to Randomized Controlled Trials
本文提出协变量有序系统抽样(COSS),通过实验前协变量排序并交替分配处理与对照,在保持 RCT 简洁性的同时提升因果估计灵敏度。
2024-04-16 stat.AP stat.ME
Causal inference methods for small non-randomized studies: Methods and an application in COVID-19
通常的开发周期太慢,无法开发疫苗,诊断和治疗流行病,如正在进行的SARS-CoV-2大流行病。考虑到这种情况下的压力,早期临床试验的结果有被过度解释的风险,尽管它们在规模和设计方面有局限性。受一项非随机开放标签研究的启发,该研究调查了羟氯喹在COVID-19患者中的疗效,我们以统一的方式描述了非随机研究分析的各种替代方法。一种广泛使用的减少治疗选择偏倚影响的工具是所谓的倾向得分(PS)方法。以倾向得分为条件,可以根据观察到的协变量复制随机对照试验的设计。扩展包括g-计算方法,这是不经常应用,特别是在临床研究。此外,双重鲁棒估计提供了额外的优势。在这里,我们调查的性质倾向得分为基础的方法,包括三个变化的双稳健估计在小样本设置,典型的早期试验,在模拟研究。提供了模拟的R代码。
2020-10-09 q-bio.QM stat.AP stat.ME
A Review of Generalizability and Transportability
在评估因果效应时,确定结果旨在推广的目标人群是一个关键的决定。随机和观察性研究在估计目标人群中的因果效应方面各有优势和局限性。来自随机数据的估计值可能具有内部效度,但通常不能代表目标人群。观察性数据可能更好地反映目标人群,因此更有可能具有外部效度,但由于未测量的混杂因素,可能存在潜在偏倚。虽然大部分的因果推断文献都集中在解决内部效度偏差,内部和外部效度是必要的无偏估计在目标人群。本文提出了一个解决外部效度偏倚的框架,包括概括性和可移植性方法的综合,它们需要的假设,以及处理效应的异质性和研究与目标人群之间的差异的测试。
2021-02-23 stat.AP stat.ME stat.ML
Counterfactual Uncertainty Quantification of Factual Estimand of Efficacy from Before-and-After Treatment Repeated Measures Randomized Controlled Trials
Department of Mathematics, The University of Manchester;Janssen Research;Pfizer Worldwide Research \& Development;Department of Statistics, The Ohio State University
该研究提出ETZ统计建模原理,在带治疗前后重复测量的随机对照试验中实现了反事实不确定性量化,其变异性低于事实UQ,同时警示带测量误差的预测变量会引发亚组效应估计的衰减偏差。
2025-06-14 cs.LG stat.ML
Regression adjustment in completely randomized experiments with a diverging number of covariates
随机实验已成为实证研究的重要工具。在完全随机化的治疗对照实验中,结果均值的简单差异对于平均治疗效果是无偏的,协变量调整可以进一步提高效率,而无需假设正确指定的结果模型。在现代应用中,实验者往往有机会获得许多协变量,激励需要一个协变量调整理论下的渐近制度与发散数量的协变量。本文研究了潜在结果模型下协变量调整的渐近性质,在较弱的条件下,提出了一个具有相合性和渐近正态性的偏差校正估计。我们的理论是纯粹的随机化为基础,没有强加任何参数结果模型的假设。为了证明理论结果,我们发展了新的向量和矩阵浓度不等式的不放回抽样。
2020-12-31 math.ST stat.TH
Bias Correction For Paid Search In Media Mix Modeling
广告支出回报率(ROAS)是广告对销售额的因果关系,它的评估对于广告主了解其现有营销策略的效果以及如何改进和优化营销策略至关重要。媒体组合模型(MMM)是一种方便的分析工具,可以通过观察数据来解决这个问题。然而,众所周知,MMM遭受各种基本挑战:数据收集,模型规范和选择偏见,由于广告定位,其中\citep{chan2017,wolfe2016}。在本文中,我们研究的挑战与衡量搜索广告在MMM的影响,即由于广告定位的选择偏差。使用搜索广告环境的因果图,我们推导出基于\textit{back-door}标准\citep{pearl2013causality}的偏差校正的统计原理方法。我们使用的案例研究表明,该方法提供了有前途的结果与随机实验的结果进行比较。我们还报告了一个更复杂的案例研究,其中广告客户已经花费了十几个媒体渠道,但从随机实验的结果是不可用的。我们的理论和实证研究表明,在一些常见的,实际的情况下,人们可能能够获得一个近似无偏估计的搜索广告ROAS。
2018-07-09 stat.AP
Combining Observational and Randomized Data for Estimating Heterogeneous Treatment Effects
ETH Zurich(苏黎世联邦理工学院);University of Cambridge(剑桥大学);LMU Munich(慕尼黑大学);The Alan Turing Institute(阿兰·图灵研究所);UCLA(加州大学洛杉矶分校)
估计异质性处理效应是跨多个领域的重要问题。为了准确估计这种处理效应,人们通常依赖于来自观察性研究或随机实验的数据。目前,大多数现有的作品完全依赖于观测数据,这往往是混淆,因此,产生偏见的估计。虽然观察数据是混杂的,随机数据是无混杂的,但其样本量通常太小,无法了解异质性处理效应。在本文中,我们提出了估计异质性处理效应结合大量的观察数据和少量的随机数据,通过表征学习。特别是,我们引入了一个两步框架:首先,我们使用观测数据来学习共享结构(以表示的形式);然后,我们使用随机数据来学习数据特定的结构。我们分析了我们的框架的有限样本属性,并将它们与几个自然基线进行比较。因此,我们得出条件时,结合观察和随机数据是有益的,当它不是。在此基础上,我们介绍了一个样本效率的算法,称为CorNet。我们使用大量的模拟研究来验证CorNet和多个真实世界数据集的理论特性,以证明我们的方法相比现有方法的优越性。
2022-02-25 cs.LG stat.ML
Increasing efficiency and reducing bias when assessing HPV vaccination efficacy by using non-targeted HPV strains
疫苗有效性研究通常记录疫苗靶向病毒株的发生率(主要结局)和非靶向病毒株的发生率(次要结局)。然而,疫苗对靶向毒株效力的标准估计忽略了非靶向毒株的数据。假设非靶向毒株不受疫苗接种的影响,我们将次要结局视为阴性对照结局,并说明如何使用这些数据(i)增加随机试验中针对靶向毒株的疫苗有效性估计值的精确度,以及(ii)减少观察性研究中相同估计值的混杂偏倚。对于目标(i),我们用一个无偏于零的次要结局函数来增加主要结局估计方程。对于目标(ii),我们联合估计了对主要和次要结局的处理效应。如果未测量混杂因素引起的偏倚对于两种类型的结局相似,对于影响感染的一般风险的因素似乎是合理的,那么我们可以使用针对次要结局的估计疗效来消除针对主要结局的估计疗效的偏倚。我们证明了这些方法在HPV疫苗研究中的实用性,这些疫苗只针对少数高致癌性菌株。在这个例子中,使用非靶向菌株适度增加了随机试验的精确度,但大大减少了观察性研究的偏倚。
2022-12-29 stat.AP
Cluster-Randomized Trials with Cross-Cluster Interference
Department of Economics, University of California, Santa Cruz(加州大学圣克鲁兹分校经济学系)
本文针对整群随机试验中的跨簇干扰问题,提出排除非包围单位以减少偏差的估计策略,并建立簇选择的偏差-方差权衡规则,同时为基于k-medoids的无监督簇构建提供理论保证。
2025-10-27 econ.EM stat.ME
Selection Bias in Hybrid Randomized Controlled Trials using External Controls: A Simulation Study
Medical University of Vienna(维也纳医科大学);Center for Medical Data Science, Medical University of Vienna(维也纳医科大学医学数据科学中心)
本研究针对混合随机对照试验中依赖结果的外部对照选择偏倚问题,通过模拟研究量化贝叶斯与频率学派方法下的偏倚程度,探讨缓解策略,并验证不同选择规则的影响。
2025-10-06 stat.ME
A Bias Correction Method in Meta-analysis of Randomized Clinical Trials with no Adjustments for Zero-inflated Outcomes
许多临床终点指标,如每周消耗的标准饮料数量或患者住院天数,都是带有过多零的计数数据。然而,这种结果的零膨胀性质有时在临床试验分析中被忽略。这导致研究水平干预效应的偏倚估计,从而导致荟萃分析中总体干预效应的偏倚估计。目前的研究提出了一种新的统计方法,零膨胀偏倚校正(ZIBC)方法,可以解释使用泊松回归模型时引入的偏倚,尽管在随机临床试验的结果分布中有很高的膨胀零率。这种校正方法只需要来自个体研究的汇总信息来校正干预效果估计值,就好像它们是使用零膨胀泊松回归模型适当估计的一样,因此当某些研究中无法获得个体参与者水平的数据时,它对于荟萃分析是有吸引力的。模拟研究和实际数据分析表明,ZIBC方法在大多数情况下都能很好地校正零通胀偏差。
2021-06-25 stat.AP stat.ME
Recursive Bias Estimation and $L_2$ Boosting
本文提出了一种通用的回归平滑器的迭代偏差校正方法。该偏差减少方案显示为在操作上对应于$L_2$ Boosting算法,并为$L_2$ Boosting提供了新的统计解释。我们分析了Boosting算法应用于常见平滑器$S$的行为,我们表明它依赖于$I-S$的频谱。我们提出了常见的平滑的例子,其中提升生成一个发散序列。统计解释建议结合算法与适当的停止规则的迭代过程。最后,我们通过仿真研究说明了实际的有限样本性能的迭代平滑。模拟
2008-01-30 stat.ME stat.ML
Statistical Inference for Heterogeneous Treatment Effect with Right-censored Data from Synthesizing Randomized Clinical Trials and Real-world Data
本研究针对右删失生存数据,通过定义综合偏倚函数并结合惩罚筛法,整合随机临床试验与有偏真实世界数据估计异质性治疗效应,理论与实验均验证了其更优的统计效率。
2025-09-02 stat.AP stat.ME
Improving sandwich variance estimation for marginal Cox analysis of cluster randomized trials
聚类随机试验(CRT)经常招募少量的聚类,因此需要应用小样本校正来进行有效的推断。最近的一项系统性综述表明,报告右删失至事件时间结局的CRT并不罕见,边际考克斯比例风险模型是主要分析的常用方法之一。虽然小样本校正已经研究了边际模型与连续,二进制和计数的结果,没有以前的研究一直致力于开发和评价的偏差校正的三明治方差估计时,聚集的时间到事件的结果进行了分析的边际Cox模型。为了改善目前的做法,我们提出了9个偏差校正夹心方差估计的CRT使用边际Cox模型的分析,并报告了模拟研究,以评估其小样本属性。我们的研究结果表明,最佳选择的偏倚校正三明治方差估计CRT的生存结果可以依赖于集群大小的变异性,也可以略有不同,无论是根据相对偏差或第一类错误率进行评估。最后,我们说明了新的方差估计在现实世界的CRT干预效果的结论不同,这取决于使用小样本偏差校正。建议的三明治方差估计在R包CoxBcv中实现。
2022-09-02 stat.ME