Bayesian inference on average treatment effects in the PreventS trial data in the presence of unmeasured confounding
The University of Auckland（奥克兰大学）
本文提出了一种因果框架和贝叶斯建模方法，用于在存在未测量混杂因素、非依从性和缺失数据的情况下估计多值暴露对结果的平均效应，并探讨了未测量混杂因素的估计方法及模型不可识别性问题。
2023-02-28 stat.AP 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
Robust integration of external control data in randomized trials
本文提出一种组合估计量，整合外部对照数据以稳健提升随机试验效率，即使可交换性不成立也保持一致性与效率优势。
2025-09-08 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
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
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
Optimality of Matched-Pair Designs in Randomized Controlled Trials
在随机对照试验（RCT）中，治疗通常通过分层随机分配。我表明，在所有分层随机化方案，处理所有单位的概率一半，一定的配对设计达到最大的统计精度估计的平均处理效应（ATE）。在一个重要的特殊情况下，最优设计根据基线结果对单元进行配对。在一项基于10项随机对照试验数据集的模拟研究中，相对于原始设计，该设计将ATE估计值的标准误差平均降低了10%，最高降低了34%。
2022-06-15 econ.EM math.ST stat.ME
Re-evaluating the impact of hormone replacement therapy on heart disease using match-adaptive randomization inference
针对观察性研究中匹配对随治疗分配变化导致的$Z$-依赖性问题，提出匹配自适应随机化推断算法，校正HRT与冠心病研究的反保守结论并验证年龄异质性效应。
2024-03-02 stat.AP stat.ME
Selective randomization inference for subgroup effects with continuous biomarkers
提出“自包含”方法选择连续生物标志物亚组截断值并应用条件化构建有效随机化检验，避免I类错误失控，比样本拆分更具功效且计算高效。
2025-04-27 stat.AP stat.ME
Design of Experiments with Sequential Randomizations on Multiple Timescales: The Hybrid Experimental Design
心理干预，特别是那些利用移动和无线技术的心理干预，通常包括在多个时间尺度上提供和调整的多个组件（例如，基于临床进展每月调整的指导会话，结合来自移动终端的基于人的日常情绪状态每天调整的激励消息）。混合试验设计（HED）是一种新的实验方法，使研究人员能够回答有关心理干预措施构建的科学问题，其中组件在不同的时间尺度上交付和适应。这些设计涉及将研究参与者顺序随机分配到干预组分，每个组分都有适当的时间尺度（例如，每月随机分配到不同强度的指导会话，每天随机分配到不同形式的激励消息）。本手稿的目标是双重的。首先是突出HED的灵活性，通过将这种实验方法概念化为一种特殊形式的析因设计，其中在多个时间尺度上引入不同的因素。我们还讨论了HED的结构如何根据激发研究的科学问题而变化。第二个目标是解释如何分析来自各种类型的HED的数据，以回答有关多组分心理干预发展的各种科学问题。为了说明，我们使用一个完整的HED来告知基于技术的减肥干预的发展，该干预集成了在多个时间尺度上交付和适应的组件。
2023-02-17 stat.ME
Causal Inference in Randomized Trials with Partial Clustering
本研究针对部分聚类随机试验，提出基于因果模型和靶向最小损失估计（TMLE）的推断方法，统一了不同设计下的依赖结构，在模拟和真实数据中均提升了统计功效与效率。
2024-11-08 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
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
Beyond A/B Testing: Sequential Randomization for Developing Interventions in Scaled Digital Learning Environments
随机实验确保了强大的因果推断，这对有效的学习分析研究和实践至关重要。然而，传统的随机实验，如A/B测试，在大规模数字学习环境中受到限制。虽然传统的实验可以准确地比较两种治疗方案，但它们不太能够告知如何调整干预措施以不断满足学习者的不同需求。在这项工作中，我们介绍了一个试验设计，在规模化的数字学习环境中开发适应性干预措施-序贯随机试验（SRT）。为了改善学习者的体验和开发干预措施，使所有学习者在任何时候都受益，SRT告知如何排序，时间和个性化干预措施。在本文中，我们提供了一个概述的SRT，我们说明了它们相比传统的实验优势。我们描述了一种在大规模数据科学MOOC中运行的新型SRT。试验结果说明了如何通过具有包容性的文化针对性的提醒电子邮件来解决学习者参与问题。我们还为旨在运行自己的SRT的研究人员提供实用的建议，以在规模化的数字学习环境中开发适应性干预措施。
2019-02-01 cs.CY stat.AP
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
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
Inference on Average Treatment Effect under Minimization and Other Covariate-Adaptive Randomization Methods
协变量自适应随机化方案，如最小化和分层排列区组，经常应用于临床试验中，以平衡预后因素之间的治疗分配。协变量自适应随机化后推理的现有理论发展主要限于可以指定响应和协变量之间的正确模型或随机化方法具有良好理解的属性的情况。基于随机化中使用的协变量水平分层和对随机化中未使用的协变量的进一步调整，在本文中，我们提出了几种估计量，用于平均处理效应的无模型推断，平均处理效果定义为两种处理下的响应均值之间的差异。我们建立了所有流行的协变量自适应随机化方案下的估计量的渐近正态性，包括理论性质尚不清楚的最小化，我们证明了渐近分布对于协变量自适应随机化方法是不变的。一致方差估计量构造渐近推断。研究了估计量的渐近相对效率和有限样本性质。我们建议在协变量自适应随机化后使用我们提出的估计量进行有效和无模型推断。
2020-07-19 stat.ME
A gated group sequential design for seamless Phase II/III trial with subpopulation selection
由于III期试验的高成本和高失败率，无缝II/III期设计越来越受欢迎，以提高试验效率。II/III期试验设计的一个潜在吸引力是，在承担III期试验的全部费用之前，允许进行一个随机化的概念验证阶段。试验期间的人群选择允许试验进行调整，并将投资集中在最有可能提供患者获益的地方。受一项临床试验的启发，以寻找双主要终点无进展生存期（PFS）和总生存期（OS）的潜在受益人群，我们提出了一种门控组序贯设计，用于具有人群选择的无缝II/III期试验设计。研究设计控制了全家族错误率，并允许进行多次中期分析，以便能够因有效性或无效性而提前停止研究。模拟和一个说明性的例子表明，拟议的门控组序贯设计可以有更多的权力比常用的经典组序贯设计，并减少患者的暴露，有效性较低的治疗，如果互补的子组具有不太显着的处理效应。所提出的设计有可能节省药物开发成本，更快地满足未满足的医疗需求。
2022-06-25 stat.AP
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
Randomization for the susceptibility effect of an infectious disease intervention
传染病干预措施（如疫苗）的随机试验通常集中在相互联系或可能相互作用的个体群体上。当感兴趣的病原体在研究受试者之间传播时，可能会发生干扰：个体感染结果可能取决于其他人接受的治疗。流行病学家将主要的因果效应定义为“易感性效应”，即在保持接触传染性不变的情况下，接受治疗与不接受治疗的感染风险的对比。一个相关的量-“直接效应”-被定义为接受治疗与不接受治疗的感染风险之间的无条件对比。本文的目的是表明，在广泛推荐的随机设计下，当结果具有传染性时，在随机试验中，直接效应可能无法恢复干预措施的真实易感性效应的迹象。该分析方法使用传染病传播的结构特征来定义易感性效应。一个新的概率耦合参数揭示了不同治疗分配下潜在感染结果之间的随机显性关系。结果表明，当结果具有传染性时，估计随机化下的直接效应可能会对干预措施（如疫苗）的效果提供误导性的推断。
2019-12-09 math.ST q-bio.PE stat.AP
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 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
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
Causal inference in survival analysis using longitudinal observational data: Sequential trials and marginal structural models
纵向观察性患者数据可用于研究随时间变化的治疗对至事件发生时间结局的因果影响。已经开发了几种方法来控制通常发生的时间依赖性混杂。最常用的是边际结构模型的逆概率加权估计（MSM-IPTW）。一种替代方法，顺序试验方法，越来越受欢迎，特别是与目标试验仿真框架相结合。这一办法涉及从新的时间起点开始一系列“试验”，仅限于尚未接受治疗和符合其他资格标准的个人，并比较治疗开始者和非开始者。当个体在每次“试验”（启动者/非启动者）开始时偏离其治疗状态时，对其进行删失，并使用删失权重的逆概率解决这一问题。该分析基于试验间合并的数据。我们表明，序贯试验方法可以估计一个特定的MSM的参数，并将其与MSM-IPTW进行比较，以确定被估量，所需的假设以及如何使用不同的数据。我们展示了这两种方法如何估计相同的边际风险差异。这两种方法进行了比较，使用模拟研究。序贯试验方法往往涉及比MSM-IPTW更少的极端权重，导致在大多数随访时间估计边际风险差异的效率更高，但在某些情况下，这可以在后期时间点逆转。我们将这些方法应用于英国囊性纤维化登记处的纵向观察数据，以评估α-链脱氧核糖核酸酶对生存率的影响。
2021-10-07 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
Balancing events, not patients, maximizes power of the logrank test: and other insights on unequal randomization in survival trials
本研究针对比例风险下事件驱动型生存试验的logrank检验功效问题，通过模拟对比三种近似方法，发现最大化功效的随机化比例是平衡组间事件数而非1:1，还分析了相关影响因素并得出6条设计洞见。
2025-02-12 stat.AP 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
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
Sharpening randomization-based causal inference for $2^2$ factorial designs with binary outcomes
在医学研究中，经常考虑的情况是具有二元结果的随机对照$2^2$析因设计。通过利用潜在结果的概念，Dasgupta et al.（2015）提出了一个基于随机化的因果推断框架，允许对因子效应进行灵活和同时的估计和推断。然而，Dasgupta等人（2015）提出的方法面临的一个根本挑战是，基于随机化的因子效应估计量的抽样方差是不可识别的，使得相应的经典“Neymanian”方差估计量遭受高估。为了解决这个问题，随机对照$2^2$析因设计与二进制的结果，我们推导出尖锐的下限的抽样方差的析因效应估计，这导致了一个新的方差估计，锐化有限人口Neymanian因果推断。我们通过一系列模拟研究证明了新方差估计的优势，并将我们新提出的方法应用于随机临床试验的两个真实数据集，在那里我们获得了新的见解。
2017-11-13 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
Affordable Uplift: Supervised Randomization in Controlled Experiments
Humboldt-Universität zu Berlin（柏林洪堡大学）
客户评分模型是可扩展直复营销的核心。可持续发展模型提供了一个用于业务决策的治疗增量效益的估计。隆升模型的训练和监测需要实验数据。然而，在随机治疗分配下收集数据是昂贵的，因为随机靶向偏离了既定的靶向政策。为了提高实验的成本效益，方便频繁的数据汇集和模型训练，我们引入了监督随机化。这是一种新的方法，将现有的评分模型整合到随机试验中，以针对相关客户，同时通过对主动样本选择的校正来确保治疗效果的一致估计。经验蒙特卡罗研究表明，监督随机化下的数据汇集具有成本效益，而下游隆起模型具有竞争力。
2019-10-01 cs.LG stat.AP stat.ML
Comparing causal estimands from sequential nested versus single point target trials: A simulation study
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Target RWE（目标真实世界证据）；Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）；Bloomberg School of Public Health, Johns Hopkins University（约翰霍普金斯大学彭博公共卫生学院）；Duke University（杜克大学）
本研究通过模拟比较了连续嵌套试验与单点试验在因果估计量上的差异，发现疾病严重程度影响治疗效果时，两种试验方法的估计结果存在差异。
2026-01-28 stat.AP
Incorporating Participants' Welfare into Sequential Multiple Assignment Randomized Trials
本文提出SMART-EXAM设计，将参与者偏好与预测疗效纳入随机化，以在保障构建最优DTR能力的同时提升参与者福利。
2023-09-19 stat.ME
Towards personalized causal inference of medication response in mobile health: an instrumental variable approach for randomized trials with imperfect compliance
移动健康研究可以利用来自智能手机的纵向传感器数据来指导个性化医疗干预的应用。在本文中，我们建议，通过一个工具变量的方法，不完善的遵守随机试验提供了一个自然的框架，个性化的因果推断的药物反应在移动健康研究。通过智能手机屏幕上弹出的电子消息，可以轻松地向研究参与者提供随机治疗建议。在相当一般的假设下，我们可以在存在未观察到的混杂因素的情况下确定实际治疗对应答的因果影响。我们实施了一个个性化的随机化测试的原假设的治疗反应没有因果关系的影响，并评估其性能在一个大规模的模拟研究，包括数据生成的线性和非线性时间序列模型在几个模拟条件下。特别是，我们评估的经验力量的建议和实际治疗的参与者之间的不同程度的遵守下的测试。我们的调查提供了令人鼓舞的结果方面的权力和控制的第一类错误率。最后，我们比较了所提出的工具变量的方法，一个简单的意向治疗策略，并制定随机置信区间的因果关系。
2017-07-31 stat.AP
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
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
The impact of coarsening an exposure on partial identifiability in instrumental variable settings
该研究针对工具变量场景下暴露粗化的部分识别问题，拓展了Balke的无参数假设边界分析方法，推导了含三水平IV的新边界，并通过花生过敏试验和孟德尔随机化两个真实数据示例验证了结果。
2024-01-31 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
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
Estimation of treatment effects following a sequential trial of multiple treatments
当一项临床试验需要进行一系列中期分析时，研究可能会因此终止或修改，最终的频率论分析需要考虑所使用的设计。如果不这样做，可能会导致显著性水平被夸大，效应估计值和置信区间有偏倚，覆盖概率不足。已经设计了多种有效的频率分析方法，用于比较单一试验处理与单一对照处理的序贯设计。目前尚不清楚如何对应用于更复杂环境中的序贯或自适应设计进行最终分析，例如，确定应推荐几种候选治疗方案中的哪种或哪组治疗方案。本文的动机是考虑一项试验，其中对脓毒症的四种治疗方法进行比较，中期分析允许放弃治疗或终止试验，以宣布一个赢家或得出结论，剩余的治疗方法之间几乎没有差异。所采用的方法基于Rao-Blackwellisation方法，该方法通过在最终充分统计量的情况下采用其条件预期，提高了首次中期分析中可用的无偏估计值的准确性。确定这种期望的分析方法是困难的，并且具体到设计的细节，而是进行“反向模拟”，以根据最终检验统计量构建第一次中期分析的重复实现。该方法还提供了治疗间差异的近似置信区间。
2019-06-26 stat.ME
Response-adaptive randomization in clinical trials: from myths to practical considerations
响应自适应随机化（RAR）是更广泛的一类数据依赖性抽样算法的一部分，临床试验通常用作激励应用程序。在这种情况下，患者分配到治疗是由随机化概率决定的，随机化概率根据累积的反应数据而变化，以实现实验目标。自20世纪30年代以来，RAR已经从生物统计学文献中获得了大量的理论关注，并且一直是许多争论的主题。在过去的十年中，它受到了应用和方法论社区的重新考虑，这是由众所周知的实际例子及其在机器学习中的广泛使用所驱动的。关于这一主题的论文对它的有用性提出了不同的观点，这些观点不容易调和。这项工作的目的是通过提供一个统一的，广泛的和新的审查方法和实际问题时，考虑在临床试验中使用RAR的辩论，以解决这一差距。
2022-06-07 stat.AP stat.ME
Improving Precision through Adjustment for Prognostic Variables in Group Sequential Trial Designs: Impact of Baseline Variables, Short-Term Outcomes, and Treatment Effect Heterogeneity
在随机试验中，适当调整基线变量和短期结局可提高精确度并减少样本量。我们研究了这种调整在成组序贯设计中的影响，即，预先计划中期分析的设计，其中可能因有效性或无效性而提前停止入组。我们解决了以下问题：通过适当调整基线变量和短期结果，可以获得多少精度增益？这种精度增益如何受到管道参与者（入组但尚未测量其主要结局的参与者）比例和处理效应异质性等因素的影响？在成组序贯设计中，对功效和平均样本量有何影响？我们推导出一个渐近公式，该公式将调整基线变量和短期结果的整体精度增益分解为上述因素的贡献，用于模型中仅假设随机化和独立删失的有效估计量。我们使用我们的公式来近似精度增益从一个有针对性的最小损失为基础的估计适用于数据从一个完整的试验，一个新的外科手术干预中风。我们的公式意味着（对于一个有效的估计）调整预后基线变量导致至少一样多的渐近精度增益调整同样的预后短期结果。在许多情况下，例如我们的中风试验应用，前者比后者带来更大的精度增益。在我们的模拟研究中，我们展示了如何从调整的精度增益可以转换为样本量的减少（即使没有处理效应）。
2019-10-25 stat.ME
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
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
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
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
High Precision Causal Model Evaluation with Conditional Randomization
Microsoft Research（微软研究院）
针对条件随机化实验中IPW估计方差高、难以精确评估因果模型的问题，提出pairs estimator，通过对模型与真实效应使用同一IPW估计量抵消方差，实现接近RCT的评估性能。
2023-11-03 cs.LG stat.ME
A Model of a Randomized Experiment with an Application to the PROWESS Clinical Trial
我开发了一个模型，一个二元干预和二元结果的随机实验。干预组和对照组的潜在结果产生了四种类型的参与者。固定的想法，这样的结果是死亡，一些参与者会活下来，不管，其他人会被保存，其他人会被杀死，其他人会死，不管。这些潜在的结果类型是不可观察的。然而，我使用该模型来开发每种类型参与者数量的估计值。该模型依赖于实验中的随机化和演绎推理。我将该模型应用于一个重要的临床试验，PROWESS试验，并执行蒙特卡罗模拟校准，以估计从试验。试验的简化形式显示死亡率降低，这为FDA批准提供了依据。然而，我发现干预措施每挽救三名参与者，就有两名参与者死亡。
2020-07-22 econ.EM stat.ME
[Invited Discussion] Randomization Tests to Address Disruptions in Clinical Trials: A Report from the NISS Ingram Olkin Forum Series on Unplanned Clinical Trial Disruptions
本文是针对Uschner等人关于临床试验中断与随机化检验研究的特邀讨论，指出靶向学习（TL）及其路线图可有效应对存在并发事件的受中断临床试验，要求作者论证随机化检验的唯一有效性。
2024-08-17 stat.AP stat.ME
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
Mathematical programming tools for randomization purposes in small two-arm clinical trials: A case study with real data
本研究回顾并比较了数学规划与协变量自适应随机化方法在小型双臂临床试验中的性能，引入基于联合分布的能量距离度量，并通过数值实验展示其优势。
2024-02-08 stat.ME
A Connection Between Covariate Adjustment and Stratified Randomization in Randomized Clinical Trials
本文在一般框架下建立了协变量调整与分层随机化的联系，指出高效估计的关键在于通过协变量调整纳入所有重要基线协变量的预后信息，而非仅在分析阶段调整分层因子。
2025-02-03 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
A Markov Decision Process for Response-Adaptive Randomization in Clinical Trials
在临床试验中，反应适应性随机化（RAR）具有吸引人的能力，可以根据中期结果将更多受试者分配到性能更好的治疗中。传统的RAR策略在逐个患者的基础上改变了随机化比例;这因时间趋势导致的偏倚而受到严厉批评。另一种方法是区组RAR，将患者分组在区组中，并以区组方式重新计算随机化比率;然后按区组分层进行最终分析。然而，典型的分块RAR设计将患者分成大小相等的块，这通常不是最佳的。本文介绍了TrialMDP，一种设计双臂阻塞RAR临床试验的算法。我们的方法不同于过去的方法，因为它优化了块的大小和数量以及它们的治疗分配。也就是说，该算法产生了一个策略，该策略基于试验中到该点为止所看到的结果自适应地选择下一个块的大小和组成。TrialMDP与过去通过动态规划计算最优试验设计的工作有关。该算法最大化效用函数，平衡（i）统计功效、（ii）患者结局和（iii）区组数量。我们表明，它在一套基线设计的效用取得了显着的改善，并提供了有用的控制之间的权衡统计功效和患者的结果。它非常适合于失败成本高的小型试验。我们在GitHub上提供TrialMDP作为R包：https://github.com/dpmerrell/TrialMDP
2021-09-29 stat.ME
