Micro-randomized Trials with Categorical Treatments and Binary Proximal Outcome: Causal Effect Estimation and Sample Size Calculation
分类处理与二元近端结局微随机试验的因果效应估计及样本量计算AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接定义微随机试验中的因果偏离效应，并研究多类随机处理的比较、检验功效与样本量设计。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
分类处理与二元近端结局微随机试验的因果效应估计及样本量计算
- 研究问题
- 移动健康微随机试验在各决策时点提供多类干预且近端结局为二元变量时，如何比较处理水平并规划具有足够功效的样本量？
- 方法与思路
- 作者定义分类处理的因果偏离效应，提出 EMEE-catA 估计器与样本量公式，并通过模拟考察工作假设及其违反对检验表现的影响。
- 材料陈述的贡献
- 摘要称样本量公式在工作假设下控制第一类错误并保证功效，提供实施指导，并利用 Drink Less 微随机试验数据展示方法。
- 阅读关注点
- 应核对因果偏离效应的参照策略、可干预时点和随机化概率，以及工作假设、纵向依赖处理和样本量公式所需参数。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未明确工作假设和公式，功效保证不能脱离这些条件或视为普遍保证。
原文摘要
Micro-randomized trials (MRTs) provide a framework for evaluating the marginal and moderated effects of mobile health (mHealth) interventions. In many applications, treatments take the form of categorical variables with multiple levels, such as different message contents or delivery strategies. Many scientifically meaningful longitudinal outcomes in mHealth studies are binary, such as whether a participant opens an app, engages with content, or completes a target behavior following a decision point at which treatment is randomized. This paper focuses on MRTs with categorical treatments and binary proximal outcomes. We define the causal excursion effect, propose an estimator called EMEE-catA, and derive a sample size formula for comparing categorical treatment levels that controls the type I error rate and guarantees power under working assumptions. We conduct extensive simulation studies to evaluate the operating characteristics of the proposed sample size formula, including robustness to violations of these assumptions. We further provide practical guidance for implementing the proposed approach to ensure adequate power in real-world MRTs. The methods are illustrated using data from the Drink Less MRT.