Unlocking Insights: Enhanced Analysis of Covariance in General Factorial Designs through Multiple Contrast Tests under Variance Heteroscedasticity
异方差下一般析因设计的协方差分析：多重对比检验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：摘要以临床试验中协变量调整后的治疗效应检验和同时置信区间为直接研究对象。
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…
异方差下一般析因设计的协方差分析：多重对比检验
- 研究问题
- 在调整年龄、性别等协变量的治疗效应分析中，如何允许方差异质性，同时检验整体与个别线性假设，并给出相容的同时置信区间？
- 方法与思路
- 作者将已有方法扩展为多重对比检验程序，使用多元 t 分布近似小样本检验统计量分布，并提出 wild bootstrap 作为替代方案。
- 材料陈述的贡献
- 摘要称，该程序支持任意线性假设，兼顾整体与个别检验及同时区间；模拟显示小样本中的可用性，并通过真实数据例子演示。
- 阅读关注点
- 应核对协变量调整模型、异方差处理及多重检验的错误率控制，比较多元 t 近似与 wild bootstrap 的条件，并检查模拟中的样本不平衡程度。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列出模型与检验的完整条件，也未给出错误率和覆盖率数值，因果解释仍需研究设计支持。
原文摘要
A common goal in clinical trials is to conduct tests on estimated treatment effects adjusted for covariates such as age or sex. Analysis of Covariance (ANCOVA) is often used in these scenarios to test the global null hypothesis of no treatment effect using an $F$-test. However, in several samples, the $F$-test does not provide any information about individual null hypotheses and has strict assumptions such as variance homoscedasticity. We extend the method proposed by Konietschke et al. (2021) to a multiple contrast test procedure (MCTP), which allows us to test arbitrary linear hypotheses and provides information about the global as well as the individual null hypotheses. Further, we can calculate compatible simultaneous confidence intervals for the individual effects. We derive a small sample size approximation of the distribution of the test statistic via a multivariate t-distribution. As an alternative, we introduce a Wild-bootstrap method. Extensive simulations show that our methods are applicable even when sample sizes are small. Their application is further illustrated within a real data example.