Robust Variance Estimation for Covariate-Adjusted Unconditional Treatment Effect in Randomized Clinical Trials with Binary Outcomes
二元结局随机试验中协变量调整无条件处理效应的稳健方差估计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：摘要研究随机试验中协变量调整后的处理效应估计与方差推断。
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…
二元结局随机试验中协变量调整无条件处理效应的稳健方差估计
- 研究问题
- 在二元结局随机临床试验中，使用 g-computation 调整协变量估计无条件处理效应时，如何获得可直接使用的稳健方差？
- 方法与思路
- 作者针对不同无条件处理效应的 g-computation 估计量，推导显式稳健方差估计式，并通过模拟检验实际表现。
- 材料陈述的贡献
- 摘要称填补了缺少通用于不同目标效应的显式稳健方差公式这一缺口，并报告模拟支持其实际使用的可靠性。
- 阅读关注点
- 应核对涵盖哪些效应尺度、稳健性针对何种模型偏误，以及随机化方式、样本量和协变量调整对推断的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出方差公式、具体稳健条件或模拟覆盖率等结果。
原文摘要
To improve precision of estimation and power of testing hypothesis for an unconditional treatment effect in randomized clinical trials with binary outcomes, researchers and regulatory agencies recommend using g-computation as a reliable method of covariate adjustment. However, the practical application of g-computation is hindered by the lack of an explicit robust variance formula that can be used for different unconditional treatment effects of interest. To fill this gap, we provide explicit and robust variance estimators for g-computation estimators and demonstrate through simulations that the variance estimators can be reliably applied in practice.