On the use of G-computation in small randomized controlled trials with many covariates
小样本多协变量随机对照试验中的G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：摘要围绕随机对照试验中边际处理效应的G计算估计与协变量调整，属于因果推断方法研究。
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…
小样本多协变量随机对照试验中的G计算
- 研究问题
- 摘要关注：在样本量小、基线协变量多的随机对照试验中，边际处理效应的G计算估计量是否也会像条件效应极大似然估计那样出现明显偏差。
- 方法与思路
- 作者提出在协变量数随样本量增长的成比例渐近框架下刻画标准G计算与留一法G计算估计量的偏差，并用线性与logistic结局模型的蒙特卡洛模拟评估协变量选择、交叉拟合、留一交叉拟合及标准误小样本校正等补救措施，另重新分析BestAIR试验数据。
- 材料陈述的贡献
- 摘要称研究给出了高维成比例渐近下G计算估计量偏差的理论刻画，并通过模拟与实证再分析为小样本现代RCT中G计算的应用提供实践指导。
- 阅读关注点
- 阅读全文时应核对：成比例渐近的具体假设与正则条件、偏差刻画的推导范围、模拟设计（样本量、协变量维度、效应大小）能否支撑结论、各补救措施的比较标准，以及BestAIR再分析的可复现性与结论外推边界。
- 阅读边界
- 仅凭摘要无法判断理论假设是否成立、模拟结果的具体数值与稳健性、补救措施的实际优劣，也无法确认结论能否推广到其他结局模型或试验设计；该文为arXiv预印本，未经同行评审验证。
原文摘要
In contemporary randomized controlled trials (RCTs), the number of patients is often small relative to the number of baseline covariates collected. In such settings, maximum likelihood estimators of conditional treatment effects in generalized linear models, along with their standard errors, may exhibit substantial bias. This study examines whether similar bias arises in G-computation estimators of marginal treatment effects, which are known for their robustness to model misspecification when applied with canonical GLMs. We develop theoretical insights, drawing on recent literature on G-computation under proportional asymptotic regimes, in which the number of covariates grows with the sample size. Specifically, we characterize the bias of the standard G-computation estimator and the leave-one-out G-computation estimator under such high-dimensional settings. Monte Carlo simulations using linear and logistic outcome models are conducted to evaluate practical remedies for G-computation estimators, including covariate selection, cross-fitting, leave-one-out cross-fitting, and small sample corrections to standard errors. Further insights are derived from a re-analysis of the BestAIR trial data. Our findings provide guidance for the application of G-computation in modern RCTs, particularly when addressing challenges posed by limited sample size. \textbf{Keywords:} Covariate adjustment, covariate selection, high-dimensional, proportional asymptotics, targeted learning, cross-fitting.