Improving Variance Estimation for Covariate Adjustment with Binary Outcomes
改进二元结局协变量调整的方差估计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：摘要聚焦随机试验中平均处理效应的标准化估计、协变量调整及方差推断。
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…
改进二元结局协变量调整的方差估计
- 研究问题
- 随机试验用标准化估计边际处理效应时，若二元结局概率接近零或一，如何可靠估计方差并控制第一类错误？
- 方法与思路
- 作者针对标准化均值差形式的平均处理效应，提出基于影响函数的留一交叉验证方差估计器 IF-LOO，并推导闭式表达。
- 材料陈述的贡献
- 摘要称模拟中该估计器在稀有事件与小样本等困难场景下提供适当的第一类错误控制，同时闭式形式便于实现。
- 阅读关注点
- 应核对影响函数与留一计算的具体构造、结局模型拟合要求，以及极端事件率下的可计算性和检验校准证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未列出模拟参数或普遍有效条件，推荐作默认方法仍需全文验证。
原文摘要
Covariate adjustment is a general method for improving precision when estimating treatment effects in randomized trials and is recommended by the FDA in its 2023 guidance when baseline variables are prognostic for the primary outcome. We focus on a method highlighted in that guidance called ``standardization" (or ``g-computation") for estimating the marginal treatment effect. We address the question of how to reliably estimate variance for binary outcomes when marginal outcome probabilities are close to 0 or 1. We propose an influence function-based leave-one-out cross-validated (IF-LOO) variance estimator for the standardized difference-in-means average treatment effect. Through simulation studies, we show that this estimator provides appropriate type-I error control and performs reliably in challenging settings where existing methods can yield inflated type-I error or fail entirely, such as when outcome events are rare or sample sizes are small. In addition to having desirable statistical properties, we derive a closed-form expression for the proposed estimator, enabling straightforward and reliable implementation by study statisticians. The robust finite-sample performance and ease of implementation suggest the IF-LOO variance estimator is a prudent default choice for standardization in clinical trials.