Inference for Standard Trial Estimands after Data-Driven Subgroup Discovery
数据驱动亚组发现后标准试验估计量的推断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：摘要聚焦临床试验中亚组选择后的因果效应估计与事后选择推断，属于因果推断方向。
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
数据驱动亚组发现后标准试验估计量的推断
- 研究问题
- 在临床试验中，当亚组由数据驱动的规则选出后，如何对所选亚组的标准分析效应（如 Cox 或广义线性模型的治疗系数）做有效推断，避免选择带来的胜者诅咒导致区间失效。
- 方法与思路
- 作者提出一个与具体发现程序无关的事后选择推断框架，将发现与报告分离：用森林搜索、自然参数差估计量、因果森林生成候选亚组，使选择与待报告系数对齐，目标为候选族固定下所选亚组的标准分析效应这一条件性数据自适应估计量；再通过对搜索重抽样，化为联合扰动所有候选效应的免重拟合乘子重抽样，并给出无穷小刀切区间。
- 材料陈述的贡献
- 摘要称该框架在固定候选族上与全自助法一致，在模型生成的候选族上对同一条件目标仍保持有效，而自助法仅在附加条件下才能复现；两个试验应用与配套模拟显示选择偏差有所缓解、覆盖率有所改善。
- 阅读关注点
- 应核对条件性数据自适应估计量的精确定义、极限竞争条件与正则性假设的具体形式、乘子重抽样与无穷小刀切区间的构造细节，以及模拟中覆盖率与偏差的量化结果和试验应用的可复现性。
- 阅读边界
- 这是 arXiv 预印本，未经同行评审或期刊接收验证；摘要未说明具体试验数据来源、样本量、模拟设计细节与数值结果，也未给出识别假设的完整表述，因此不能据此判断方法的普遍有效性。
原文摘要
Data-driven subgroup identification is increasingly used in clinical trials, yet the effect reported for a discovered subgroup is typically the standard analysis: a Cox or generalized-linear-model treatment coefficient fitted within that subgroup. Selection by an effect-driven rule --- rewarding large estimated effects subject to screening and size criteria --- inflates the reported coefficient: a winner's curse invalidating naive intervals whether or not the identifier's internal estimand was de-biased by cross-fitting. We develop a procedure-agnostic framework for post-selection inference that separates discovery from reporting: forest search, difference-in-natural-parameters estimators, and causal forests generate interpretable candidate subgroups; selection is aligned with the coefficient to be reported; and the target is the standard-analysis effect of the selected subgroup, the candidate family held fixed --- a conditional, data-adaptive estimand. Resampling the search then reduces to jointly perturbing all candidate effects, yielding refit-free multiplier resampling with an infinitesimal-jackknife interval whose coverage we characterize under standard regularity and an explicit condition on the limiting competition. It matches the full bootstrap on a fixed family; on model-generated families it remains valid for the same conditional target, which the bootstrap reproduces only under further conditions. Two trial applications and matched simulations show mitigated selection bias and improved coverage.