Interaction tests with covariate-adaptive randomization
协变量自适应随机化下的交互效应检验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：摘要研究随机试验中的处理效应异质性及处理与基线协变量的交互检验。
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
协变量自适应随机化下的交互效应检验
- 研究问题
- 协变量自适应随机化下，常用处理与协变量交互检验为何可能保守，如何改善不同基线亚组间处理效应差异的检验？
- 方法与思路
- 作者不假定参数化数据生成模型，分析通常交互检验的极限拒绝概率，提出修正检验和新的分层调整交互检验。
- 材料陈述的贡献
- 摘要称，通常检验往往保守，修正可获得有效检验；新分层调整检验更有功效，并覆盖用于和未用于随机化的协变量。
- 阅读关注点
- 应核对支持的随机化机制、交互效应的目标定义、方差修正方式，以及功效比较适用的条件和两类协变量的处理差异。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出有效性与功效优势的完整条件，也未给出有限样本结果。
原文摘要
Treatment-covariate interaction tests are commonly applied by researchers to examine whether the treatment effect varies across patient subgroups defined by baseline characteristics. The objective of this study is to explore treatment-covariate interaction tests involving covariate-adaptive randomization. Without assuming a parametric data generating model, we investigate usual interaction tests and observe that they tend to be conservative: specifically, their limiting rejection probabilities under the null hypothesis do not exceed the nominal level and are typically strictly lower than it. To address this problem, we propose modifications to the usual tests to obtain corresponding valid tests. Moreover, we introduce a novel class of stratified-adjusted interaction tests that are simple, more powerful than the usual and modified tests, and broadly applicable to most covariate-adaptive randomization methods. The results are general to encompass two types of interaction tests: one involving stratification covariates and the other involving additional covariates that are not used for randomization. Our study clarifies the application of interaction tests in clinical trials and offers valuable tools for revealing treatment heterogeneity, crucial for advancing personalized medicine.