Covariate Selection for Optimizing Balance with an Innovative Adaptive Randomization Approach
通过协变量选择优化平衡的自适应随机化方法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：摘要研究随机处理分配、协变量平衡及处理效应估计效率。
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
通过协变量选择优化平衡的自适应随机化方法
- 研究问题
- 临床试验基线协变量较多时，如何利用已观察响应逐步选择重要协变量并保持平衡，以提高处理效应估计效率？
- 方法与思路
- 作者提出结合患者响应与协变量信息的自适应随机化，序贯选择显著协变量，并从理论上分析选择一致性与失衡收敛。
- 材料陈述的贡献
- 摘要称所提协变量选择具有一致性，失衡指标更快收敛可提高处理效应估计效率，并以数值及实证研究展示收益。
- 阅读关注点
- 应核对响应信息如何进入后续分配、协变量选择规则、失衡指标及收敛条件，以及自适应设计下效应估计的推断方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明随机化概率、响应获取时点及理论效率结论的具体条件。
原文摘要
Balancing influential covariates is crucial for valid treatment comparisons in clinical studies. While covariate-adaptive randomization is commonly used to achieve balance, its performance can be inadequate when the number of baseline covariates is large. It is therefore essential to identify the influential factors associated with the outcome and ensure balance among these critical covariates. In this article, we propose a novel adaptive randomization approach that integrates the patients' responses and covariates information to select sequentially significant covariates and maintain their balance. We establish theoretically the consistency of our covariate selection method and demonstrate that the improved covariate balancing, as evidenced by a faster convergence rate of the imbalance measure, leads to higher efficiency in estimating treatment effects. Furthermore, we provide extensive numerical and empirical studies to illustrate the benefits of our proposed method across various settings.