A robust score test in g-computation for covariate adjustment in randomized clinical trials leveraging different variance estimators via influence functions
随机临床试验协变量调整中基于影响函数方差的稳健 g 计算得分检验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经过协变量调整的边际处理效应及其检验。
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…
随机临床试验协变量调整中基于影响函数方差的稳健 g 计算得分检验
- 研究问题
- 在随机试验中用 g 计算进行协变量调整时，如何改善小样本或参数接近边界情况下 Wald 推断可能出现的错误率与覆盖问题？
- 方法与思路
- 作者为两组处理比较提出稳健得分检验，利用现有方差估计量计算统计量，并构造闭式置信区间，考察简单及分层随机化。
- 材料陈述的贡献
- 摘要称，即使回归模型误设，检验在所述随机化方案下仍渐近有效；模拟显示有限样本改善，已完成试验的再分析得到显著结果。
- 阅读关注点
- 应核对目标边际效应、随机化方案及方差估计方式，闭式区间的适用参数范围，以及模拟错误率、覆盖率与检验功效的比较。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未提供有限样本数值和完整条件，再分析显著本身不能验证错误率控制。
原文摘要
G-computation has become a widely used robust method for estimating unconditional (marginal) treatment effects with covariate adjustment in the analysis of randomized clinical trials. Statistical inference in this context typically relies on the Wald test or Wald interval, which can be easily implemented using a consistent variance estimator. However, existing literature suggests that when sample sizes are small or when parameters of interest are near boundary values, Wald-based methods may be less reliable due to type I error rate inflation and insufficient interval coverage. In this article, we propose a robust score test for g-computation estimators in the context of two-sample treatment comparisons. The proposed test is asymptotically valid under simple and stratified (biased-coin) randomization schemes, even when regression models are misspecified. These test statistics can be conveniently computed using existing variance estimators, and the corresponding confidence intervals have closed-form expressions, making them convenient to implement. Through extensive simulations, we demonstrate the superior finite-sample performance of the proposed method. Finally, we apply the proposed method to reanalyze a completed randomized clinical trial. The new analysis using our proposed score test achieves statistical significance, whilst reducing the issue of type I error inflation.