On the mixed-model analysis of covariance in cluster-randomized trials
整群随机试验中的混合模型协方差分析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：摘要以整群随机试验和潜在结果框架研究平均处理效应的估计与推断。
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…
整群随机试验中的混合模型协方差分析
- 研究问题
- 在整群随机试验中，混合模型 ANCOVA 的正态、线性或随机截距设定错误时，平均处理效应估计及常用标准误是否仍有效？
- 方法与思路
- 作者在潜在结果框架下分析工作模型误设，推导估计量的渐近性质，并比较混合模型、个体层面和整群层面 ANCOVA 的精度。
- 材料陈述的贡献
- 摘要称估计量在工作模型任意误设下仍一致且渐近正态；各群处理概率为二分之一时，ANCOVA1 的模型方差估计也一致。
- 阅读关注点
- 应核对随机化与渐近抽样条件、平均效应的加权定义、群规模要求，以及二分之一分配和无交互项如何支撑模型方差一致性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实。摘要未列出其他正则条件，任意工作模型误设不等于允许随机化或抽样条件失效。
原文摘要
In the analyses of cluster-randomized trials, mixed-model analysis of covariance (ANCOVA) is a standard approach for covariate adjustment and handling within-cluster correlations. However, when the normality, linearity, or the random-intercept assumption is violated, the validity and efficiency of the mixed-model ANCOVA estimators for estimating the average treatment effect remain unclear. Under the potential outcomes framework, we prove that the mixed-model ANCOVA estimators for the average treatment effect are consistent and asymptotically normal under arbitrary misspecification of its working model. If the probability of receiving treatment is 0.5 for each cluster, we further show that the model-based variance estimator under mixed-model ANCOVA1 (ANCOVA without treatment-covariate interactions) remains consistent, clarifying that the confidence interval given by standard software is asymptotically valid even under model misspecification. Beyond robustness, we discuss several insights on precision among classical methods for analyzing cluster-randomized trials, including the mixed-model ANCOVA, individual-level ANCOVA, and cluster-level ANCOVA estimators. These insights may inform the choice of methods in practice. Our analytical results and insights are illustrated via simulation studies and analyses of three cluster-randomized trials.