Power analyses for stepped wedge designs with multivariate continuous outcomes
多元连续结局阶梯楔形设计的功效分析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：摘要围绕整群随机干预试验的处理效应检验与设计功效展开，因此归入因果推断；重复测量本身不足以归入面板计量。
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…
多元连续结局阶梯楔形设计的功效分析
- 研究问题
- 在具有多个连续结局的阶梯楔形整群随机试验中，如何区分期内与跨期组内相关，并计算不同检验假设下的功效和样本量？
- 方法与思路
- 作者在多元线性混合模型下推导干预检验统计量的联合分布，构造功效与样本量程序，并讨论共同效应、共同相关和封闭队列扩展。
- 材料陈述的贡献
- 摘要称，论文提供计算高效的设计程序，并证明在结局间共同组内相关的假设下，多元模型的处理效应估计比单变量模型更有效率。
- 阅读关注点
- 应核对两类组内相关的设定、共同主要结局的交并检验，以及效率比较和封闭队列扩展的条件与样本量公式的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实。摘要未给出功效公式和模型限制，效率结论依赖所述共同相关假设，不能无条件推广。
原文摘要
Multivariate outcomes are common in pragmatic cluster randomized trials. While sample size calculation procedures for multivariate outcomes exist under parallel assignment, none have been developed for a stepped wedge design. In this article, we present computationally efficient power and sample size procedures for stepped wedge cluster randomized trials (SW-CRTs) with multivariate outcomes that differentiate the within-period and between-period intracluster correlation coefficients (ICCs). Under a multivariate linear mixed model, we derive the joint distribution of the intervention test statistics which can be used for determining power under different hypotheses and provide an example using the commonly utilized intersection-union test for co-primary outcomes. Simplifications under a common treatment effect and common ICCs across endpoints and an extension to closed cohort designs are also provided. Finally, under the common ICC across endpoints assumption, we formally prove that the multivariate linear mixed model leads to a more efficient treatment effect estimator compared to the univariate linear mixed model, providing a rigorous justification on the use of the former with multivariate outcomes. We illustrate application of the proposed methods using data from an existing SW-CRT and present extensive simulations to validate the methods.