Leveraging Historical Data for High-Dimensional Regression Adjustment, a Composite Covariate Approach
利用历史数据进行高维回归调整：复合协变量方法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：摘要明确把复合协变量用于临床试验中的处理效应估计与回归调整，直接支持因果推断分类，未涉及其他细分模型。
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…
利用历史数据进行高维回归调整：复合协变量方法
- 研究问题
- 小样本临床试验应纳入多少协变量，才能在提升处理效应估计效率的同时控制自由度损失和过拟合风险？
- 方法与思路
- 作者分析纳入协变量的成本与收益，并利用历史数据预先确定权重，把多个患者特征合成为用于回归调整的协变量。
- 材料陈述的贡献
- 摘要称，复合协变量可限制自由度损失与过拟合风险，文章据此研究小样本试验中处理效应估计的协变量选择问题。
- 阅读关注点
- 应核对历史数据与当前试验的可比性、复合权重的预设规则，以及协变量数量与效率之间如何进行具体比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出最优协变量数量、效率增益数值或历史数据失配的影响。
原文摘要
The amount of data collected from patients involved in clinical trials is continuously growing. All patient characteristics are potential covariates that could be used to improve clinical trial analysis and power. However, the restricted number of patients in phases I and II studies limits the possible number of covariates included in the analyses. In this paper, we investigate the cost/benefit ratio of including covariates in the analysis of clinical trials. Within this context, we address the long-running question "What is the optimum number of covariates to include in a clinical trial?" To further improve the cost/benefit ratio of covariates, historical data can be leveraged to pre-specify the covariate weights, which can be viewed as the definition of a new composite covariate. We analyze the use of a composite covariate while estimating the treatment effect in small clinical trials. A composite covariate limits the loss of degrees of freedom and the risk of overfitting.