Improving randomized controlled trial analysis via data-adaptive borrowing
通过数据自适应借用外部对照改进随机试验分析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：摘要明确研究随机试验处理效应估计及外部对照不可比带来的偏差与推断问题。
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…
通过数据自适应借用外部对照改进随机试验分析
- 研究问题
- 外部真实世界对照可能与随机试验不可比时，如何自适应筛选可借用样本，在提高处理效应估计效率的同时减轻偏差？
- 方法与思路
- 作者提出整合随机试验与外部对照的框架，通过偏差惩罚动态筛选可比子集，并建立一致性、渐近分布和推断保证。
- 材料陈述的贡献
- 摘要称，可比时达到半参数效率界，不可比时实施选择性借用，并在模拟与两个真实应用中展示相对仅用试验数据的改善。
- 阅读关注点
- 应核对可比性的定义、偏差惩罚与筛选规则，以及选择后推断、效率界和第一类错误控制成立所需的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出偏差结构与保证条件，不能理解为能够消除任意外部对照偏差。
原文摘要
In recent years, real-world external controls have grown in popularity as a tool to empower randomized placebo-controlled trials, particularly in rare diseases or cases where balanced randomization is unethical or impractical. However, as external controls are not always comparable to the trials, direct borrowing without scrutiny may heavily bias the treatment effect estimator. Our paper proposes a data-adaptive integrative framework capable of preventing unknown biases of the external controls. The adaptive nature is achieved by dynamically sorting out a comparable subset of the external controls via bias penalization. Our proposed method can simultaneously achieve (a) the semiparametric efficiency bound when the external controls are comparable and (b) selective borrowing that mitigates the impact of the existence of incomparable external controls. Furthermore, we establish statistical guarantees, including consistency, asymptotic distribution, and inference, providing type-I error control and good power. Extensive simulations and two real-data applications show that the proposed method leads to improved performance over the trial-only estimator across various bias-generating scenarios.