Model-robust standardization in stepped wedge cluster randomized trials
阶梯楔形集群随机试验中的模型稳健标准化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：摘要明确围绕集群随机试验的因果估计目标、平均处理效应和模型稳健估计展开。
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…
阶梯楔形集群随机试验中的模型稳健标准化
- 研究问题
- 阶梯楔形集群随机试验中，如何在集群大小具有信息性、回归模型可能误设时，明确目标处理效应并避免隐含加权造成估计目标模糊？
- 方法与思路
- 作者在超总体框架下定义横向和纵向、个体和集群层面的四类平均处理效应，再标准化参数或半参数工作模型以对齐估计目标。
- 材料陈述的贡献
- 摘要称标准化估计量即使工作回归模型误设仍对目标一致，且模型越接近真实过程效率越高；模拟及两项试验再分析展示有限样本表现。
- 阅读关注点
- 应核对四类目标的权重与时间比较方式、信息性集群大小的处理，以及模型误设下的一致性条件、方差估计和效率改善论证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出完整设计与推断条件，模型稳健性不能解释为对所有缺失或干扰问题都稳健。
原文摘要
Stepped-wedge cluster-randomized trials (SW-CRTs) are widely used in healthcare and implementation science, enabling all clusters to receive the intervention through a staggered rollout. Traditional model-based methods, including generalized estimating equations and mixed models, yield estimates that depend on implicit weighting schemes and parametric assumptions, and therefore may target ambiguous estimands under model misspecification. In this article, we propose a model-robust standardization framework for SW-CRTs that generalizes existing methods from parallel-arm CRTs to address informative sizes. We define causal estimands including horizontal-individual, horizontal-cluster, vertical-individual, and vertical-cluster average treatment effects under a super population framework and introduce a simple procedure that standardizes parametric and semiparametric working models for estimand-aligned analysis. For any specified working model, the resulting estimators remain consistent for their target estimands even if the working regression model is misspecified; moreover, their efficiency improves as the working model more closely approximates the true data-generating process. We evaluate the finite-sample properties of our proposed estimators through extensive simulations. Finally, we illustrate the application of our methods through reanalyses of two real-world SW-CRTs.