Optimizing precision in stepped-wedge designs via machine learning and quadratic inference functions
通过机器学习与二次推断函数优化阶梯楔形设计的估计精度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：摘要明确研究随机设计中的平均治疗效应及随时间变化的治疗效应。
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…
关注这篇论文的作者
通过机器学习与二次推断函数优化阶梯楔形设计的估计精度
- 研究问题
- 在分期推进治疗的阶梯楔形随机设计中，如何利用复杂协变量关系和相关结构，提高平均治疗效应及异质效应的估计精度？
- 方法与思路
- 作者结合机器学习协变量调整与二次推断函数，自适应学习相关结构，并允许治疗效应随暴露时长及日历时间变化。
- 材料陈述的贡献
- 摘要称在所述条件下建立一致性和渐近正态性，刻画最小渐近方差的达到条件，并证明效率不低于独立工作相关结构。
- 阅读关注点
- 应核对辅助估计量的 L2 收敛要求、随机化与渐近框架，以及模型错误下结论和效率保证的具体适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未给出完整条件和实证数值；相对特定基准的保证不代表普遍最优。
原文摘要
Stepped-wedge designs are increasingly used in randomized experiments to accommodate logistical and ethical constraints by staggering treatment roll-out over time. Despite their popularity, existing analytical methods largely rely on parametric models with linear covariate adjustment and prespecified correlation structures, which may limit achievable precision in practice. We propose a new class of estimators for the causal average treatment effect in stepped-wedge designs that optimizes precision through flexible, machine-learning-based covariate adjustment to capture complex outcome-covariate relationships, together with quadratic inference functions to adaptively learn the correlation structure. We establish consistency and asymptotic normality under mild conditions requiring only $L_2$ convergence of nuisance estimators, even under model misspecification, and characterize when the estimator attains the minimal asymptotic variance. Moreover, we prove that the proposed estimator never reduces efficiency relative to an independence working correlation. The proposed method further accommodates treatment-effect heterogeneity across both exposure duration and calendar time. Finally, we demonstrate our methods through simulation studies and reanalyses of two empirical studies that differ substantially in research area and key design parameters.