Standard and reference-based conditional mean imputation
标准与参照组条件均值插补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：摘要围绕临床试验治疗效应、目标估计量与缺失结局推断，直接支持因果推断分类。
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…
标准与参照组条件均值插补
- 研究问题
- 纵向临床试验因漏访或中间事件产生缺失结局时，能否用确定性条件均值插补替代贝叶斯随机多重插补，并获得可靠频率学派推断？
- 方法与思路
- 作者提出条件均值插补结合刀切法推断，适用于随机缺失与参照组插补，并通过一个应用和模拟研究与贝叶斯插补方法比较。
- 材料陈述的贡献
- 摘要称，新方法与贝叶斯方法得到一致的治疗效应估计，并具有准确标准误和第一类错误控制；确定性实现避免了蒙特卡洛误差。
- 阅读关注点
- 应核对目标估计量与插补模型的对应关系、参照组假设的含义、刀切法如何纳入模型估计误差，以及可靠推断结论的适用条件。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列出完整理论条件与模拟数值，可重复性不保证缺失假设正确。
原文摘要
Clinical trials with longitudinal outcomes typically include missing data due to missed assessments or structural missingness of outcomes after intercurrent events handled with a hypothetical strategy. Approaches based on Bayesian random multiple imputation and Rubin's rule for pooling results across multiple imputed datasets are increasingly used in order to align the analysis of these trials with the targeted estimand. We propose and justify deterministic conditional mean imputation combined with the jackknife for inference as an alternative approach. The method is applicable to imputations under a missing-at-random assumption as well as for reference-based imputation approaches. In an application and a simulation study, we demonstrate that it provides consistent treatment effect estimates with the Bayesian approach and reliable frequentist inference with accurate standard error estimation and type I error control. A further advantage of the method is that it does not rely on random sampling and is therefore replicable and unaffected by Monte Carlo error.