Covariate adjustment in randomised trials: canonical link functions protect against model mis-specification
随机试验中的协变量调整：典范链接函数对模型误设的保护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：摘要围绕随机处理试验中的协变量调整、处理效应和边际风险差估计展开，直接属于因果推断方法。
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…
随机试验中的协变量调整：典范链接函数对模型误设的保护
- 研究问题
- 随机试验中协变量完全平衡但调整模型遗漏协变量与处理的交互项时，链接函数选择会怎样影响零效应判断？
- 方法与思路
- 作者在协变量完全平衡的设定下，通过数学论证和假想数据分析，比较广义线性模型典范与非典范链接的表现。
- 材料陈述的贡献
- 摘要称典范链接在所设情形下保持调整与未调整模型的零效应一致性，非典范链接则可能产生大样本仍存在的偏差。
- 阅读关注点
- 应核对零效应的定义、完全平衡与遗漏交互项的作用，以及边际风险差采用标准化或处理概率加权的具体实现。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实；结论针对摘要所述零效应与平衡设定，不能外推为全面抗误设。
原文摘要
Covariate adjustment has the potential to increase power in the analysis of randomised trials, but mis-specification of the adjustment model could cause error. We explore what error is possible when the adjustment model omits a covariate by randomised treatment interaction, in a setting where the covariate is perfectly balanced between randomised treatments. We use mathematical arguments and analyses of single hypothetical data sets. We show that analysis by a generalised linear model with the canonical link function leads to no error under the null -- that is, if treatment effect is truly zero under the adjusted model then it is also zero under the unadjusted model. However, using non-canonical link functions does not give this property and leads to potentially important error under the null. The error is present even in large samples and hence constitutes bias. We conclude that covariate adjustment analyses of randomised trials should avoid non-canonical links. If a marginal risk difference is the target of estimation then this should not be estimated using an identity link; alternative preferable methods include standardisation and inverse probability of treatment weighting.