Regression adjustment in covariate-adaptive randomized experiments with missing covariates
协变量缺失时协变量自适应随机试验的回归调整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：摘要直接研究随机试验中的平均处理效应、回归调整及有效推断。
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
协变量缺失时协变量自适应随机试验的回归调整
- 研究问题
- 分层或更一般的协变量自适应随机试验中，协变量缺失处理与回归调整结合后，平均处理效应估计及推断是否仍然有效？
- 方法与思路
- 作者分析常用缺失处理程序与回归调整组合所得估计量的渐近性质，推导一致方差估计，并比较不同样本量和协变量数。
- 材料陈述的贡献
- 摘要称所获结论不依赖回归模型正确设定，提供有效渐近推断及有限样本比较建议；具体方法组合与表现未在摘要列出。
- 阅读关注点
- 核对各缺失处理方法、随机化机制与估计目标，模型失配稳健性的范围，以及缺失条件和方差公式如何随方法组合变化。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未列缺失机制和随机化条件，模型无关结论不能解读为无需其他假设。
原文摘要
Covariate-adaptive randomization is widely used in clinical trials to balance prognostic factors, and regression adjustments are often adopted to further enhance the estimation and inference efficiency. In practice, the covariates may contain missing values. Various methods have been proposed to handle the covariate missing problem under simple randomization. However, the statistical properties of the resulting average treatment effect estimators under stratified randomization, or more generally, covariate-adaptive randomization, remain unclear. To address this issue, we investigate the asymptotic properties of several average treatment effect estimators obtained by combining commonly used missingness processing procedures and regression adjustment methods. Moreover, we derive consistent variance estimators to enable valid inferences. Finally, we conduct a numerical study to evaluate the finite-sample performance of the considered estimators under various sample sizes and numbers of covariates and provide recommendations accordingly. Our analysis is model-free, meaning that the conclusions remain asymptotically valid even in cases of misspecification of the regression model.