Analysis of “learn-as-you-go” (LAGO) studies
边学边做（LAGO）自适应研究的分析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。
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：摘要明确研究自适应干预的效应估计、无效应检验和干预组合选择。
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…
边学边做（LAGO）自适应研究的分析
- 研究问题
- 多组件干预根据此前阶段结果逐步调整时，如何处理由此形成的数据依赖，估计干预效果，并在成本约束下寻找有效的干预组合？
- 方法与思路
- 作者提出干预效应估计量，以新的耦合论证建立一致性与渐近正态性，并构造最优干预组合的置信集合及不同组合成功概率的置信带。
- 材料陈述的贡献
- 摘要称，该方法支持总体无干预效应检验的有效性，并为干预组合优化提供不确定性量化；作者使用印度 BetterBirth 研究作说明。
- 阅读关注点
- 应核对阶段间调整规则、干预效应的定义与识别条件、耦合论证如何处理依赖，以及最优组合置信集合中的成本与效果标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，分配机制、识别条件和应用中的效应结果未说明，无法据此判断适用于任意自适应干预设计。
原文摘要
In Learn-As-you-GO (LAGO) adaptive studies, the intervention is a complex multicomponent package, and is adapted in stages during the study based on past outcome data. This design formalizes standard practice in public health intervention studies. An effective intervention package is sought, while minimizing intervention package cost. In LAGO study data, the interventions in later stages depend upon the outcomes in the previous stages, violating standard statistical theory. We develop an estimator for the intervention effects, and prove consistency and asymptotic normality using a novel coupling argument, ensuring the validity of the test for the hypothesis of no overall intervention effect. We develop a confidence set for the optimal intervention package and confidence bands for the success probabilities under alternative package compositions. We illustrate our methods in the BetterBirth Study, which aimed to improve maternal and neonatal outcomes among 157,689 births in Uttar Pradesh, India through a multicomponent intervention package.