A General Form of Covariate Adjustment in Randomized Clinical Trials
随机临床试验中协变量调整的一般形式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：摘要讨论随机试验处理效应的 AIPW 估计、协变量调整与效率，属于因果推断。
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…
随机临床试验中协变量调整的一般形式
- 研究问题
- 在协变量自适应随机化下，使用不同响应模型的 AIPW 估计量何时渐近正态、提高效率，并适用于不同随机化方案？
- 方法与思路
- 作者建立 AIPW 的一般渐近理论，纳入线性、广义线性与机器学习响应模型，并研究交叉拟合及后续联合校准。
- 材料陈述的贡献
- 摘要称为自适应随机化产生的依赖数据提供机器学习交叉拟合的理论依据，并给出效率提升和适用条件及软件实现。
- 阅读关注点
- 应核对随机化造成的依赖如何进入证明、交叉拟合的具体构造，以及效率保证、联合校准和不同随机化方案的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。摘要未列出一般定理条件，不能推断任意学习器均保证效率提升。
原文摘要
In randomized clinical trials, adjusting for baseline covariates can improve credibility and efficiency for demonstrating and quantifying treatment effects. This article studies the augmented inverse propensity weighted (AIPW) estimator, which is a general form of covariate adjustment that uses linear, generalized linear, and non-parametric or machine learning models for the conditional mean of the response given covariates. Under covariate-adaptive randomization, we establish general theorems that show a complete picture of the asymptotic normality, {efficiency gain, and applicability of AIPW estimators}. In particular, we provide for the first time a rigorous theoretical justification of using machine learning methods with cross-fitting for dependent data under covariate-adaptive randomization. Based on the general theorems, we offer insights on the conditions for guaranteed efficiency gain and universal applicability {under different randomization schemes}, which also motivate a joint calibration strategy using some constructed covariates after applying AIPW. Our methods are implemented in the R package RobinCar.