Intra-Class Correlation Coefficient Ignorable Clustered Randomized Trials for Detecting Treatment Effect Heterogeneity
检测处理效应异质性时可忽略组内相关系数的整群随机试验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：摘要专门讨论整群随机试验中的处理效应异质性检验及其设计条件，因此对应因果推断。
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…
检测处理效应异质性时可忽略组内相关系数的整群随机试验
- 研究问题
- 在检测处理效应异质性的整群随机试验中，是否存在功效和样本量计算无需组内相关系数的特殊设计，从而减少先验估计不足带来的规划困难？
- 方法与思路
- 作者识别一类针对处理效应异质性的特殊整群随机试验，提供可忽略组内相关系数的理论基础与证明，并通过实施指导和医疗服务示例解释设计用途。
- 材料陈述的贡献
- 摘要称，这类设计的功效与样本量计算可完全忽略组内相关系数，并可通过增加群组内样本而非群组数量提高功效，适合扩充群组较困难的情形。
- 阅读关注点
- 应核对特殊试验类别的定义、异质性检验的目标与协变量结构，以及组内相关系数消失所需条件；同时检查增加群组内样本的功效收益边界。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明该特殊类别的具体限制，不能据此在一般整群试验或平均处理效应检验中忽略组内相关。
原文摘要
Accurately estimating the intra-class correlation coefficient (ICC) is crucial for adequately powering clustered randomized trials (CRTs). Challenges arise due to limited prior data on the specific outcome within the target population, making accurate ICC estimation difficult. Furthermore, ICC can vary significantly across studies, even for the same outcome, influenced by factors like study design, participant characteristics, and the specific intervention. Power calculations are extremely sensitive to ICC assumptions. Minor variation in the assumed ICC can lead to large differences in the number of clusters needed, potentially impacting trial feasibility and cost. This paper identifies a special class of CRTs aiming to detect the treatment effect heterogeneity, wherein the ICC can be completely disregarded in calculation of power and sample size. This result offers a solution for research projects lacking preliminary estimates of the ICC or facing challenges in their estimate. Moreover, this design facilitates power improvement through increasing the cluster sizes rather than the number of clusters, making it particular advantageous in the situations where expanding the number of clusters is difficult or costly. This paper provides a rigorous theoretical foundation for this class of ICC-ignorable CRTs, including mathematical proofs and practical guidance for implementation. We also present illustrative examples to demonstrate the practical implications of this approach in various research contexts in healthcare delivery.