Direct Estimation for Commonly Used Pattern-Mixture Models in Clinical Trials
临床试验常用模式混合模型的直接估计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：摘要围绕临床试验处理效应及不可忽略缺失下的敏感性分析展开。
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…
临床试验常用模式混合模型的直接估计
- 研究问题
- 在临床试验存在不可忽略缺失时，如何直接估计常用模式混合模型，并应对多重插补方差估计不一致或计算耗时的问题？
- 方法与思路
- 作者提出直接似然估计框架，覆盖回归基线、跳转参照、安慰剂洗脱及追回退出者等插补设定，并实施简约临界点分析。
- 材料陈述的贡献
- 摘要称提供常用模式混合模型的直接估计方法，模拟显示估计量一致，并通过一项二型糖尿病治疗试验展示方法用途。
- 阅读关注点
- 应核对各模式的缺失数据限制、直接似然与插补目标的对应关系，以及方差推断、一致性条件和临界点参数的解释。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实。摘要未说明缺失机制的可验证性、具体理论条件及效率比较结果。
原文摘要
Pattern-mixture models have received increasing attention as they are commonly used to assess treatment effects in primary or sensitivity analyses for clinical trials with nonignorable missing data. Pattern-mixture models have traditionally been implemented using multiple imputation, where the variance estimation may be a challenge because the Rubin's approach of combining between- and within-imputation variance may not provide consistent variance estimation while bootstrap methods may be time-consuming. Direct likelihood-based approaches have been proposed in the literature and implemented for some pattern-mixture models, but the assumptions are sometimes restrictive, and the theoretical framework is fragile. In this article, we propose an analytical framework for an efficient direct likelihood estimation method for commonly used pattern-mixture models corresponding to return-to-baseline, jump-to-reference, placebo washout, and retrieved dropout imputations. A parsimonious tipping point analysis is also discussed and implemented. Results from simulation studies demonstrate that the proposed methods provide consistent estimators. We further illustrate the utility of the proposed methods using data from a clinical trial evaluating a treatment for type 2 diabetes.