Analyzing a Randomized Cancer Prevention Trial with a Missing Binary Outcome, an Auxiliary Variable, and All-or-None Compliance
结局缺失、辅助变量及全有或全无依从下的随机癌症预防试验分析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：摘要直接研究随机试验中的治疗效果分析，并处理结局缺失与治疗不依从。
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
结局缺失、辅助变量及全有或全无依从下的随机癌症预防试验分析
- 研究问题
- 随机癌症预防试验同时存在活检结局缺失、随机化后的辅助检测信息与全有或全无不依从时，如何调整治疗效果分析？
- 方法与思路
- 作者针对结局缺失与不依从构造相应似然，利用随机化后、结局前观测的辅助变量，并推导闭式极大似然估计及方差。
- 材料陈述的贡献
- 摘要称给出同时调整两类问题的估计方法，并指出忽略调整可能造成偏差、第一类错误膨胀与置信区间覆盖不足。
- 阅读关注点
- 应核对治疗效果的目标参数、辅助变量如何进入缺失模型，以及处理不依从所需的识别假设与方差计算条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；缺失与依从机制的具体假设未说明，也未提供试验效果数值或刊本变化信息。
原文摘要
The Prostate Cancer Prevention Trial is a randomized chemoprevention trial designed to compare the effect of daily finasteride versus placebo on prostate cancer determined by biopsy. Investigators have scheduled a biopsy at the end of the trial in 7 years or following a positive prostate-specific antigen (PSA) on annual screening. The analysis will need to adjust for two likely complications. First, some subjects will not receive a biopsy, depending in part on whether or not they had a positive PSA. The indicator of positive PSA is called an auxiliary variable, which is a variable observed after randomization and prior to outcome. Second, starting soon after randomization, some subjects randomized to finasteride will stop taking their tablets, and some subjects randomized to placebo will obtain finasteride outside of the trial. This type of noncompliance is called all-or-none. To adjust for these complications, we formulate the appropriate likelihoods and obtain closed-form maximum likelihood estimates and variances. Without these adjustments, estimates may be biased, two-sided type I errors above nominal levels, and coverage of confidence intervals below nominal levels.