Informed Burn-In Decisions in RAR: Harmonizing Adaptivity and Inferential Precision Based on Study Setting
响应自适应随机化中的知情预热期决策：基于研究情境协调自适应性与推断精度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：摘要讨论的是临床试验中响应自适应随机化的设计参数与统计推断问题，未涉及所提供领域细分中的因果推断、面板、离散选择、结构估计、时间序列、资产定价等方向，故不选择任何细分领域。
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…
响应自适应随机化中的知情预热期决策：基于研究情境协调自适应性与推断精度
- 研究问题
- 摘要关注响应自适应随机化（RAR）中预热期长度这一关键设计参数的选择问题：如何确定首次自适应分配在统计上合适的时机，以在控制估计偏差与一类错误率膨胀的同时保留自适应带来的功效与患者获益。
- 方法与思路
- 作者提出一个确定预热期长度的系统框架，将总样本量、问题难度以及两个新指标（反应性与期望最终分配误差）综合为一个有原则的公式；并通过基于真实世界设计的模拟研究检验该公式导出的长度。
- 材料陈述的贡献
- 摘要称这是首个系统化确定预热期长度的框架，其公式能识别出一个“甜点”区间，缓解一类错误率膨胀与均方误差，同时保留更高功效与患者获益，使研究者从猜测转向系统可靠的方法。
- 阅读关注点
- 阅读全文时应核对：公式的具体形式与推导依据、反应性与期望最终分配误差的定义与估计方式、模拟所依据的真实设计细节、以及“甜点”区间在不同样本量与难度下的稳健性。
- 阅读边界
- 仅凭摘要无法判断公式的理论保证、模拟结论的外部有效性及实际试验中的表现；摘要未说明具体数值结果、识别假设与证明细节。该文为 arXiv 预印本，未经同行评审或期刊接收验证。
原文摘要
Response-Adaptive Randomization (RAR) is recognized for its potential to deliver improvements in patient benefit. However, the utility of RAR is contingent on regularization methods to mitigate early instability and preserve statistical integrity. A standard regularization approach is the ''burn-in'' period, an initial phase of equal randomization before treatment allocation adapts based on accrued data. The length of this burn-in is a critical design parameter, yet its selection remains unsystematic and improvised, as no established guideline exists. A poorly chosen length poses significant risks: one that is too short leads to high estimation bias and type-I error rate inflation, while one that is too long impedes the intended patient and power benefits of using adaptation. The challenge of selecting the burn-in generalizes to a fundamental question: what is the statistically appropriate timing for the first adaptation? We introduce the first systematic framework for determining burn-in length. This framework synthesizes core factors - total sample size, problem difficulty, and two novel metrics (reactivity and expected final allocation error) - into a single, principled formula. Simulation studies, grounded in real-world designs, demonstrate that lengths derived from our formula successfully stabilize the trial. The formula identifies a ''sweet spot'' that mitigates type-I error rate inflation and mean-squared error, preserving the advantages of higher power and patient benefit. This framework moves researchers from conjecture toward a systematic, reliable approach.