Improve Sensitivity Analysis Synthesizing Randomized Clinical Trials With Limited Overlap
利用有限重叠的随机临床试验改进敏感性分析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。
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：摘要直接研究未测混杂下的平均治疗效应界限及随机试验与观察数据的综合。
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…
利用有限重叠的随机临床试验改进敏感性分析
- 研究问题
- 随机试验与真实总体的协变量分布仅有限重叠时，如何结合试验和观察数据，收紧未测混杂下总体平均治疗效应的界限？
- 方法与思路
- 作者提出综合估计量，将随机试验信息纳入观察研究的敏感性分析，并研究敏感性参数满足可分离条件时的界限性质。
- 材料陈述的贡献
- 摘要称，在可分离条件成立时，综合方法较仅使用观察数据得到更紧的界限；理论、模拟及药物效果应用支持这一陈述。
- 阅读关注点
- 应核对可分离条件的定义、试验与观察样本的衔接假设、有限重叠的处理，以及界限收紧所需条件和应用中的敏感性设定。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实。摘要未给出可分离条件和识别细节，不能认定任意有限重叠数据都能收紧界限。
原文摘要
Randomized clinical trials are the gold standard when estimating the average treatment effect. However, they are usually not a random sample from the real-world population because of the inclusion/exclusion rules. Meanwhile, observational studies typically consist of representative samples from the real-world population. However, due to unmeasured confounding, sensitivity analysis is often used to estimate bounds for the average treatment effect without relying on stringent assumptions of other existing methods. This article introduces a synthesis estimator that improves sensitivity analysis in observational studies by incorporating randomized clinical trial data, even when overlap in covariate distribution is limited due to inclusion/exclusion criteria. We show that the proposed estimator will give a tighter bound when a "separability" condition holds for the sensitivity parameter. Theoretical proofs and simulations show that this method provides a tighter bound than the sensitivity analysis using only observational study. We apply this method to combine an observational study on drug effectiveness with a partially overlapping RCT dataset, yielding improved average treatment effect bounds.