Calibrated Bayes analysis of cluster-randomized trials
整群随机试验的校准贝叶斯分析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：摘要以整群随机试验的群平均和个体平均处理效应为目标，重点是效应估计与推断，直接对应因果推断。
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…
整群随机试验的校准贝叶斯分析
- 研究问题
- 当整群随机试验存在信息性群规模或工作模型误设时，如何明确区分群平均与个体平均效应，并形成覆盖可靠的推断？
- 方法与思路
- 作者构造对齐群平均和个体平均处理效应的校准贝叶斯估计，并研究后验汇总、协变量调整及非参数工作模型。
- 材料陈述的贡献
- 摘要称提出两类目标效应估计量，并探索误设下具有频率学覆盖的后验汇总策略，模拟支持其模型稳健性。
- 阅读关注点
- 应核对信息性群规模的定义、两类效应的权重差异、校准机制，以及模型误设下覆盖有效所需的具体条件。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核验；摘要未列稳健性和覆盖条件，不能认定所有贝叶斯后验汇总均有效。
原文摘要
In cluster-randomized trials (CRTs), entire clusters of individuals are randomized to treatment, and outcomes within a cluster are typically correlated. While frequentist approaches are standard practice for CRT analysis, Bayesian methods have emerged as a strong alternative. Previous work has investigated the use of Bayesian hierarchical models for continuous, binary, and count outcomes in CRTs, but these approaches focus on model-based treatment effect coefficients as the target estimands, which may have ambiguous interpretation under model misspecification and informative cluster size. In this article, we introduce a calibrated Bayesian procedure for estimand-aligned analysis of CRTs even in the presence of potentially misspecified models. We propose estimators targeting both the cluster-average treatment effect (cluster-ATE) and individual-average treatment effect (individual-ATE), particularly in scenarios with informative cluster sizes. We additionally explore strategies for summarizing the posterior samples that can achieve the frequentist coverage even under working model misspecification. We provide simulation evidence to demonstrate the model-robustness property of the proposed estimators in CRTs, and further investigate the impact of covariate adjustment as well as the use of more flexible Bayesian nonparametric working models in the CRT context.