Selective randomization inference for subgroup effects with continuous biomarkers
连续生物标志物亚组效应的选择性随机化推断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：摘要围绕随机试验中的异质处理效应、亚组选择和随机化因果检验展开。
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…
关注这篇论文的作者
连续生物标志物亚组效应的选择性随机化推断
- 研究问题
- 临床试验中使用同一数据选择连续生物标志物阈值并检验亚组效应时，如何控制选择导致的第一类错误？
- 方法与思路
- 作者采用自包含的亚组阈值选择方法，再通过条件化构造有效随机化检验，利用整个选中亚组进行推断。
- 材料陈述的贡献
- 摘要称该程序具有确定性，较样本拆分方法更有检验力；部分场景接近已知获益亚组的检验，计算效率与标准方法相当。
- 阅读关注点
- 应核对自包含选择的定义、条件化事件与检验零假设，以及有限样本有效性和检验力比较成立的具体范围。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未核实；摘要未说明选择规则和条件化细节，检验力优势不能外推至所有场景。
原文摘要
Randomization tests are a popular method for testing causal effects in clinical trials with finite-sample validity. In the presence of heterogeneous treatment effects, it is often of interest to select a subgroup that benefits from the treatment, frequently by choosing a cutoff for a continuous biomarker. However, selecting the cutoff and testing the effect on the same data may fail to control the type I error. To address this, we propose using "self-contained" methods for selecting biomarker-based subgroups (cutoffs) and applying conditioning to construct valid randomization tests for the subgroup effect. Compared to sample-splitting-based randomization tests, our proposal is fully deterministic, uses the entire selected subgroup for inference, and is thus more powerful. Moreover, we demonstrate scenarios where our procedure achieves power comparable to a randomization test with oracle knowledge of the benefiting subgroup. In addition, our procedure is as computationally efficient as standard randomization tests. Empirically, we illustrate the effectiveness of our method on simulated datasets and the German Breast Cancer Study.