Covariate-adaptive randomization inference in matched designs
匹配设计中的协变量自适应随机化推断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：摘要研究匹配观察设计中的处理效应检验、倾向得分调整和混杂敏感性分析。
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
匹配设计中的协变量自适应随机化推断
- 研究问题
- 研究匹配观察研究中，组内倾向得分仍存在差异时，均匀置换处理分配是否影响推断，以及如何据此修正随机化检验。
- 方法与思路
- 作者让置换概率随估计的组内倾向得分差异变化，避免剔除匹配对或建立结果模型，并分析检验的渐近行为与敏感性分析。
- 材料陈述的贡献
- 摘要称，倾向得分估计样本足够大时，一类错误可任意接近名义水平，并给出恒定加性效应下均值差检验的大样本分析。
- 阅读关注点
- 应核对倾向得分估计所需样本与条件、置换概率构造、恒定加性效应的作用，以及敏感性分析如何处理未观测混杂。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出误差控制条件、收敛速度及模拟和两项应用的具体结果。
原文摘要
It is common to conduct causal inference in matched observational studies by proceeding as though treatment assignments within matched sets are assigned uniformly at random and using this distribution as the basis for inference. This approach ignores observed discrepancies in matched sets that may be consequential for the distribution of treatment, which are succinctly captured by within-set differences in the propensity score. We address this problem via covariate-adaptive randomization inference, which modifies the permutation probabilities to vary with estimated propensity score discrepancies and avoids requirements to exclude matched pairs or model an outcome variable. We show that the test achieves type I error control arbitrarily close to the nominal level when large samples are available for propensity score estimation. We characterize the large-sample behavior of the new randomization test for a difference-in-means estimator of a constant additive effect. We also show that existing methods of sensitivity analysis generalize effectively to covariate-adaptive randomization inference. Finally, we evaluate the empirical value of covariate-adaptive randomization procedures via comparisons to traditional uniform inference in matched designs with and without propensity score calipers and regression adjustment using simulations and analyses of genetic damage among welders and right-heart catheterization in surgical patients.