Anytime-valid inference in N-of-1 trials
单人试验中任意时点有效的统计推断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：摘要使用潜在结果框架研究单人试验的处理效应及序贯有效推断。
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…
单人试验中任意时点有效的统计推断
- 研究问题
- 在单人健康干预试验中，如何允许参与者持续查看中期结果，并在任意查看或停止时点保持处理效应推断的有效性？
- 方法与思路
- 作者建立潜在结果框架，提出适用于单人试验的多个因果目标量，并结合置信序列实现具有时间一致保证的推断。
- 材料陈述的贡献
- 摘要称，经验评估显示所提方法形成随时间有效的置信序列；提升参与度与赋能参与者则是作者预期的应用收益。
- 阅读关注点
- 应核对处理分配与时间依赖条件、因果目标量的定义、置信序列构造，以及重复查看时的一类错误控制证据。
- 阅读边界
- 所据为 arXiv 预印本摘要，同行评审与期刊接收未核实；摘要未列出完整有效性条件，也未验证参与度提升等预期收益。
原文摘要
App-based N-of-1 trials offer a scalable experimental design for assessing the effects of health interventions at an individual level. Their practical success depends on the strong motivation of participants, which, in turn, translates into high adherence and reduced loss to follow-up. One way to maintain participant engagement is by sharing their interim results. Continuously testing hypotheses during a trial, known as "peeking", can also lead to shorter, lower-risk trials by detecting strong effects early. Nevertheless, traditionally, results are only presented upon the trial's conclusion. In this work, we introduce a potential outcomes framework that permits interim peeking of the results and enables statistically valid inferences to be drawn at any point during N-of-1 trials. Our work builds on the growing literature on valid confidence sequences, which enables anytime-valid inference with uniform type-1 error guarantees over time. We propose several causal estimands for treatment effects applicable in an N-of-1 trial and demonstrate, through empirical evaluation, that the proposed approach results in valid confidence sequences over time. We anticipate that incorporating anytime-valid inference into clinical trials can significantly enhance trial participation and empower participants.