Discretization in covariate-adaptive randomization: gains and losses
协变量自适应随机化中的离散化：收益与损失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：摘要明确研究随机试验中的协变量自适应分配及处理效应估计，直接对应因果推断中的实验设计与推断。
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…
关注这篇论文的作者
协变量自适应随机化中的离散化：收益与损失
- 研究问题
- 将连续协变量离散为分层变量，会怎样改变协变量自适应随机化的平衡表现、处理效应估计及模型误设下的稳健性？
- 方法与思路
- 作者比较离散与非离散设计，建立不平衡指标和处理效应估计量的渐近性质，并用模拟及糖尿病试验数据检验理论含义。
- 材料陈述的贡献
- 摘要称离散化通常改善设计对模型误设的稳健性；若真实模型已知，按该模型平衡协变量更有效率，并给出使用建议。
- 阅读关注点
- 应核对随机化算法、分层规则与层数的条件，区分设计阶段和分析阶段的离散化，并查明稳健性及效率的具体比较标准。
- 阅读边界
- 所给版本为预印本，不能据此确认同行评审或期刊接收；摘要未给分层阈值和完整理论条件，实践建议不能直接推广到所有设计。
原文摘要
Covariate-adaptive randomization(CAR) is widely implemented in clinical trials to balance prognostic covariates across treatment arms. Continuous covariates are often discretized into strata in practice, yet their consequences are not clearly understood. This paper provides a comprehensive study of the impact of discretization on both the CAR design process and the inferential results thereafter. We establish the asymptotic properties of both imbalance measures and treatment effect estimators under discretized and non-discretized settings. Practical recommendations are given on when and how discretization should be employed. We show that discretization in design is generally recommended, as it enhances robustness against model misspecification. However, if the true model is known, the most efficient strategy is to balance covariates according to that model in the design. The theoretical results are corroborated by extensive simulation studies and an empirical application to a diabetes trial dataset. Together, the results clarify the gains and losses of discretization in CAR and pave the way for learning impact of discretization to other designs and beyond.