Improving randomized controlled trial analysis via data-adaptive borrowing
通过数据自适应借用改进随机对照试验分析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。
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：摘要明确围绕随机对照试验的处理效应估计，以及借用外部对照时的偏误和推断控制展开。
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…
通过数据自适应借用改进随机对照试验分析
- 研究问题
- 随机对照试验借用真实世界外部对照时，如何识别可比较的部分，减少不可比较对照造成的偏误并改善处理效应推断？
- 方法与思路
- 作者以偏误惩罚动态筛选外部对照的可比较子集，形成数据自适应整合框架，并研究估计一致性、渐近分布与推断。
- 材料陈述的贡献
- 摘要称外部对照可比较时方法达到半参数效率界，不可比较时实施选择性借用；模拟及两个应用报告相对仅用试验数据的改进。
- 阅读关注点
- 应核对可比较性的定义、偏误惩罚与筛选规则，以及筛选不确定性如何进入推断和第一类错误控制所需的条件。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断未知偏误可被处理的范围，也不能保证任意外部对照下均优于试验估计；刊本变化未提供。
原文摘要
Summary In recent years, real-world external controls have grown in popularity as a tool to empower randomized placebo-controlled trials, particularly in rare diseases or cases where balanced randomization is unethical or impractical. However, as external controls are not always comparable to the trials, direct borrowing without scrutiny may heavily bias the treatment effect estimator. Our paper proposes a data-adaptive integrative framework capable of preventing unknown biases of the external controls. The adaptive nature is achieved by dynamically sorting out a comparable subset of external controls via bias penalization. Our proposed method can simultaneously achieve (a) the semiparametric efficiency bound when the external controls are comparable and (b) selective borrowing that mitigates the impact of the existence of incomparable external controls. Furthermore, we establish statistical guarantees, including consistency, asymptotic distribution and inference, providing Type-I error control and good power. Extensive simulations and two real-data applications show that the proposed method leads to improved performance over the trial-only estimator across various bias-generating scenarios.