COADVISE: Covariate Adjustment with Variable Selection in Randomized Controlled Trials
COADVISE：随机对照试验中结合变量选择的协变量调整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：摘要直接研究随机对照试验中的处理效应估计、协变量调整及稳健推断。
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…
COADVISE：随机对照试验中结合变量选择的协变量调整
- 研究问题
- 随机对照试验中协变量数量接近样本量且存在非线性变换时，如何选择与结果相关的变量，同时保持效应估计与方差推断可靠？
- 方法与思路
- 作者提出 COADVISE 框架，结合变量选择与线性或非线性协变量调整，提供稳健方差估计，并用理论、模拟和试验重分析比较策略。
- 材料陈述的贡献
- 摘要称框架在所需条件下保持一致性、提高相对未调整估计的效率，并在结果模型误设时提供稳健方差估计及实践建议。
- 阅读关注点
- 应核对变量选择与随机化机制的关系、维数增长条件、效率改善的适用范围，以及不同选择策略对方差估计和覆盖率的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明一致性与效率结论的具体条件，也未提供各变量选择策略的详细表现。
原文摘要
Adjusting for covariates in randomized controlled trials can enhance the credibility and efficiency of treatment effect estimation. However, handling numerous covariates and their complex (non-linear) transformations poses a challenge. Motivated by the case study of the Best Apnea Interventions for Research (BestAIR) trial data from the National Sleep Research Resource (NSRR), where the number of covariates (p=114) is comparable to the sample size (N=196), we propose a principled Covariate Adjustment with Variable Selection (COADVISE) framework. COADVISE enables variable selection for covariates most relevant to the outcome while accommodating both linear and nonlinear adjustments. This framework ensures consistent estimates with improved efficiency over unadjusted estimators and provides robust variance estimation, even under outcome model misspecification. We demonstrate efficiency gains through theoretical analysis, extensive simulations, and a re-analysis of the BestAIR trial data to compare alternative variable selection strategies, offering cautionary recommendations. A user-friendly R package, Coadvise, is available to facilitate practical implementation.