On Response-Adaptive Targeting Strategies for Multi-Treatment Experiments
多处理实验中的响应自适应目标分配策略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：摘要研究随机实验的处理分配、处理效应估计及响应自适应设计，因此与因果推断中的实验设计直接相关。
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…
多处理实验中的响应自适应目标分配策略
- 研究问题
- 多处理临床实验如何依据已观察结局调整分配比例，并在某些处理的目标比例趋于零时维持充分探索与渐近推断？
- 方法与思路
- 作者提出统一的 α 再平衡目标策略族，推广既有双臂策略，并加入强制探索变体，以应对稀疏目标分配情形。
- 材料陈述的贡献
- 摘要称，该策略族具有强一致性、分配比例与效应估计的渐近正态性及效率；强制探索可保证所有处理被无限次抽样。
- 阅读关注点
- 应核对目标分配的定义、渐近效率的比较基准、强制探索的增长规则，以及三臂模拟中稀疏目标下的有限样本表现。
- 阅读边界
- 这是预印本，同行评审与期刊接收均未核实；摘要未给出完整正则条件或探索规则，渐近保证不能直接代替小样本证据。
原文摘要
Response-adaptive randomization (RAR) in clinical trials aims to improve ethical and statistical efficiency by dynamically allocating patients to treatments based on observed outcomes. While RAR based on a target optimal allocation have been extensively studied for two-arms settings, their extension to multi-treatment experiments ($K \geq 2$) remains theoretically fragmented, with most existing methods focusing on specific algorithms or restricted target allocations. In this paper, we introduce a unified framework for response-adaptive targeting, the $α$-Rebalancing Targeting Strategies ($α$RTS), which generalize the ERADE two-armed strategy of Hu et al. [2009]. We prove that all designs in this family share fundamental asymptotic properties: strong consistency, asymptotic normality of allocation proportions and treatment effect estimators, and asymptotic efficiency. To address sparse target regimes (where some treatments are asymptotically eliminated), we further propose $α$RTS with Forced Exploration, a variant that guarantees infinite sampling for all treatments while preserving the asymptotic guarantees. Extensive simulations illustrate the finite-sample behavior of $α$RTS variants in a 3-armed context, highlighting in particular the critical role of forced exploration in sparse settings.