Calibrated Bayesian inference for overall and subgroup-specific causal effects in stepped-wedge cluster-randomized trials
阶梯楔形整群随机试验中总体与亚组因果效应的校准贝叶斯推断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：摘要以加权平均处理效应、亚组因果估计量与模型稳健标准化为核心，属于因果推断方向；其余细分方向在摘要中缺乏直接文本依据。
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…
阶梯楔形整群随机试验中总体与亚组因果效应的校准贝叶斯推断
- 研究问题
- 摘要称，阶梯楔形整群随机试验中常规贝叶斯分析报告的工作模型处理效应系数，在模型误设或整群-时期规模具有信息性时缺乏清晰的因果解释；本文关注如何在此类设计中估计总体及按基线特征定义的亚组加权平均处理效应。
- 方法与思路
- 作者提出以加权平均处理效应为目标的贝叶斯方法，定义新的亚组因果估计量；比较基于模型的g-computation与模型稳健标准化，工作结果模型采用线性混合模型和混合效应贝叶斯加性回归树，并提出一种校准方差估计量，用整群层面重抽样补充后验参数不确定性。
- 材料陈述的贡献
- 摘要称，在存在结果模型误设与信息性整群-时期规模的模拟中，模型稳健标准化配合校准推断对总体和亚组因果效应偏差可忽略、频率学覆盖率接近名义水平，而g-computation与未校准区间表现不足；并用创伤幸存者结局与支持试验的再分析作示例。
- 阅读关注点
- 应核对亚组因果估计量的精确定义与识别假设、加权平均处理效应的权重设定、校准方差估计量的构造与重抽样方案、模拟中误设与信息性整群-时期规模的具体生成机制，以及再分析中估计量与数据适用性的说明。
- 阅读边界
- 仅依据摘要，无法判断识别假设是否成立、模拟设定是否覆盖实际情形、校准推断的有限样本性质，以及再分析结论的稳健性；摘要未说明具体数值结果、样本量与软件实现细节。
原文摘要
Stepped-wedge cluster-randomized trials (SW-CRTs) randomly assign clusters to sequences that determine when each cluster switches from control to intervention. Conventional Bayesian analyses of SW-CRTs report treatment effect coefficients from a working outcome model, but under model misspecification or informative cluster-period sizes, such coefficients can lack a clear causal interpretation. In this work, we develop Bayesian methods targeting weighted average treatment effect estimands in SW-CRTs, including novel subgroup-specific causal estimands defined by baseline characteristics. We compare model-based g-computation with model-robust standardization, implementing both with linear mixed models and mixed-effects Bayesian additive regression trees as working outcome models, and propose a calibrated variance estimator that augments posterior parameter uncertainty with cluster-level resampling to better capture sampling variability. In simulations with outcome model misspecification and informative cluster-period sizes, model-robust standardization with calibrated inference exhibits negligible bias and near-nominal frequentist coverage for overall and subgroup-specific causal effects, whereas g-computation and uncalibrated intervals become insufficient. We illustrate the proposed methods with a reanalysis of the Trauma Survivors Outcomes and Support trial.