Bayesian design and analysis of two-arm cluster randomised trials using assurance
基于 assurance 的两组整群随机试验贝叶斯设计与分析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。
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：摘要明确研究整群随机对照试验的治疗效应分析和样本量设计，直接关联因果推断中的随机实验方法。
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
基于 assurance 的两组整群随机试验贝叶斯设计与分析
- 研究问题
- 对于连续结局的两组优效性整群随机试验，如何依据贝叶斯治疗效应分析选择样本量，并评估先验和模拟精度的影响？
- 方法与思路
- 作者以线性混合效应模型进行贝叶斯分析，构建相应 assurance 并用双层 Monte Carlo 评估，以此确定试验样本量。
- 材料陈述的贡献
- 摘要称，研究给出先验和模拟次数的选择建议；在特定先验信息下，样本量选择可更稳健或减少，并展示卒中后失禁应用。
- 阅读关注点
- 应核对设计先验与分析先验的关系、成功判据、群内相关的处理，以及双层模拟误差和不同样本量方法的比较条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给先验参数、样本量数值及稳健性范围，所述优势具有条件性。
原文摘要
We consider the design of a two-arm superiority cluster randomised controlled trial (RCT) with a continuous outcome. We detail Bayesian inference for the analysis of the trial using a linear mixed-effects model. The treatment is compared to control using the posterior distribution for the treatment effect. We develop the form of the assurance to choose the sample size based on this analysis, and its evaluation using a two loop Monte Carlo sampling scheme. We assess the proposed approach, considering the effect of different forms of prior distribution, and the number of Monte Carlo samples needed in both loops for accurate determination of the assurance and sample size. Based on this assessment, we provide general advice on each of these choices. We apply the approach to the choice of sample size for a cluster RCT into post-stroke incontinence, and compare the resulting sample size to those from a power calculation and assurance based on a Wald test for the treatment effect. The Bayesian approach to design and analysis developed in this paper can offer advantages in terms of an increase in the robustness of the chosen sample size to parameter mis-specification and reduced sample sizes if prior information indicates the treatment effect is likely to be larger than the minimal clinically important difference.