主 题:New Covariate-Adaptive Randomization Procedures and Their Properties新协变量自适应随机化方法及其特性
主讲人:乔治·华盛顿大学胡飞芳教授
主持人:统计学院林华珍教授
时间:2024年6月6日(周四)下午3:30-4:30
举办地点:柳林校区弘远楼408会议室
主办单位:统计研究中心和统计学院 科研处
主讲人简介:
胡飞芳,现为乔治·华盛顿大学教授,1994年英属哥伦比亚大学取得博士学位。其研究领域包括:A / B测试:临床试验的适应性设计与推理;生物统计学;Bootstrap方法;设计大数据研究;精准医疗中的统计问题。现为国际统计学顶刊JASA的副主编。他是美国统计学会(ASA),国际数理统计学会(IMS)的Fellow。2004年获得NSF的Career Award。专著2部,已在包括《Biometrika》《JASA》《AoS》等在内的国际统计学顶刊上公开发表学术论文近120篇,
内容简介:
Ensuring balanced covariates is crucial in successful comparative studies exploring causal effects, like causal inference, online A/B testing, and clinical trials. Despite relying on randomized experiments, chance imbalances persist, exacerbated by the era of big data. While existing literature mainly tackles discrete covariate balance, the use of covariate-adaptive randomization (CAR) for continuous covariates is limited, especially when aiming beyond initial data balancing. In this presentation, we unveil a range of CAR techniques tailored to achieve balance across varied covariate characteristics, including quadratic and interaction terms. Our framework doesn’t just bring together various existing methods; it introduces a significantly broader array of innovative CAR procedures. Demonstrating superior balancing capabilities, these procedures outshine existing methods. Uniquely, both the convergence rate and its proof represent groundbreaking contributions to CAR. These enhanced balancing properties notably improve the precision of estimating treatment effects, especially in the presence of nonlinear covariate effects. Through empirical studies, we showcase the exceptional and reliable performance of these procedures.
确保协变量的平衡对于成功的比较研究(如因果推断、在线A/B测试和临床试验)至关重要。尽管依赖于随机实验,偶然的不平衡仍然存在,特别是在大数据时代。这种不平衡的问题在现有文献中主要集中于离散协变量的平衡,而对于连续协变量,尤其是超越初始数据平衡的情况,协变量自适应随机化(CAR)的应用相对有限。在本次报告中,主讲人展示了一系列CAR技术,旨在实现对各种协变量特性的平衡,包括二次项和交互项。
主讲人的框架不仅整合了各种现有方法,还引入了更广泛的创新CAR程序。相较于现有方法,这些程序展示了卓越的平衡能力。独特之处在于,这些方法的收敛速度及其证明代表了CAR领域的重大突破。这些增强的平衡特性显著提高了治疗效果估计的精度,特别是在存在非线性协变量效应的情况下。通过实证研究,主讲人展示了这些方法的出色和可靠的性能。