論文の概要: Prognostic Covariate Adjustment for Logistic Regression in Randomized
Controlled Trials
- arxiv url: http://arxiv.org/abs/2402.18900v1
- Date: Thu, 29 Feb 2024 06:53:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 15:55:18.478514
- Title: Prognostic Covariate Adjustment for Logistic Regression in Randomized
Controlled Trials
- Title(参考訳): ランダム化制御試験におけるロジスティック回帰の確率的共変量調整
- Authors: Yunfan Li and Arman Sabbaghi and Jonathan R. Walsh and Charles K.
Fisher
- Abstract要約: 本研究では, 確率的スコア調整により, 条件付オッズ比のウォルド試験のパワーを一定のサンプルサイズで向上させることができることを示す。
我々はg-computationを用いて、確率的スコア調整の範囲を、限界リスク差、相対リスク、確率比推定に基づいて拡張する。
- 参考スコア(独自算出の注目度): 1.5020330976600735
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Randomized controlled trials (RCTs) with binary primary endpoints introduce
novel challenges for inferring the causal effects of treatments. The most
significant challenge is non-collapsibility, in which the conditional odds
ratio estimand under covariate adjustment differs from the unconditional
estimand in the logistic regression analysis of RCT data. This issue gives rise
to apparent paradoxes, such as the variance of the estimator for the
conditional odds ratio from a covariate-adjusted model being greater than the
variance of the estimator from the unadjusted model. We address this challenge
in the context of adjustment based on predictions of control outcomes from
generative artificial intelligence (AI) algorithms, which are referred to as
prognostic scores. We demonstrate that prognostic score adjustment in logistic
regression increases the power of the Wald test for the conditional odds ratio
under a fixed sample size, or alternatively reduces the necessary sample size
to achieve a desired power, compared to the unadjusted analysis. We derive
formulae for prospective calculations of the power gain and sample size
reduction that can result from adjustment for the prognostic score.
Furthermore, we utilize g-computation to expand the scope of prognostic score
adjustment to inferences on the marginal risk difference, relative risk, and
odds ratio estimands. We demonstrate the validity of our formulae via extensive
simulation studies that encompass different types of logistic regression model
specifications. Our simulation studies also indicate how prognostic score
adjustment can reduce the variance of g-computation estimators for the marginal
estimands while maintaining frequentist properties such as asymptotic
unbiasedness and Type I error rate control. Our methodology can ultimately
enable more definitive and conclusive analyses for RCTs with binary primary
endpoints.
- Abstract(参考訳): 2次一次終端を持つランダム化制御試験(RCT)は、治療の因果効果を推測する新しい課題をもたらす。
最も重要な課題は非可分解性であり、共変量調整下での条件オッズ比推定は、RDTデータのロジスティック回帰解析における非条件オッズ比推定と異なる。
この問題は、共変量調整モデルから条件付きオッズ比への推定器の分散が不調整モデルからの推定器の分散よりも大きいような明らかなパラドックスを生じさせる。
我々は,予測スコアと呼ばれる生成型人工知能(ai)アルゴリズムによる制御結果の予測に基づいて,調整という文脈でこの問題に対処する。
我々は,ロジスティック回帰における確率的スコア調整が,条件付オッズ比のウォルド試験のパワーを固定標本サイズ以下に向上させるか,あるいは不調整解析と比較して,所望のパワーを達成するために必要なサンプルサイズを減少させることを示した。
我々は,予測値の調整から得られるパワーゲインとサンプルサイズ削減の予測計算式を導出する。
さらに, g-computation を用いて, 確率的スコア調整の範囲を限界リスク差, 相対リスク, 確率比推定値に基づいて拡張する。
本稿では,ロジスティック回帰モデル仕様を包含する広範囲なシミュレーション研究を通じて,式の有効性を示す。
また, 漸近的不偏性やI型誤差率制御などの頻繁な特性を維持しつつ, 限界推定値に対するg計算推定値の分散をいかに軽減するかをシミュレーションした。
本手法により,2次一次終端を持つRCTのより決定的かつ決定的な解析が可能となる。
関連論文リスト
- G-computation for increasing performances of clinical trials with individual randomization and binary response [0.43541492802373877]
臨床試験では、ランダムなアロケーションは腕間の予後因子のバランスを目標とし、真の共同設立者を防ぐ。
したがって、特に関連するパワーの増加のため、予後因子の調整が推奨される。
本稿では,機械学習によるG-computationが,サンプルサイズが小さい場合でもランダム化臨床試験に適した方法であると仮定した。
論文 参考訳(メタデータ) (2024-11-15T10:18:38Z) - Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。
さらに、テストポイントがトレーニングセットと非自明な相関を持ち、時系列予測で頻繁に発生するような場合まで分析を拡張します。
我々は多種多様な高次元データにまたがって理論を検証する。
論文 参考訳(メタデータ) (2024-08-08T17:27:29Z) - High Precision Causal Model Evaluation with Conditional Randomization [10.23470075454725]
因果誤差を推定するための新しい低分散推定器(ペア推定器)を提案する。
モデルと真の実験効果の両方に同じIPW推定器を適用することにより、IPWによる分散を効果的にキャンセルし、より小さな分散を実現する。
提案手法は,IPW推定器自体の複雑な変更を伴わずに,条件付きランダム化設定における因果推論モデルを評価するための,単純かつ強力な解を提供する。
論文 参考訳(メタデータ) (2023-11-03T13:22:27Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳(メタデータ) (2023-09-28T13:04:11Z) - Improved Policy Evaluation for Randomized Trials of Algorithmic Resource
Allocation [54.72195809248172]
提案する新しい概念を応用した新しい推定器を提案する。
我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
論文 参考訳(メタデータ) (2023-02-06T05:17:22Z) - Modeling High-Dimensional Data with Unknown Cut Points: A Fusion
Penalized Logistic Threshold Regression [2.520538806201793]
従来のロジスティック回帰モデルでは、リンク関数は線形で連続であると見なされることが多い。
我々は、全ての連続した特徴が順序レベルに離散化され、さらにバイナリ応答が決定されるしきい値モデルを考える。
糖尿病のような慢性疾患の早期発見と予知の問題において,ラッソモデルが好適であることが判明した。
論文 参考訳(メタデータ) (2022-02-17T04:16:40Z) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳(メタデータ) (2020-12-24T05:19:03Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳(メタデータ) (2020-12-17T21:10:10Z) - On Signal-to-Noise Ratio Issues in Variational Inference for Deep
Gaussian Processes [55.62520135103578]
重み付き変分推論を用いたDGP(Deep Gaussian Processs)の訓練で用いられる勾配推定は,信号-雑音比(SNR)問題の影響を受けやすいことを示す。
DGPモデルの予測性能が一貫した改善につながることを示す。
論文 参考訳(メタデータ) (2020-11-01T14:38:02Z) - On Model Identification and Out-of-Sample Prediction of Principal
Component Regression: Applications to Synthetic Controls [20.96904429337912]
固定設計による高次元誤差変数設定における主成分回帰(PCR)の解析を行う。
我々は、最もよく知られたレートで改善される非漸近的なアウト・オブ・サンプル予測の保証を確立する。
論文 参考訳(メタデータ) (2020-10-27T17:07:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。