针对随机化检验的自适应抽样分裂

随机化检验广泛用于生成实验数据因果推断的有限样本有效 p 值。然而，当用于子群分析时，这些检验可能因子群大小不足而缺乏统计功效。采用共享的条件平均处理效应 (CATE) 估计器可在子群之间显著提高功效，但需要进行抽样分裂以保持有效性。为此，我们量化每个单位对估计和检验的贡献，称为 certainty score，即给定其协变量和结果后，对该单位治疛分配确定性的度量。我们证明，具有更高 certainty score 的单位对检验更有价值，但对 CATE 估计不够重要，因为它们的治疛分配可被准确地预测。基于这一洞见，我们提出 AdaSplit，一种自适应分配单位在估计与检验之间的抽样分裂 procedure，以最大化其在不同任务中的总体贡献。我们通过仿真研究评估了 AdaSplit，结果表明它比不采用 CATE 估计或依赖随机抽样分裂的基线方法更能产生更有力的随机化检验。最后，我们将 AdaSplit 应用于血压干预试验中，识别出具有显著治疗效应的患者子群。