自适应选择最优策略以提升随机试验的精度与功效

Benkeser 等人展示了在随机试验中针对基线协变量进行调整如何切实提升多种结局类型的精度。他们的发现建立在悠久的历史之上，始于 1932 年 R.A. Fisher，并包括美国食品药品监督管理局和欧洲药品管理局近期更明确的认可。在此，我们处理一个重要的实际考量：*如何*选择调整方法——哪些变量、以何种形式——以在维持一类错误控制的同时最大化精度。Balzer 等人此前提出了 TMLE 内的*自适应预指定*，以灵活且自动地从预指定集合中选出在小样本试验（N$<$40）中最大化经验效率的方法。为避免少量随机单元下的过拟合，此前选择仅限于调整单个协变量的工作广义线性模型。如今，我们使自适应预指定适配于具有大量随机单元的试验。利用 $V$-折交叉验证并以估计的影响曲线平方为损失函数，我们从扩充的候选集（包括调整多个协变量的现代机器学习方法）中进行选择。如在对多种数据生成过程的模拟中所评估，我们的方法维持了一类错误控制（在原假设下），并带来了精度的实质提升——等同于为相同统计功效减少 20-43% 的样本量。当应用于来自 ACTG Study 175 的真实数据时，我们在总体及亚组内也看到了有意义的效率改进。