“边学边做”（LAGO）研究的分析
统计方法学
2019-01-24 v2 统计理论
应用统计
统计理论
摘要
在边学边做（LAGO）自适应研究中，干预是由多个组分构成的复杂包，并在研究期间根据既往结局数据分阶段进行调整。该设计规范了公共卫生干预研究中的标准实践及其期望。研究旨在寻求有效的干预包，同时使干预包成本最小化。在分析 LAGO 研究数据时，后期阶段的干预依赖于前期阶段的结局，这违背了标准统计理论。我们发展了估计 LAGO 研究中干预效应的方法。我们利用一种新颖的耦合论证证明了相合性与渐近正态性，从而确保了无总体干预效应假设的检验有效性。我们发展了最优干预包的置信集，以及不同包组成下成功概率的置信带。我们在 BetterBirth 研究中阐释了我们的方法，该研究旨在通过复杂的多组分干预包改善印度北方邦 157,689 例分娩的母婴结局。
引用
@article{arxiv.1808.06310,
title = {Analysis of "Learn-As-You-Go" (LAGO) Studies},
author = {Daniel Nevo and Judith J. Lok and Donna Spiegelman},
journal= {arXiv preprint arXiv:1808.06310},
year = {2019}
}