随机临床试验中协变量调整 g-computation 的偏差缩减
统计方法学
2025-09-10 v1 应用统计
摘要
G-computation 是一种在随机临床试验中进行协变量调整以估计无条件处理效应的强大方法。它通常依赖于拟合规范广义线性模型。然而，这在样本量较小或存在罕见事件时可能会产生问题。常见问题包括方差低估和极大似然估计量的潜在不存在性。偏差缩减方法常被用于解决这些问题，包括保证相应估计量存在的 Firth 校正。然而，它们在 g-computation 中的应用仍待深入探索。在本文中，我们分析了 g-computation 估计量的渐近偏差，并提出了一种新的偏差缩减方法，以改进估计与推断。我们的方法通过广义 Oaxaca-Blinder 估计量进行去偏手术，从而保证所得估计量是有界的。所提出的去偏估计量对冗余参数使用略微修正的极大似然或 Firth 校正估计量。受所提出去偏估计量的启发，我们还引入了一种简单的方差估计小样本偏差调整，进一步提高了有限样本推断的有效性。通过大量模拟，我们证明了所提方法具有优越的有限样本性能，有效解决了偏差-效率权衡问题。最后，我们通过重新分析一项已完成的随机临床试验来说明其实用性。
引用
@article{arxiv.2509.07369,
title = {Bias reduction in g-computation for covariate adjustment in randomized clinical trials},
author = {Xin Zhang and Lin Liu and Haitao Chu},
journal= {arXiv preprint arXiv:2509.07369},
year = {2025}
}