动态重匹配：序贯匹配随机化及协变量调整随机化的合理性

协变量调整随机化（CAR）可降低协变量不平衡的风险，并在分析中加以考虑时提高试验的效能。尽管CAR取得了进展，分层随机化仍是最常用的CAR方法。匹配随机化（MR）基于协变量和距离矩阵在最优识别的匹配对内随机化治疗分配。当受试者序贯入组时，序贯匹配随机化（SMR）在“动态”发现的匹配内随机化以满足预设匹配阈值。然而，预设理想阈值可能具有挑战性，且SMR产生的匹配不如MR最优。我们将SMR扩展为允许多个受试者同时随机化、使用动态阈值，并允许若后续有更佳匹配入组时打破并重新匹配（序贯重匹配随机化；SRR）。在简化设定与真实应用中，我们评估这些扩展是否改善协变量平衡、估计量/研究效率与匹配最优性。我们探究如同传统分层随机化的情况，调整更多协变量是否会损害协变量平衡与效率。作为次要目标，我们用案例研究评估SMR方案与常见及相关CAR方案的并列比较，以及在设计阶段调整协变量是否能与在参数模型中调整协变量一样有效。我们发现各SMR扩展单独及总体均改善协变量平衡、估计量效率、研究效能与匹配质量。我们提供一个案例研究，其中基于随机化推断的CAR方案可与非CAR但带协变量参数调整的方案一样甚至更有效能。