跳转至

Adaptive Sampling of Costly Outcomes in Randomized Clinical Trials

作者: Shuoyang Wang, Wanyu Zhang, Lingli Yang, Kexuan Li
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2609.36387


一、领域脉络与小综述

这个方向是什么

本文研究的根本问题是:在随机对照试验(RCT)中,当主要结局变量(primary outcome)的测量成本高昂或耗时很长时,如何通过自适应抽样设计(adaptive sampling design)在有限的测量预算下,仍然对处理效应(treatment effect)进行有效且无偏的估计。该子方向处于"两相抽样"(two-phase sampling)与"因果推断"(causal inference)的交汇处,其核心张力在于:抽样决策的灵活性(adaptivity) 与 统计推断的有效性(validity and efficiency) 之间的权衡。该方向当前已具备较成熟的理论框架(半参数效率理论、鞅极限理论),但针对"设盲"(blinded)这一实际约束下的自适应设计,仍存在明确的理论缺口。

发展脉络(history)

  • 奠基工作:两相抽样与半参数推断。该问题的统计根源可追溯至调查抽样中的两相设计(Särndal et al., 1992)以及缺失数据框架下的半参数推断(Robins et al., 1994; Tsiatis, 2006)。这些工作确立了"利用廉价辅助变量 + 对子样本测量昂贵变量"的基本范式,并给出了基于逆概率加权(IPW)或增广逆概率加权(AIPW)的有效估计框架。Tao et al. (2017, 2020) 将两相设计推广至遗传关联研究,系统研究了在给定第一相信息下如何最优选择第二相样本,其核心结论是:最优抽样概率应与结局的条件残差标准差成正比(Neyman 分配)。

  • 主要进展:从固定设计到自适应设计。McIsaac and Cook (2015) 首次提出自适应两相设计(adaptive two-phase design),即利用内部预试验(internal pilot)的数据来估计最优抽样方案,再据此对剩余样本进行抽样。Chen and Lumley (2020) 进一步将这一思想推广至多波(multi-wave)设计,并提出了基于影响函数(influence function)的抽样准则。Sauer et al. (2023) 则聚焦于实际操作层面,讨论了在整群随机设计中如何用 IPW 或多重插补(MI)来估计最优分配。Zeng et al. (2025) 将自适应分层设计推广至观察性研究中的平均因果效应估计。这一系列工作的共同逻辑是:用已测量的数据来学习"哪些个体最值得测量"。

  • 当前 frontier:预测驱动与主动推断。近期的两条前沿线索直接构成了本文的对话对象。其一是 Prediction-Powered Inference (PPI)(Angelopoulos et al., 2023):利用机器学习预测作为辅助信息,对仅测量部分样本的结局进行有效推断,其核心思想是"预测 + 少量真实标签"即可获得有效估计。其二是 Active Statistical Inference(Zrnic and Candès, 2024):将主动学习(active learning)的思想引入统计推断,允许抽样规则随数据积累而更新,并利用鞅中心极限定理(martingale CLT)给出有效的置信区间。这两条线索的共同点是:预测模型的质量直接影响统计效率,但均未考虑 RCT 中"设盲"这一操作约束。

  • 本文的位置:本文在上述脉络中填补了一个具体的缺口——在设盲约束下(即抽样决策不能使用处理分配信息),如何设计自适应抽样规则并保证估计的有效性。作者将 Zrnic and Candès (2024) 的鞅 CLT 框架移植到 RCT 的设盲场景,并给出了估计抽样规则所损失方差的显式界,将初始样本量、模型学习率与最终估计效率联系起来。这是对"自适应设计"文献的一个操作性补充:在真实临床试验中,设盲不是可选的,而是监管要求。

子线索聚类

  1. 效率理论线索(Tao et al., 2017, 2020; Gilbert et al., 2014):关注给定辅助信息下,两相抽样的最优分配及其半参数效率界。核心工具是影响函数与 Neyman 分配。本文的 Proposition 3 和 4 直接继承此线索。
  2. 自适应设计线索(McIsaac and Cook, 2015; Chen and Lumley, 2020; Sauer et al., 2023; Zeng et al., 2025):关注如何分阶段学习最优抽样规则,核心工具是影响函数估计与多波抽样。本文的 Theorem 5 和 Corollary 6 属于此线索。
  3. 预测驱动推断线索(Angelopoulos et al., 2023; Zrnic and Candès, 2024; Kluger and Bates, 2026):关注如何利用机器学习预测指导抽样并保证推断有效性,核心工具是鞅 CLT 与交叉拟合(cross-fitting)。本文的 Theorem 2 直接改编自 Zrnic and Candès (2024) 的 Proposition 6.1。
  4. 临床试验操作线索(Dodd et al., 2011; ICH E9, 1999):关注设盲、独立裁决等监管约束下的统计设计。本文的设盲设定直接来源于此线索,但此线索中的统计方法多为简单随机抽样或固定分层,缺乏自适应机制。

这个方向在追问的核心问题

  1. 如何在不牺牲有效性的前提下,利用辅助变量提高抽样效率? 主流答案是 AIPW 估计量 + 与残差标准差成比例的抽样概率(Neyman 分配),但这一答案依赖于对残差方差的准确估计。
  2. 当最优抽样规则未知时,如何通过自适应学习逼近它? 多波设计是主流方案,但现有理论对"学习误差"的刻画多为渐近的,缺乏有限样本的显式界。
  3. 设盲约束对自适应设计的影响有多大? 这是本文提出的新问题。设盲意味着抽样规则不能利用处理分配信息,这在两臂残差方差不等时会造成效率损失。本文给出了这一损失的显式分解。
  4. 预测模型与抽样规则的交互如何影响最终推断? 这是 PPI 与主动推断文献的核心关切,本文的 Theorem 5 给出了一个初步回答:预测误差通过残差方差误差进入方差损失,且该损失是线性的(一般情形)或二次的(无截断情形)。

⚠️ 作者的 framing(这是作者的说法)

作者将本文的贡献框定为"设盲自适应抽样"(blinded adaptive sampling),并强调两个卖点:(i) 估计量对任意工作模型均无偏(Theorem 1),这继承了 AIPW 的稳健性;(ii) 给出了学习抽样规则的方差损失界,且该界将初始样本量与模型学习率联系起来(Theorem 5, Corollary 7)。作者将设盲设计的效率损失分解为两项:一项来自两臂残差方差不等(Gσ),另一项来自条件处理效应(Gd),并指出后者在零假设附近是二阶小量。作者淡化了以下竞争路线:(a) 完全忽略设盲约束、直接使用处理分配信息的"非设盲"设计(如 Gilbert et al., 2014),认为其在实际中不可行;(b) 固定分层设计(如 Mozer et al., 2026),认为其缺乏自适应性。一个值得注意的回避:作者在引言中承认"设盲设计因两臂残差方差不等而损失一项",但并未讨论这一损失是否可以通过事后(post-hoc)利用处理分配信息来部分恢复——尽管 Remark 1 提到了臂特异预测的可能性,但明确将其留作未来工作。

张力

  • 未见明显对立引用。被引工作之间在"最优抽样概率与残差标准差成正比"这一核心结论上高度一致(Gilbert et al., 2014; Tao et al., 2017; Zrnic and Candès, 2024; Kluger and Bates, 2026)。一个微妙的张力存在于 PPI(Angelopoulos et al., 2023)与主动推断(Zrnic and Candès, 2024)之间:PPI 强调"预测 + 随机抽样"即可获得有效推断,而主动推断强调"预测指导抽样"可以进一步提高效率。本文站在后者一边,但 Theorem 5 表明:当预测模型较差时,自适应抽样可能不如简单随机抽样(见 Sfyraki and Wang, 2026 的发现),这是一个值得注意的边界条件。

二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

符号清单(按类别分组):

类别 符号 含义
参数 / 估计目标 \(\Delta = \mu_1 - \mu_0\) 边际处理效应(estimand),即两臂结局均值之差
\(\mu_a = E(Y_i^a)\) 潜在结局 \(Y_i^a\) 的期望(\(a \in \{0,1\}\))
随机变量 / 样本 \(A_i \in \{0,1\}\) 随机化处理分配(已知,但设盲期间对抽样者不可见)
\(X_i\) 辅助变量(对所有受试者可见,廉价)
\(Y_i\) 昂贵结局(仅对抽样选中的受试者测量)
\(R_i \in \{0,1\}\) 结局是否被测量的指示变量
\(Y_i^a\) 潜在结局(counterfactual,不可观测)
维数 / 样本量 \(n\) 总样本量
\(m = \|S_0\|\) 初始随机样本量
\(n_a\) 臂 \(a\) 的样本量
设计参数 \(\pi_i(X_i)\) 第 \(i\) 个受试者的抽样概率(由 \(H_{i-1}\) 决定)
\(\epsilon, u\) 抽样概率的下界和上界(\(0 < \epsilon \le \pi_i \le u \le 1\))
\(\rho\) 期望测量比例
模型对象 \(f_i(X_i)\) 结局的预测模型(工作模型,可错误)
\(r_i(X_i)\) 残差方差模型 \(E[\{Y - f_i(X)\}^2 \mid X]\)
信息集 \(H_{i-1}\) 决策前可用的信息(含 \(X\)、\(S_0\)、已测结局,不含 \(A\))
\(D_n\) 完整试验数据(含所有 \(A, X, Y\),仅用于理论分析)

数据生成机制:

  1. 受试者 \(i = 1, \dots, n\) 独立同分布,具有潜在结局 \((Y_i^0, Y_i^1)\) 和辅助变量 \(X_i\)。
  2. 处理分配 \(A_i\) 独立于 \((X_i, Y_i^0, Y_i^1)\),且 \(P(A_i = a) = p_a\)(已知,有界远离 0)。
  3. 设盲约束:抽样决策者只能看到 \(H_{i-1}\)(含 \(X\)、初始样本、已测结局),看不到 \(A_i\)。
  4. 抽样机制:\(P(R_i = 1 \mid D_n, S_0, R_1, \dots, R_{i-1}) = \pi_i(X_i)\),其中 \(\pi_i\) 是 \(H_{i-1}\)-可测的,且 \(\epsilon \le \pi_i \le 1\)。这称为可预测抽样(predictable sampling)。
  5. 可观测数据:对所有 \(i\) 观测 \((A_i, X_i)\);对 \(R_i = 1\) 的个体观测 \(Y_i\);对 \(R_i = 0\) 的个体 \(Y_i\) 缺失。

核心识别假设:一致性(\(Y_i = Y_i^{A_i}\))+ 随机化(\(A_i \perp (Y_i^0, Y_i^1)\))。注意:不需要假设工作模型 \(f_i\) 正确,也不需要假设抽样机制已知(只需记录)。

第二步:最小内核

问题:设 \(n = 4\) 名受试者,\(A = (1, 1, 0, 0)\),\(X = (x_1, x_2, x_3, x_4)\)。预算只允许测量 2 个结局。如何选择测量对象,使得 \(\hat{\Delta}\) 的方差最小?

核心思想:将估计量写成"预测 + 纠偏"的形式。对每个受试者定义修正结局(corrected outcome):

\[U_i = f_i(X_i) + \frac{R_i}{\pi_i(X_i)}[Y_i - f_i(X_i)]\]

关键观察:\(U_i\) 的构造使得 \(E(U_i \mid D_n, S_0) = Y_i\)(Theorem 1)。这意味着无论 \(f_i\) 和 \(\pi_i\) 如何选择(只要满足可预测性),\(\hat{\Delta}\) 都是 \(\Delta_n\)(完整数据下的处理效应)的无偏估计。预测模型 \(f_i\) 的作用不是消除偏差,而是降低方差:当 \(f_i\) 接近真实条件均值时,\(Y_i - f_i(X_i)\) 的方差变小,从而抽样不确定性对估计量的影响变小。

最小例子:假设 \(f_i(x) \equiv \bar{Y}_{S_0}\)(初始样本均值),\(\pi_i(x) \equiv 1/2\)(均匀抽样)。则:

\[U_i = \bar{Y}_{S_0} + 2R_i(Y_i - \bar{Y}_{S_0})\]
  • 若 \(R_i = 1\):\(U_i = 2Y_i - \bar{Y}_{S_0}\)
  • 若 \(R_i = 0\):\(U_i = \bar{Y}_{S_0}\)

为什么有效:\(E(U_i \mid D_n, S_0) = \bar{Y}_{S_0} + 2 \cdot \frac{1}{2}(Y_i - \bar{Y}_{S_0}) = Y_i\)。无偏性来自已知的抽样概率,而非模型的正确性。

最优抽样规则:若 \(f_i\) 固定,最优 \(\pi_i\) 与 \(|Y_i - f_i(X_i)|\) 成正比(Neyman 分配)。但 \(Y_i\) 未知,所以用 \(\sqrt{r_i(X_i)}\) 近似,其中 \(r_i\) 是残差方差的估计。自适应体现在:先用初始样本估计 \(r_i\),再据此设定后续抽样概率。

本文的核心数学贡献:当 \(\pi_i\) 和 \(f_i\) 是从数据中学习的(而非预先固定),Theorem 5 给出了方差损失的显式界。该界将损失分解为两部分:残差方差模型的估计误差(线性项)和预测模型的估计误差(二次项,无截断时)。这回答了"学习抽样规则本身需要付出多少代价"这一核心问题。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在 RCT 中,当结局测量昂贵且抽样决策者对处理分配设盲时,如何设计自适应抽样规则以最小化处理效应估计的方差,同时保证估计的无偏性和置信区间的有效性。
  2. 核心工具 / 方法:增广逆概率加权(AIPW)估计量 + 可预测抽样规则 + 鞅中心极限定理(martingale CLT),并给出了学习抽样规则的方差损失界。
  3. 主要结论:设盲自适应抽样对任意工作模型均无偏;方差损失可分解为残差方差模型误差(线性)和预测模型误差(二次,无截断时);与使用处理分配的设计相比,设盲设计损失两项——一项来自两臂残差方差不等(Gσ),另一项来自条件处理效应(Gd),后者在零假设附近是二阶小量。

关键设定与假设

  • 可预测抽样(公式 1):\(P(R_i = 1 \mid D_n, S_0, R_1, \ldots, R_{i-1}) = \pi_i(X_i)\),且 \(\pi_i\) 是 \(H_{i-1}\)-可测的。这是整个理论的基石,它保证了鞅差结构,使得 Theorem 1 和 2 成立。相比 Zrnic and Candès (2024) 的设定,本文增加了设盲约束(\(H_{i-1}\) 不含 \(A_i\)),这是一个实质性的收紧。
  • 概率有界:\(\epsilon \le \pi_i \le u \le 1\),保证逆概率权重不会爆炸。
  • 矩条件:\(\sup_{i,n} E\{Y_i^4 + f_i(X_i)^4\} < \infty\),用于鞅 CLT 的 Lyapunov 条件。
  • 固定臂样本量:\(n_a\) 由设计固定(RCT 的标准设定),这简化了渐近分析。
  • 无正确模型假设:\(f_i\) 和 \(r_i\) 可以是错误的,不影响无偏性,只影响效率。

相比已有文献的放宽/收紧: - 相比 Tao et al. (2017, 2020):本文允许多波自适应更新,而非一次性固定抽样概率。 - 相比 Zrnic and Candès (2024):本文增加了设盲约束,并给出了设盲与非设盲设计的效率比较(Theorem 8)。 - 相比 Kluger and Bates (2026):本文聚焦于均值差这一简单估计目标,而非一般 M-估计量,但给出了更精细的方差损失分解。

主要结果

Theorem 1(抽样无偏性):\(E(\hat{\Delta} \mid D_n, S_0) = \Delta_n\)。这是 AIPW 估计量的标准性质,但本文的贡献在于证明了它在自适应、可预测、设盲抽样下仍然成立。证明只需一步条件期望,核心是 \(E(R_i/\pi_i \mid D_n, S_0, H_{i-1}) = 1\)。

Theorem 2(渐近正态性):\(\sqrt{n}(\hat{\Delta} - \Delta) \xrightarrow{d} N(0, V_Y + V_R)\),其中 \(V_Y\) 是完整数据下的方差,\(V_R\) 是抽样带来的额外方差。证明路线: 1. 将 \(\hat{\Delta} - \Delta\) 分解为 \((\Delta_n - \Delta) + (\hat{\Delta} - \Delta_n)\)。 2. 第一项是完整数据的中心极限定理,方差 \(V_Y\)。 3. 第二项是鞅差序列的和,条件方差由 (5) 给出,即 \(V_R\)。 4. 用鞅 CLT(Hall and Heyde, 1980, Ch. 3)证明联合正态性,关键是验证条件 Lindeberg 条件,这由四阶矩条件和概率下界 \(\epsilon\) 保证。 5. 标准误 (6) 的相合性由 \(s_a^2 \xrightarrow{p} \text{Var}(U \mid A = a)\) 和鞅差项的方差估计给出。

Proposition 3(Oracle 抽样概率):最优抽样概率 \(\pi^*(x) \propto \sqrt{r_f(x)}\),截断到 \([\epsilon, u]\)。这是 Neyman 分配在两相抽样中的直接应用,证明用 Cauchy-Schwarz 不等式。

Proposition 4(Oracle 节省的测量数):简单随机抽样需要 \(\rho_s = \rho(1 + \kappa_f^2)\) 的测量比例才能达到与 oracle 自适应抽样相同的方差,其中 \(\kappa_f\) 是残差标准差的变异系数。这个结果将效率提升量化为了一个简洁的、只依赖于残差标准差变异程度的量。

Theorem 5(学习抽样规则的代价):这是本文的技术核心。它给出了使用估计的 \(\hat{r}_k\) 代替真实 \(r\) 所造成的方差损失的上界: - 一般情形:损失 \(\le C_\epsilon \|\hat{r}_k - r_k\|_1\)(线性界) - 无截断情形:损失 \(\le \frac{E\sqrt{\hat{r}_k}}{\rho} \cdot \frac{1}{\sqrt{r_{\min}}} \|\sqrt{\hat{r}_k} - \sqrt{r_k}\|_2^2\)(二次界)

证明路线: 1. 利用 \(L_r(\pi)\) 在最优 \(\pi^*\) 处的一阶条件,将 \(L_r(\hat{\pi}) - L_r(\pi^*)\) 表示为 \(\hat{\pi}\) 与 \(\pi^*\) 的偏差的二次型。 2. 对一般情形,用 \(\hat{\pi}, \pi^* \in [\epsilon, u]\) 的有界性直接放缩,得到线性界。 3. 对无截断情形,利用 \(\hat{\pi} = \rho \sqrt{\hat{r}}/E\sqrt{\hat{r}}\) 的显式形式,将偏差表示为 \(\sqrt{\hat{r}} - \sqrt{r}\) 的函数,再用 Cauchy-Schwarz 得到二次界。 4. 关键技巧:将 \(\hat{r}\) 的误差分解为"残差方差模型的估计误差"和"预测模型的估计误差"两部分,分别处理。

Theorem 8(设盲的代价):设盲设计相对于使用处理分配的设计,方差损失为 \(G_\sigma + G_d\),其中 \(G_\sigma\) 来自两臂残差标准差不等,\(G_d\) 来自条件处理效应。证明路线: 1. 将设盲设计的方差写成 pooled 残差方差 \(r_P\) 的函数。 2. 将使用处理分配的设计的方差写成臂特异残差方差 \(s\) 的函数。 3. 两者之差分解为 \(G_\sigma\)(与 \(d\) 无关)和 \(G_d\)(与 \(d\) 有关)两部分。 4. \(G_\sigma \ge 0\) 由 Cauchy-Schwarz 不等式保证;\(G_d \ge 0\) 由 \(r_P \ge s\) 保证。 5. 关键洞察:\(G_d\) 在零假设(\(d = 0\))附近是 \(\|d\|^2\) 阶的,因此设盲设计的损失在效应较小时可忽略。

真实例子与应用

抗真菌试验(Toenail Onychomycosis Trial): - 数据:De Backer et al. (1998) 的随机双盲试验,比较口服特比萘芬(terbinafine)和伊曲康唑(itraconazole)治疗甲癣的效果。294 名患者,1908 次随访。作者使用 272 名在第 4 次随访时有结局记录的患者。 - 结局:第 4 次随访时是否存在中重度甲剥离(onycholysis),二值变量。 - 辅助变量:第 1、2、3 次随访的甲剥离状态、缺失指示、随访时间。 - 目标:估计风险差(risk difference),完整数据值为 \(-0.0126\)。 - 方法应用:初始随机样本 54 人(20%),用其拟合岭回归预测模型和残差方差模型,据此设定剩余 218 人的抽样概率(与 \(\sqrt{\hat{r}}\) 成正比,截断到 \([0.05, 0.95]\))。 - 结果:自适应抽样的经验标准差为 0.0315,而简单随机抽样为 0.0405,相对效率 1.65,即方差降低了 39%。要达到同样的精度,简单随机抽样需要测量 59.8% 的结局,而自适应抽样只需 50%,节省了约 27 个测量。 - 稳健性:覆盖率为 0.949,接近名义水平 0.95,说明鞅 CLT 的近似在有限样本下是可靠的。改变截断界限、初始样本比例、预测模型(岭回归 vs. 逻辑回归)后,相对效率在 1.54 到 1.66 之间,结论稳健。

🔎 结论是否比证明窄

  • 明确被泛化的地方:Theorem 2 的证明假设了 \(\hat{\Delta}\) 的鞅差结构,但 (5) 中的 \(V_R\) 是概率极限。作者在 Remark 2 中承认,当 \(\pi_i\) 依赖于 \(Y\) 的已测值(而非仅 \(X\))时,鞅结构仍然成立,但 \(V_R\) 的显式形式会改变。然而,Theorem 5 的证明假设 \(\hat{r}_k\) 只依赖于 \(X\) 和已测结局,这在实践中是合理的,但论文没有讨论 \(\hat{r}_k\) 依赖已测 \(Y\) 值时(例如用已测结局更新方差模型)的额外代价。
  • 被泛化的第二个地方:Theorem 8 的 \(G_d\) 项在零假设附近是二阶小量,但论文没有给出"零假设附近"的定量刻画(即 \(\|d\|\) 多大时 \(G_d\) 可忽略)。模拟中 \(d = 0.30\) 且 \(G_d\) 较小,但这依赖于具体设定。
  • 被回避的地方:论文没有讨论多重性问题——如果试验有多个结局或中期分析,自适应抽样规则的更新是否会影响整体推断?这在 confirmatory trial 中是一个实际问题。
  • 总体判断:结论的表述基本与证明匹配,但"设盲设计的损失在零假设附近可忽略"这一说法在论文中是以定性方式给出的,缺乏定量边界。

四、开放问题

  1. 最优更新策略:Theorem 5 给出了单次更新的损失界,但多次更新的最优频率是什么?Corollary 6 允许重复更新,但没有回答"何时更新"的问题。扎根于 Corollary 6 后的讨论:"More frequent updating does not automatically improve precision."

  2. 臂特异预测的设盲近似:Remark 1 提到臂特异预测可能更高效,但需要额外理论。一个具体问题是:在设盲约束下,能否用代理变量(如基线协变量与结局的相关性)来近似臂特异预测,而不违反设盲?扎根于 Remark 1:"Arm-specific predictions after unblinding may be more efficient but need separate theory."

  3. 有限样本的鞅 CLT 精度:Theorem 2 是渐近的,模拟中 \(n = 2000\) 时覆盖率接近名义水平,但在 \(n = 500\) 或更小时,鞅 CLT 的近似是否仍然可靠?扎根于 Theorem 2 后的讨论和表 6 中 \(n = 500\) 的结果。

  4. 非独立同分布数据的推广:论文假设受试者独立同分布。对于整群随机试验或纵向数据(如本文示例中的重复测量),抽样规则如何适应聚类结构?扎根于讨论部分:"Survival outcomes, recurrent events, clustered trials, and multivariate outcomes would need sampling criteria tailored to their estimands."

  5. 与 PPI 的深层联系:本文的估计量(公式 2)与 Prediction-Powered Inference 的纠偏估计量在形式上高度相似。一个开放问题是:能否将 PPI 的"预测质量度量"(如预测区间宽度)直接纳入抽样概率的设计,从而在预测质量与抽样成本之间做最优权衡?扎根于引言中对 PPI 文献的引用:"A related literature on prediction-powered inference combines machine-learning predictions with a small number of measured outcomes."

  6. 设盲约束下的效率下界:Theorem 8 给出了设盲设计的方差损失,但没有证明这是所有设盲设计的下界。是否存在更优的设盲自适应策略,其损失小于 \(G_\sigma + G_d\)?扎根于 Theorem 8 的陈述方式——它比较的是"最优设盲设计"与"最优非设盲设计",但"最优设盲设计"本身是否就是本文提出的策略,并未证明。


提示:若要确认上述问题是否为真 gap,建议去读以下近期文献的引言部分(各约 5 篇):(a) 两相自适应设计的近期工作(2023-2026);(b) Prediction-Powered Inference 的后续发展;(c) 临床试验中自适应设计的监管指南(如 FDA 自适应设计指南的更新)。若这些文献的引言都指向同一问题,则为共识性 gap;若互相矛盾,则为机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论