Фан Ся и Гэри Чан: Надежный и эффективный полупараметрический вывод для ступенчатого клиновидного...

Подпишитесь на канал, чтобы получать уведомления о выходе новых видео. Поставьте лайк видео, чтобы сообщить YouTube, что вы хотите видеть больше подобного контента в своей ленте. Информацию о будущих семинарах смотрите на нашем сайте: https://sites.google.com/view/ocis/home Вторник, 12 мая 2026 г.: Совместный вебинар OCIS+INI Докладчики: Фань Ся (Калифорнийский университет, Сан-Франциско) и Гэри Чан (Вашингтонский университет) Время: Начало мероприятия в 8:30 утра по тихоокеанскому времени / 11:30 утра по восточному времени / 16:30 по лондонскому времени / 23:30 по пекинскому времени Название: Надежный и эффективный полупараметрический вывод для ступенчатого клиновидного дизайна Аннотация: Ступенчатые клиновидные дизайны (SWD) все чаще используются для оценки лонгитюдных вмешательств на уровне кластеров, но представляют собой существенные проблемы для достоверного вывода. Поскольку время пересечения рандомизировано, эффекты вмешательства по своей природе смешиваются с долгосрочными временными трендами, а гетерогенность между кластерами, сложные корреляционные структуры, дисбаланс базовых ковариат и небольшое количество кластеров еще больше усложняют вывод заключений. Мы предлагаем единую полупараметрическую структуру для оценки потенциально изменяющихся во времени эффектов вмешательства в исследованиях SWD. В рамках полупараметрической модели контраста лечения мы разрабатываем нестандартную полупараметрическую теорию эффективности, которая учитывает коррелированные наблюдения внутри кластеров, различные размеры периодов кластеров и слабо зависимые назначения лечения. Полученная оценка является состоятельной и асимптотически нормальной даже при неправильно заданной структуре ковариации и средних значениях периодов контрольных кластеров, и является эффективной, когда оба параметра заданы правильно. Чтобы обеспечить вывод заключений с небольшим количеством кластеров, мы используем структуру перестановок назначения лечения, чтобы предложить оценку стандартной ошибки, отражающую изменчивость конечной выборки, с поправкой «исключения одного» для уменьшения смещения, вызванного подстановкой. Предложенная методика также позволяет беспрепятственно учитывать корректировку несбалансированных базовых переменных точности посредством корректировки на основе дизайна исследования, которая, как показано, тесно связана с постстратификацией, или двойной корректировки, которая дополнительно включает компонент, основанный на результатах. Моделирование и применение в исследовании в области общественного здравоохранения демонстрируют надежность и эффективность предлагаемого метода по сравнению со стандартными подходами.