📊 statistics

Discretization in covariate-adaptive randomization: gains and losses

本文全面分析了在协变量自适应随机化中对连续协变量进行离散化处理的影响，证明了虽然离散化通常能增强对模型误设的鲁棒性，但当真实底层模型已知时，最有效的策略仍然是根据该模型进行协变量平衡。

原作者： Zixuan Zhao, Feifang Hu

发布于 2026-09-11

📖 1 分钟阅读☕ 轻松阅读

原作者： Zixuan Zhao, Feifang Hu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在临床试验的高风险世界中，研究人员不断试图确保接受新疗法的患者与接受标准疗法的患者具有可比性。如果两组人群在重要方面存在差异——例如年龄、体重或血压——那么就无法判断药物是否有效，还是结果仅仅是由这些预先存在的差异造成的。为了解决这个问题，科学家们使用了一种称为“随机化”的方法，通过机会随机将患者分配到不同组别。然而，简单的随机分配有时会导致意外的不平衡，尤其是在涉及许多因素时。为了修正这一点，研究人员经常使用一种更智能的方法，称为“协变量自适应随机化”。这种方法会观察到来的每位患者的具体特征，并以一种能够使这些特征在两组之间保持总体稳定的方式将其分配到组别中。

在这些试验中，一种常见的做法是将连续测量值（如一个人的精确血压或胆固醇水平）切分为宽泛的类别，例如“高”或“低”。这个过程被称为“离散化”（discretization），它将平滑的刻度转变为离散的桶状分类。几十年来，这一直是管理复杂数据的标准方式，部分原因是它更容易处理，并且通常更符合医生对疾病风险的认知。然而，随着统计方法的发展，已经能够直接处理连续数据而无需将其切割，一个问题随之而来：这种将数据切碎的老习惯究竟是损害了试验的准确性，还是仍然具有价值？

乔治华盛顿大学的一个统计学家团队致力于通过严谨的研究来回答这个问题。他们建立了一个全面的数学框架，来研究在设计试验时将连续数据离散化与保持其完整性所产生的差异。他们的工作包括开发新的理论来预测这些不同方法如何影响最终结果，运行了数千次计算机模拟来测试这些理论，并将他们的发现应用于一个糖尿病研究的真实数据集。其目标是确定何时通过分组数据是有益的，以及何时最好保留连续数据。

研究人员发现，答案很大程度上取决于人们对患者特征与其健康结果之间关系的了解程度。如果科学家知道将患者特征与康复情况联系起来的精确数学规则，那么最有效的策略是根据该特定规则利用连续数据来平衡各组。在这种理想情况下，将数据切分成碎片会浪费有用信息，并降低试验检测真实效应的能力。然而，在现实世界中，这种完美的规则几乎从未被知晓。当关系未知或复杂时，研究表明离散化成为了一个强大的工具。通过将患者归入类别，设计变得对后期使用的统计模型中的错误更具鲁棒性（稳健性）。研究人员证明，这种方法可以保护试验免受因试图用简单的模型去拟合混乱的现实世界数据而产生的误差。

该研究的一个重要部分集中在这些选择带来的统计后果上。团队证明，虽然保持数据连续有时会导致结果出现意想不到的波动——使得试验比简单的随机分配更不可靠——但离散化数据通常可以防止这些问题。他们表明，这种分组数据的常见做法起到了一种“安全网”的作用。它确保了即使在底层假设错误的情况下，各组之间仍能保持平衡。研究还解决了这样一个实际问题：标准的统计检验在数据被分组后往往会变得过于谨慎，从而可能错过真实的效应。为了解决这个问题，作者提出了一种使用计算机重采样的新调整方法，该方法可以修正检验，无论数据是被分组还是保持连续，都能给出准确的结果。

为了验证他们的理论发现，研究人员针对不同的数据模式运行了广泛的模拟，包括变量关系为线性、曲线或发生突变的情景。他们还将这些方法应用于一个涉及西格列汀（一种用于治疗 2 型糖尿病的药物）的大型试验数据集。在这一现实应用中，他们利用实际的患者数据模拟了数千次试验。结果证实，当变量之间的真实关系未知时，采用分组策略并结合特定的综合分析模型，可以提供最可靠且最有力的结果。相反，当在不知道真实模型的情况下保持数据连续时，结果有时会不稳定，导致虚假警报或错失发现的风险增加。

该研究以一套清晰的指南结束，为未来设计试验的研究人员提供指导。如果患者特征与结果之间的关系已被充分理解，那么最好的方法是直接根据已知的连续关系进行平衡。但如果关系未知（这是大多数医学研究的情况），推荐的路径是在设计阶段对数据进行离散化。这意味着在分配治疗方案之前，根据患者的特征将其归入有意义的组别。研究人员还建议使用一种特定的统计分析方法，该方法能够同时兼顾分组情况和组内的连续变化，并配合他们提出的调整方法以确保最终检验的准确性。

这项工作澄清了临床研究中一个长期存在的争论。它超越了“离散化仅仅是信息损失”的简单观点。相反，研究表明，在缺乏完美知识的情况下，将连续测量值转化为类别是一种增强实验可靠性的战略性选择。它起到了稳定器的作用，确保了治疗组之间的比较是公平的，并且从试验中得出的结论是值得信赖的。通过提供理论基础和实践工具，这项研究帮助科学家在精准度与稳健性之间的复杂权衡中寻找方向，确保临床试验能够持续产生清晰、可靠的证据，以改善患者护理。

技术摘要：协变量自适应随机化中的离散化：收益与损失

问题陈述
协变量自适应随机化（Covariate-adaptive randomization, CAR）广泛应用于临床试验，旨在平衡不同治疗组间的预后协变量。虽然连续型协变量经常为了设计目的而被离散化为层（这种做法被称为离散型 CAR 或 DCAR），但离散化对随机化过程及后续统计推断的具体理论后果尚不明确。现有文献通常将离散化视为一种信息损失问题，或仅依赖于经验观察，缺乏一个统一的理论框架来比较在模型误设（model missesspecification）情况下 DCAR、连续型 CAR（CCAR）和混合型 CAR（MixCAR）的表现。本文研究了不平衡度量和治疗效应估计量的渐近性质，以确定何时离散化是有益的，以及何时会产生效率损失。

方法论与框架
作者建立了一个通用的 CAR 程序框架，其中受试者被顺序分配，以最小化预设的不平衡度量 $\text{Imb}_n = \|\Lambda_n\|^2$ ，其中 $\Lambda_n = \sum_{i=1}^n (2I_i - 1)\psi(Z_i)$ 。

设计类型： 本文根据特征映射 $\psi$ $ψ$ 对设计进行分类：
- DCAR： $\psi$ 涉及离散化协变量（层指示变量）。
- CCAR： $\psi$ 涉及连续型协变量（如均值、协方差、核平衡）。
- MixCAR： 结合了离散和连续特征。
推断模型： 分析假设一个部分线性响应模型 $Y_i = \theta_1 I_i + \theta_0 (1-I_i) + g(Z_i) + \varepsilon_i$ $Y_{i} = θ_{1} I_{i} + θ_{0} (1 - I_{i}) + g (Z_{i}) + ε_{i}$ ，其中 $g(\cdot)$ $g (\cdot)$ 是一个未知的、可能非线性的函数。作者评估了三种分析策略下的治疗效应估计和假设检验：
1. ANCOVA： 拟合连续型协变量。
2. SFE（层固定效应）： 拟合层指示变量。
3. CM（组合模型）： 同时拟合层指示变量和层内中心化的连续型协变量。
渐近理论： 研究推导了协变量不平衡度和治疗效应估计量的极限分布。利用鞅中心极限定理和马尔可夫链的性质（特别是不变分布 $\pi_\Lambda$ ）来刻画不同设计/分析组合下的估计量渐近方差。

核心贡献与结果

不平衡度的渐近性质：
- 本文确立了对于函数 $f$ ，DCAR 的不平衡度渐近方差由层内方差决定： $(\sigma_f^{\text{DCAR}})^2 = E\{\text{var}[f(Z) | S]\}$ 。
- 对于 CCAR，渐近方差包含一个与不平衡度马尔可夫链不变分布相关的项： $(\sigma_f^{\text{CCAR}})^2 = E[f^2(Z)] + 2\pi_\Lambda(\zeta_f)$ 。
- 方差膨胀： 一个关键发现是，CCAR 并不总是优于完全随机化（CR）设计。在特定条件下（特别是当特征映射 $\psi$ 为标量且非恒定时），CCAR 会遭受“方差膨胀”，即不平衡度的渐近方差超过了 CR 设计的方差。这归因于分配概率仅取决于不平衡度的符号，而更新幅度则取决于协变量的值。
治疗效应估计与效率：
- 最优精度： 本文将“最优精度”定义为达到不可约误差方差 $\sigma_\varepsilon^2$ 的渐近方差。如果设计能强力平衡真实的响应-协变量函数 $g$ ，或者使用了正确的模型，则可以实现该精度。
- 未知的 $g$ ： 当 $g$ 未知且可能呈非线性时，作者表明 DCAR 通常更具鲁棒性。CCAR 可能导致性能不稳定以及第一类错误率上升。
- 分析策略： 对于 DCAR，包含层指示变量和层内中心化连续型协变量的组合模型（CM）被证明在所有线性调整策略中实现了最小的渐近方差。
- 效率比较： 推导了检验的渐近相对效率（ARE）。如果分析中拟合了所有层，则 DCAR 和 CR 具有相似的效率。然而在实践中，由于层规模过小，进行完全后分层（post-stratification）往往难以实现，此时采用适当建模（CM）的 DCAR 能提供更优的鲁棒性。
自助法（Bootstrap）调整：
- 由于方差高估，标准 Wald 检验在 DCAR 下表现为保守；由于方差膨胀，在 CCAR 下可能表现为反保守。
- 作者提出了一种一致的自助法方差调整方法，可以纠正这些问题，从而在不同设计和分析模型下恢复有效的第 I 类错误率。
实践建议：
- 已知 $g$ ： 如果响应-协变量关系已知，设计应强力平衡 $g$ （例如使用具有正确特征映射的 CCAR）以获得最优效率。
- 未知 $g$ ： 如果 $g$ 未知，建议在设计中使用离散化（DCAR）。分析应采用组合模型（CM）。
- 混合场景： 对于部分已知的结构，建议使用混合设计，即平衡已知组件的同时对未知组件进行离散化。

意义与主张
本文声称提供了对 CAR 中离散化“收益与损失”的首次全面理论研究。它挑战了将离散化仅仅视为信息损失问题的传统观点，将其重新定义为一种“正则化”，决定了协变量进入治疗平衡的分辨率。

理论依据： 该工作为广泛使用的 DCAR 实践提供了理论支持，证明了 DCAR 提供了对抗模型误设（CCAR 可能存在的缺陷）的鲁棒性。
方法论清晰度： 它阐明了 CCAR 遭受方差膨胀的条件，并提供了一个统一的框架来比较 DCAR、CCAR 和 MixCAR。
推断有效性： 通过提出一种广泛有效的自助法调整，本文解决了自适应试验中可能出现的保守或反保守的第一类错误问题，确保了无论使用何种随机化设计，推断依然有效。

作者得出结论：虽然 CCAR 在已知真实模型时具有潜在的效率增益，但在响应-协变量关系不确定的大多数实际场景中，结合了组合模型（CM）和自助法调整的 DCAR 是更优的选择。

类似论文