Covariate Adjustment in Randomized Controlled Trials
Notice bibliographique
Résumé
Introduction & Objective: Unadjusted analyses, fully adjusted analyses, or adjusted analyses based on tests of significance on covariate imbalance are recommended for covariate adjustment in randomized controlled trials. It has been indicated that the tests of significance on baseline comparability is inappropriate, rather it is important to indicate the strength of relationship with outcomes. Our goal is to understand when the adjustment should be used in randomized controlled trials.
 Methods: Unadjusted analysis, fully adjusted analysis, and adjusted analysis based on baseline comparability were examined under null and alternative hypothesis by simulation studies. Each data set was simulated 3000 times for a total of 9 scenarios for sample sizes of 20, 40, and 100 each with baseline thresholds of 0.05, 0.1, and 0.2. Each scenario was examined by the change in magnitude of correlation from 0.1 to 0.9.
 Results: Power of fully adjusted analysis under alternative hypothesis was increased as the correlation increased while adjusted analysis based on the covariate imbalance did not compare favorably to the unadjusted analysis. Type 1 error was decreased in adjusted analysis based on the covariate imbalance under null hypothesis. It was then observed that p-value does not follow a uniform distribution under the null hypothesis.
 Conclusion: Unadjusted and fully adjusted analyses were valid analyses. Full adjustment could potentially increase the power if adjustment is known. However, adjusted analysis based on the test of significance on covariate imbalance may not be a valid analysis. Tests of significance should not be used for comparing baseline comparability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,119 | 0,383 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».