PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.17777v1stat.ME

다중 치료 실험을 위한 반응 적응형 타겟팅 전략에 관하여

On Response-Adaptive Targeting Strategies for Multi-Treatment Experiments

임상 시험에서 반응 적응형 무작위 배정(RAR)은 관측된 결과에 기반하여 환자를 치료에 동적으로 할당함으로써 윤리적 및 통계적 효율성을 높이는 것을 목표로 합니다. 목표 최적 할당에 기반한 RAR은 두 팔(two-arms) 설정에서 광범위하게 연구되었으나, 다중 치료 실험($K \geq 2$)으로의 확장은 여전히 이론적으로 파편화되어 있으며, 대부분의 기존 방법은 특정 알고리즘이나 제한된 목표 할당에 초점을 맞추고 있습니다. 본 논문에서는 Hu et al. [2009]의 ERADE 두 팔 전략을 일반화한 반응 적응형 타겟팅을 위한 통합 프레임워크인 $\alpha$-재균형 타겟팅 전략($\alpha$RTS)을 소개합니다. 우리는 이 계열의 모든 설계가 강한 일치성, 할당 비율 및 치료 효과 추정량의 점근적 정규성, 그리고 점근적 효율성이라는 기본적인 점근적 성질을 공유함을 증명합니다. 일부 치료가 점근적으로 제거되는 희소 목표 레짐(sparse target regimes)을 해결하기 위해, 우리는 점근적 보장을 유지하면서 모든 치료에 대한 무한 샘플링을 보장하는 변형인 강제 탐험(Forced Exploration)을 적용한 $\alpha$RTS를 추가로 제안합니다. 광범위한 시뮬레이션은 3개 팔(3-armed) 맥락에서 $\alpha$RTS 변형들의 유한 표본 거동을 보여주며, 특히 희소 설정에서 강제 탐험의 중요한 역할을 강조합니다.