信息来源：中国人民大学统计与大数据研究院 发布时间：2026年1月18日

在小说阅读器中沉浸阅读2025年12月31日下午，威斯康星大学麦迪逊分校邵军教授受邀访问中国人民大学，开展了主题为“Toward better practice of covariate adjustment inrandomized clinical trials”的讲座，主要探讨随机对照临床试验中协变量调整的规范化实践与方法选择。本次讲座由统计与大数据研究院杨光宇助理教授主持。

在随机对照临床试验的设计与分析中，如何有效利用基线协变量以提升估计精度与统计效率，一直是学术界与监管机构关注的核心问题。传统依赖广义线性模型的协变量调整方法常因模型误设或异质性效应而失去效率增益，进而导致推断失效。以线性ANCOVA模型为例，邵军指出，如果线性工作模型存在误设，那么采用协变量调整会损害估计量的效率，甚至劣于非调整的ANCOVA模型。为此，邵军提出了在模型辅助推断中的三条核心标准：一是协变量调整应当在多数情况下带来效率收益，并且在理论上做到不会变差的效率保证；二是方法应当能覆盖现代临床试验中广泛采用的各类协变量自适应随机化方案，避免重做推导与软件实现；三是推断所依赖的标准误估计必须对模型误设与异方差保持稳健，确保显著性检验与区间估计在现实复杂数据条件下仍然可靠。基于上述标准，邵军推荐采用异质协方差分析思路，在工作模型中同时纳入治疗与协变量的交互项，并将随机化过程中使用的协变量纳入建模。
       在理论层面，邵军证明了包含所有治疗与协变量交互项的异质性工作模型，能够在模型误设下仍保持渐近有效性，并且统计效率在理论上不劣于未调整的估计，在许多常见场景中还能显著提升精度。更进一步，若将随机化所用协变量的联合水平以适当方式纳入模型，该类调整方法在不同随机化方案下可获得统一的渐近分布性质，实现了方法学的普适性，极大简化了实际应用中的推断流程。在模拟与实证分析中，该框架在多臂试验与更复杂指标的估计任务中均展现出良好表现，其配套的稳健方差估计也有效缓解了传统软件在协变量中心化处理、以及异方差情形下可能出现的标准误偏差问题，从而回应了传统 ANCOVA 在效应异质性与多臂试验中可能效率不足的现实痛点。在拓展层面，该思想可以推广至更一般的增强逆概率加权类估计框架，从而兼容线性模型、广义线性模型及现代机器学习预测模型，为模型辅助但不依赖模型正确的临床试验协变量调整提供了更具弹性与可扩展性的技术路径。

        讲座结束后，师生们反映受益良多，不仅拓宽了学术视野，也为他们提供了全新的研究思路和方法，进一步激发了大家的学术热情。研究院今后会继续邀请国内外专家学者开展系列讲座，不断拓宽师生的学术视野，持续打造研究院在学术领域的品牌影响力，为统计与大数据领域的发展贡献更多力量。