[论文解读] Up-and-Down and the Percentile-Finding Problem

Assaf P. Oron|ArXiv.org|Aug 21, 2008

Statistical Methods in Clinical Trials参考文献 57被引用 10

一句话总结

本文通过证明k-in-a-row（KR）变体具有单峰平稳分布，推进了百分位数估计的Up-and-Down（U&D）设计，表明其在收敛性和精确度方面优于其他变体。本文引入了中心化序贯回归（CIR）和自动检测估计器用于非参数估计，发展了区间估计方法，并提出了一种混合贝叶斯Up-and-Down（BUD）设计，相较于CRM在稳健性方面表现更优，且在模拟研究中达到或超越了U&D与CRM的性能表现。

ABSTRACT

Up-and-Down (U&D) is a popular sequential design for estimating threshold percentiles in binary experiments. However, U&D application practices have stagnated, and significant gaps in understanding its properties persist. The first part of my work aims to fill gaps in U&D theory. New results concerning stationary distribution properties are proven. A second focus of this study is nonparametric U&D estimation. An improvement to isotonic regression called "centered isotonic regression" (CIR), and a new averaging estimator called "auto-detect" are introduced and their properties studied. Bayesian percentile-finding designs, most notably the continual reassessment method (CRM) developed for Phase I clinical trials, are also studied. In general, CRM convergence depends upon random run-time conditions -- meaning that convergence is not always assured. Small-sample behavior is studied as well. It is shown that CRM is quite sensitive to outlier sub-sequences of thresholds, resulting in highly variable small-sample behavior between runs under identical conditions. Nonparametric CRM variants exhibit a similar sensitivity. Ideas to combine the advantages of U&D and Bayesian designs are examined. A new approach is developed, using a hybrid framework, that evaluates the evidence for overriding the U&D allocation with a Bayesian one.

研究动机与目标

• 为Up-and-Down（U&D）设计理论中的关键理论空白提供补充，特别是关于平稳分布特性与收敛行为的问题。
• 通过引入中心化序贯回归（CIR）与自动检测估计器，改进U&D中的非参数估计，并附带区间估计方法。
• 严格分析贝叶斯持续重新评估方法（CRM）设计的收敛性与小样本行为，挑战其收敛性保证的假设。
• 开发一种混合设计——贝叶斯Up-and-Down（BUD）——结合U&D与CRM的优势，提升稳健性与估计性能。
• 为在边界效应与实验变异性等现实约束条件下选择最优U&D与混合设计提供实用指导。

提出的方法

• 证明k-in-a-row（KR）U&D变体具有单峰平稳分布，与先前文献中的主张相矛盾。
• 提出中心化序贯回归（CIR），一种在中心点附近聚合估计值的改进型序贯回归，以提升精度并减少偏差。
• 开发自动检测估计器，通过自适应平均U&D序列中的反转点来提升估计效率。
• 利用渐近方法与模拟方法，推导CIR与自动检测估计器的区间估计程序。
• 提出贝叶斯Up-and-Down（BUD）设计，采用混合框架在证据累积时以贝叶斯规则取代U&D分配。
• 通过模拟研究与一项麻醉学实验的真实数据，评估不同阈值分布与样本规模下的性能表现。

实验结果

研究问题

• RQ1 k-in-a-row（KR）U&D设计是否具有单峰平稳分布？其在收敛速度与估计精度方面相较于其他U&D变体表现如何？
• RQ2 中心化序贯回归（CIR）是否能显著改进U&D设计中的非参数估计？其理论特性为何？
• RQ3 持续重新评估方法（CRM）的真实小样本行为是什么？在何种条件下其能收敛至最优剂量？
• RQ4 所提出的BUD混合设计在估计精度与稳健性方面，相较于独立的U&D与CRM设计表现如何？
• RQ5 边界效应与异常序列在小样本中对CRM及其非参数变体的可靠性影响有多大？

主要发现

• k-in-a-row（KR）U&D变体具有单峰平稳分布，且被证明是估计中位数以下百分位数（如Q₀.₃与Q₀.₂）时收敛最快、精度最高的U&D设计。
• 相较于标准序贯回归，中心化序贯回归（CIR）能有效降低偏差与均方误差（MSE），尤其在小样本及非均匀阈值分布条件下表现更优。
• 自动检测估计器在非正态阈值设定下，其估计效率优于序贯回归与反转点平均法。
• CRM并不总是收敛至最优剂量；其收敛性对随机运行条件敏感，且小样本行为因异常序列而高度可变。
• BUD混合设计在估计精度方面优于独立的U&D与CRM，在小样本变异性与边界效应的鲁棒性方面也显著更优。
• 在麻醉学实验中，BUD在各次运行中均保持稳定性能，而CRM与CCD表现出较高的运行间变异性，证实了混合设计的优势。