自适应随机化算法
Adaptive Randomization Algorithm
要点：
我正在寻找一种随机化算法，该算法可以针对每个受试者，查看所有以前的测量值，确定受试者是否会落入高端或低端，然后确保每个组中大约有一半被分配到实验条件。
详情：
我正在构建一个具有两个自变量的研究应用程序。一个是我可以分配的实验操作。我们称这些为 X（实验）和 C（控制）。另一个是具有两种分类类型的个人特征，通过量表来衡量。我们将这些称为 P1（类型 1）和 P2（类型 2）。
所以它本质上是一个 2x2，其中我有 4 个条件（P1X、P1C、P2X、P2C）。我正在招募大约 120 个科目，所以理想情况下我会在每个条件下分配 30 个科目。
我有三个问题。
1) 根据文献，我预计我的样本中 P1 和 P2 特征之间的自然比例为 50/50。但是，我不能确定，因为我的人口不是我认为的一般人口，而一般人口是分裂估计的来源。
2) X 或 C 操作的简单随机化不一定保证平等分配。这加剧了第一个问题，就好像我看到了P1 40% 和 P2 60% 拆分，48 的 50%（X 或 C）让我剩下 24 个人。当然，情况可能更糟。如果对于这个较小的子样本，实验操作的随机分配最终不到 50%，那么情况可能会更糟。担心的是我可能会留下太小的样本来 运行 我的分析。
3) 另一个复杂的问题是类别 P1 和 P2 有时不太明确，而是相对的。通常我们只是通过中位数拆分 P1 和 P2。它是根据几个刻度测量值（总范围 0-20）的总和确定的。然而，在我的样本中，我们可能会看到一些偏向于某一端的情况。在这种情况下，我可能不得不做一个相对比较。在这种情况下，我不知道分割样本的中位数在哪里。但是无论中位数变成什么，我都会说 "these people are more P1 than P2" 之类的话，反之亦然。但我不知道我的样本的平均值或标准差是多少。
我的实验可以做什么：
我能做的是测量人们的 P1/P2 类型 ，然后 将他们分配给 X 或 C。我无法在分配之前预先测试每个人，所以我'一次只能了解 1 个主题的大图，直到它用足够的样本稳定下来。
问题：
所以简而言之，是否存在一种随机化算法可以适应这些未知数，因为我从一个实验到下一个实验了解得更多？
基本上我想测量受试者的 P1/P2 测量值，将其与截至该点的整个样本进行比较，看看它们是否更可能位于 P2 的上半部分或下半部朝向 P1。然后，在我弄清楚这一点之后，我想以一种比简单随机更好的方式将它们分配给 X 或 C，这样我将在每种情况下获得相同数量的参与者。
我不确定这里是否适合提问，也许 Stack Cross-Validated？无论如何，如果您有任何建议，请提前致谢。
补充说明：
应用程序已在 Javascript 中完成编程。
第一个技巧，您需要一个优先级队列。 Google 给我 https://github.com/adamhooper/js-priority-queue JavaScript。其实你需要两个。一个给你P2最小的，一个给你P1最大的。
完成后，您需要为 4 个组保留 4 个计数器。
第一个人被随机分配到控制组或实验组。第二个赋值给另一个，然后两个赋值给P1和P2。然后将计数器初始化为 1 和 0。
对于你随后遇到的每个人，你将他们与 P2 中最大的人、P1 中最小的人进行比较，然后决定他们进入哪个组以及是否需要在组之间移动某人。如果您需要移动某人，请这样做并更新计数器。然后根据他们所在的 Pi 中不太常见的情况将它们分配给治疗或控制，打破在另一个 Pi 中不太常见的联系，随机打破任何进一步的联系。
这不能保证平均分配，但它确实做出了真诚的努力来产生一个。
要点：
我正在寻找一种随机化算法，该算法可以针对每个受试者，查看所有以前的测量值，确定受试者是否会落入高端或低端，然后确保每个组中大约有一半被分配到实验条件。
详情：
我正在构建一个具有两个自变量的研究应用程序。一个是我可以分配的实验操作。我们称这些为 X（实验）和 C（控制）。另一个是具有两种分类类型的个人特征，通过量表来衡量。我们将这些称为 P1（类型 1）和 P2（类型 2）。
所以它本质上是一个 2x2，其中我有 4 个条件（P1X、P1C、P2X、P2C）。我正在招募大约 120 个科目，所以理想情况下我会在每个条件下分配 30 个科目。
我有三个问题。
1) 根据文献，我预计我的样本中 P1 和 P2 特征之间的自然比例为 50/50。但是，我不能确定，因为我的人口不是我认为的一般人口，而一般人口是分裂估计的来源。
2) X 或 C 操作的简单随机化不一定保证平等分配。这加剧了第一个问题，就好像我看到了P1 40% 和 P2 60% 拆分，48 的 50%（X 或 C）让我剩下 24 个人。当然，情况可能更糟。如果对于这个较小的子样本，实验操作的随机分配最终不到 50%，那么情况可能会更糟。担心的是我可能会留下太小的样本来 运行 我的分析。
3) 另一个复杂的问题是类别 P1 和 P2 有时不太明确，而是相对的。通常我们只是通过中位数拆分 P1 和 P2。它是根据几个刻度测量值（总范围 0-20）的总和确定的。然而，在我的样本中，我们可能会看到一些偏向于某一端的情况。在这种情况下，我可能不得不做一个相对比较。在这种情况下，我不知道分割样本的中位数在哪里。但是无论中位数变成什么，我都会说 "these people are more P1 than P2" 之类的话，反之亦然。但我不知道我的样本的平均值或标准差是多少。
我的实验可以做什么：
我能做的是测量人们的 P1/P2 类型 ，然后 将他们分配给 X 或 C。我无法在分配之前预先测试每个人，所以我'一次只能了解 1 个主题的大图，直到它用足够的样本稳定下来。
问题：
所以简而言之，是否存在一种随机化算法可以适应这些未知数，因为我从一个实验到下一个实验了解得更多？
基本上我想测量受试者的 P1/P2 测量值，将其与截至该点的整个样本进行比较，看看它们是否更可能位于 P2 的上半部分或下半部朝向 P1。然后，在我弄清楚这一点之后，我想以一种比简单随机更好的方式将它们分配给 X 或 C，这样我将在每种情况下获得相同数量的参与者。
我不确定这里是否适合提问，也许 Stack Cross-Validated？无论如何，如果您有任何建议，请提前致谢。
补充说明：
应用程序已在 Javascript 中完成编程。
第一个技巧，您需要一个优先级队列。 Google 给我 https://github.com/adamhooper/js-priority-queue JavaScript。其实你需要两个。一个给你P2最小的，一个给你P1最大的。
完成后，您需要为 4 个组保留 4 个计数器。
第一个人被随机分配到控制组或实验组。第二个赋值给另一个，然后两个赋值给P1和P2。然后将计数器初始化为 1 和 0。
对于你随后遇到的每个人，你将他们与 P2 中最大的人、P1 中最小的人进行比较，然后决定他们进入哪个组以及是否需要在组之间移动某人。如果您需要移动某人，请这样做并更新计数器。然后根据他们所在的 Pi 中不太常见的情况将它们分配给治疗或控制，打破在另一个 Pi 中不太常见的联系，随机打破任何进一步的联系。
这不能保证平均分配，但它确实做出了真诚的努力来产生一个。