首先用下圖說下分層隨機化

分層隨機化

可以看到，該課題根據(jù)性別及年齡兩個層次最終把患者分為了4個亞組（統(tǒng)計學中，本文的年齡及性別稱做分層名稱，每個層內(nèi)的分類成稱為水平，既本研究有2個層，每個層2個水平）

分層隨機化中，我們在進行分層后最終根據(jù)患者的不同特征把患者分為了各個亞組，再此分為了4個亞組，然后根據(jù)治療方案（納入治療組還是對著組）對患者進行簡單隨機化。

但是，當總體樣本量或每個亞組的樣本量的不大時，在每個亞組進行簡單隨機化容易產(chǎn)生兩組間治療組及試驗租的患者發(fā)生不平衡的情況（比如10個人隨機分組，很容易出現(xiàn)一組7人一組3人的情況）。這時，我們可以引入?yún)^(qū)組隨機化。比如，研究對象共計80例患者，所有層及水平均等分入組，每個亞組20例患者。如果對20例患者進行簡單隨機化很容易產(chǎn)生一組患者人多，一組患者人少的情況。這時候我們利用區(qū)組隨機化，比如可以設(shè)定組的大小為4，強制前4個患者2個治療組2個對照組，這樣可以解決此類問題。

但是如果固定組的大小，每個組別的最后患者就會知道期分組情況，比如下圖，固定區(qū)組大小為4，最后的患者再未進行分組前就能知道期為B治療方案，不利于隱蔽分組的實現(xiàn)。

確定組大小產(chǎn)生的問題，最后的患者可以推斷治療分組情況

R語言中的blockrand包在對患者進行分層后，可以對每個層內(nèi)的每個水平患者進行區(qū)組大小不固定的隨機化，如下圖

利用random包進行區(qū)組大小不定的分層區(qū)組隨機化

醫(yī)科看到，前這四個患者的組大小為4，后續(xù)為2。而此分組大小是軟件根據(jù)每個亞組的人數(shù)隨機產(chǎn)生的。這樣，就無法提前判斷患者的入組情況。

library(blockrand)
set.seed(2021)
## stratified by sex, 20 in stratum, 2 treatments
male <- blockrand(n=20, id.prefix='M', block.prefix='M',stratum='Male')
female <- blockrand(n=20, id.prefix='F', block.prefix='F',stratum='Female')

my.study <- rbind(male,female)

head(my.study,10)

最終結(jié)果

詳細說明網(wǎng)站
https://rdrr.io/cran/blockrand/man/blockrand.html