要点：
我正在寻找一种随机化算法，可以针对每个受试者，查看所有先前的测量，确定受试者是否会落入高端或低端，然后确保这些组中的大约一半被分配到实验条件。
详细信息：
我正在构建一个有两个独立变量的研究应用程序。一个是我可以分配的实验性操作。我们称之为X（实验）和C（控制）。另一种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）。
所以它基本上是2x2，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分配30个科目。
我有三个问题。
1）根据文献，我预计样本中P1和P2特征之间会有50/50的自然分离。但是，我无法确定，因为我的人口不是我所考虑的普通人口，而这是一个分裂估计来源的地方。
2）X或C操作的简单随机化不一定能保证均等分布。这加剧了第一个问题，就像我看到的那样P1 40％和P2 60％分裂，50％（X或C）48分给我24人。当然，情况可能会更糟。如果对于这个较小的子样本，实验操作的随机分配最终小于50％，那么再次，它可能更糟。令人担心的是，我可能会留下太少的样本来进行分析。
3）另一个复杂因素是P1和P2类别有时不太明确且相对较多。通常我们只是通过中位数分割P1和P2。它是根据几个尺度测量的总值确定的（总范围0-20）。但是，在我的样本中，我们可能会看到一些偏向某一端。在这种情况下，我可能需要进行相对比较。在这种情况下，我不知道分割样本的中位数。但无论中位数如何变化，我都会说“这些人比P2更多P1”，反之亦然。但我不知道我的样本的平均值或标准差是多少。我在实验中可以做些什么：
我可以做的是在分配给X或C之前测量人的P1 / P2类型。我无法在分配前预先测试每个人所以我只会知道更大的图片1一次受试者，直到它有足够的样本稳定。
问题：
所以简而言之，问题是，是否存在可以适应这些未知数的随机化算法，因为我从一个实验到下一个实验都知道更多？
基本上我想测量受试者的P1 / P2测量值，将其与整个样本进行比较直到该点，并找出他们是或多或少可能在上半部分朝向P2或下半部分朝向P1。然后在我想出这个之后，我想以一种确保比简单随机更好的方式将它们分配给X或C，我将在每种条件下获得相同数量的参与者。
我不确定这是否是正确的问题，也许Stack Stack-Validated？无论如何，如果你有一些建议，请提前谢谢。
额外注意事项：
应用程序完全用Javascript编程。
答案 0 :(得分：1)
第一招，你需要一个优先级队列。谷歌为我提供https://github.com/adamhooper/js-priority-queue JavaScript。其实你需要两个。一个给你最小的P2，另一个给你最大的P1。
完成后，您需要为4组保留4个计数器。
第一个人被随机分配到控制或实验。第二个分配给另一个，然后将两个分配给P1和P2。然后将计数器初始化为1和0。
对于您遇到的每个后续人员，您将它们与P2中的最大值进行比较，最小值为P1，并确定它们进入哪个组以及是否需要在组之间移动某个人。如果您需要移动某人，请执行此操作并更新计数器。然后将它们分配给治疗或控制，基于它们在Pi中不太常见，打破其他Pi中不太常见的关系，随机打破任何进一步的关系。
这不能保证均匀分裂，但它确实能够真诚地生成一个。