摩根和鲁宾（2012 年统计年鉴）使用的重新随机化是一种受限随机化形式。假设您的所有受试者都可用于随机化，例如，您将 20 家医院随机分为两组。您希望两个臂在重要协变量方面相似，例如医院规模、教学医院等。如果您有多个协变量，则一个或多个协变量存在不平衡的可能性非常大。在罕见但严重的情况下，协变量可能高度不平衡。如果您可以在开始干预之前检查随机化的平衡并发现不平衡，您可以重做简单的随机化，直到您第一次获得具有令人满意的平衡的随机化。

不考虑使用重新随机化这一事实的统计测试将是保守的，例如，您的两样本 t 检验的 p 值平均而言有点过大，因此该测试的 I 型错误是太低了，第二类错误比它必须的要高。但是，在决定是否接受随机化时针对您考虑的协变量进行调整的测试，例如针对模型中的这些协变量进行调整的多元回归，将具有大致正确的标准误差和“更好的”错误率。

重新随机化是受限随机化的一种形式，但有几种可行的选择。其他方法包括分层随机化、匹配随机化（参见 Greevy、Lu、Silber、Rosenbaum Biostatistics 2004；Kapelner 和 Krieger Biometrics 2014 等）和最小化（参见 Pocock 和 Simon Biometrics 1975；以及许多其他方法）。匹配随机化和最小化的优点是它们可以用于顺序进入试验，其中患者一次或小批量到达，并且它们在样本量和协变量数量方面很好地扩展，而不是普通的分层随机化在多个协变量的情况下表现不佳。任何形式的受限随机化通常都比简单随机化提供更大的收益。