Treatment effect estimation with Multilevel Regression and Poststratification
利用多层回归与后分层估计处理效应AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接比较随机试验中的小区域处理效应估计方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用多层回归与后分层估计处理效应
- 研究问题
- 多层回归与后分层能否用于实验因果推断，在分层整群抽样和处理效应异质性下准确估计小区域处理效应？
- 方法与思路
- 作者模拟采用分层整群抽样的大规模随机试验，将 MRP 与传统及非参数处理效应方法比较，并扩展后分层以纳入非普查协变量。
- 材料陈述的贡献
- 摘要称在所设模拟中，MRP 对仅占总体百分之一点三的小区域仍具有较低偏差和方差，并允许处理效应异质性。
- 阅读关注点
- 应核对试验随机化与抽样设计、区域效应目标、多层模型的收缩方式，以及非普查协变量如何进入后分层权重或预测。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供模拟参数及数值，偏差和方差优势不能推及所有模型设定。
原文摘要
Multilevel regression and poststratification (MRP) is a flexible modeling technique that has been used in a broad range of small-area estimation problems. Traditionally, MRP studies have been focused on non-causal settings, where estimating a single population value using a nonrepresentative sample was of primary interest. In this manuscript, MRP-style estimators will be evaluated in an experimental causal inference setting. We simulate a large-scale randomized control trial with a stratified cluster sampling design, and compare traditional and nonparametric treatment effect estimation methods with MRP methodology. Using MRP-style estimators, treatment effect estimates for areas as small as 1.3$\%$ of the population have lower bias and variance than standard causal inference methods, even in the presence of treatment effect heterogeneity. The design of our simulation studies also requires us to build upon a MRP variant that allows for non-census covariates to be incorporated into poststratification.