Quantile treatment effects and bootstrap inference under covariate‐adaptive randomization
协变量自适应随机化下的分位数处理效应与自助法推断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。
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：摘要直接研究随机实验中的分位数处理效应及其推断。
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…
关注这篇论文的作者
协变量自适应随机化下的分位数处理效应与自助法推断
- 研究问题
- 在协变量自适应随机分配中，如何估计分位数处理效应，并选择能正确反映分配依赖结构的自助法推断程序？
- 方法与思路
- 作者研究简单分位数回归与逆倾向得分加权回归，推导分位数索引上的统一渐近分布，并比较两类自助法。
- 材料陈述的贡献
- 摘要称未达到强平衡时加权估计渐近方差较小；协变量自适应自助法对两种方法均可实现名义渐近检验水平。
- 阅读关注点
- 应核对强平衡的定义、倾向得分估计方法、加权自助法导致简单回归检验不足拒绝的机制，以及重抽样规则。
- 阅读边界
- 仅据所给 Crossref 摘要，随机化与正则条件未详述；方差优势有明确条件，渐近水平也不保证有限样本表现，不推断刊本变化。
原文摘要
In this paper, we study the estimation and inference of the quantile treatment effect under covariate‐adaptive randomization. We propose two estimation methods: (1) the simple quantile regression and (2) the inverse propensity score weighted quantile regression. For the two estimators, we derive their asymptotic distributions uniformly over a compact set of quantile indexes, and show that, when the treatment assignment rule does not achieve strong balance, the inverse propensity score weighted estimator has a smaller asymptotic variance than the simple quantile regression estimator. For the inference of method (1), we show that the Wald test using a weighted bootstrap standard error underrejects. But for method (2), its asymptotic size equals the nominal level. We also show that, for both methods, the asymptotic size of the Wald test using a covariate‐adaptive bootstrap standard error equals the nominal level. We illustrate the finite sample performance of the new estimation and inference methods using both simulated and real datasets.