Large Scale Longitudinal Experiments: Estimation and Inference
大规模纵向实验：估计与推断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。
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：摘要直接研究纵向随机实验的效应估计，并利用个体截距与面板回归处理重复观测，支持因果推断和面板数据分类。
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…
大规模纵向实验：估计与推断
- 研究问题
- 面对包含数百万干扰参数的纵向随机实验，如何使面板回归可计算，并利用重复观测提高处理效应估计的精度？
- 方法与思路
- 作者借助 Mundlak 思路，以适当的解释变量均值消除个体截距，将常用估计量改写为带频数权重的加权最小二乘形式。
- 材料陈述的贡献
- 摘要称，该改写使大规模分层截距回归可行，压缩数据提升计算效率，并提供 pyfixest 与 duckreg 两个实现库。
- 阅读关注点
- 核对压缩前后估计与标准误的等价条件、随机化分层和重复观测的处理方式，以及精度比较采用的估计量与实验设计。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未交代精度优势的具体条件、幅度及推断细节。
原文摘要
Large-scale randomized experiments are seldom analyzed using panel regression methods because of computational challenges arising from the presence of millions of nuisance parameters. We leverage Mundlak's insight that unit intercepts can be eliminated by using carefully chosen averages of the regressors to rewrite several common estimators in a form that is amenable to weighted-least squares estimation with frequency weights. This renders regressions involving arbitrary strata intercepts tractable with very large datasets, optionally with the key compression step computed out-of-memory in SQL. We demonstrate that these methods yield more precise estimates than other commonly used estimators, and also find that the compression strategy greatly increases computational efficiency. We provide in-memory (pyfixest) and out-of-memory (duckreg) python libraries to implement these estimators.