Fast Rerandomization via the BRAIN
通过 BRAIN 实现快速再随机化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：摘要围绕随机实验的处理分配、协变量平衡、处理效应估计与随机化推断展开，因此归入因果推断这一直接相关方向。
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…
通过 BRAIN 实现快速再随机化
- 研究问题
- 如何降低再随机化中反复接受或拒绝分配的计算成本，同时维持协变量平衡及处理效应估计的统计性质，服务随机化推断？
- 方法与思路
- 作者借鉴整数规划中的元启发式方法提出 BRAIN，以较低计算负担生成满足协变量平衡要求的分配，并用模拟和真实数据展示。
- 材料陈述的贡献
- 摘要称 BRAIN 加快抽样，并提供无偏处理效应估计；相对完全随机化降低方差，同时保留传统再随机化的有利统计性质。
- 阅读关注点
- 应核对算法实际诱导的分配分布、无偏性和方差降低的条件，以及独立抽样、随机化检验和分层或整群设计如何处理。
- 阅读边界
- 本文为 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出算法细节、加速数值或保证条件，不能仅凭平衡认定推断有效。
原文摘要
Randomized experiments are a crucial tool for causal inference in many different fields. Rerandomization addresses any covariate imbalance in such experiments by resampling treatment assignments until certain balance criteria are satisfied. However, rerandomization based on naïve acceptance-rejection sampling is computationally inefficient, especially when numerous independent assignments are required to perform randomization-based statistical inference. Existing acceleration methods are suboptimal and not applicable in structured experiments, including stratified and clustered experiments. Based on metaheuristics in integer programming, we propose BRAIN -- a novel computationally-lightweight methodology that ensures covariate balance in randomized experiments while significantly accelerating the computation. Our BRAIN method provides unbiased treatment effect estimators with reduced variance compared to complete randomization, preserving the desirable statistical properties of traditional rerandomization. Simulation studies and a real data example demonstrate the benefits of our method in fast sampling while retaining the appealing statistical guarantees.