Randomization Inference with Concentration Inequalities
利用集中不等式开展随机化推断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：摘要以随机实验的样本平均治疗效应为目标，研究基于分配设计的有限样本置信区间。
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
利用集中不等式开展随机化推断
- 研究问题
- 随机实验中，如何为样本平均治疗效应构造具有非渐近覆盖保证的置信区间，减少对有限总体中心极限定理的依赖？
- 方法与思路
- 作者使用 Hoeffding 和 Bernstein 型集中不等式，为伯努利与完全随机设计构造区间，再扩展到配对、聚类和分层随机实验。
- 材料陈述的贡献
- 摘要称提出具有非渐近保证的区间方法，技术贡献包括新的独立同分布 Bernstein 型不等式及 Neyman 方差估计量集中结果。
- 阅读关注点
- 核对结果取值或矩条件、各随机设计下的区间构造及方差处理，并比较有限样本保证的适用范围与区间宽度。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；摘要未说明集中不等式所需的具体条件，也未提供区间长度或覆盖率数值。
原文摘要
Randomization or design-based inference is becoming an increasingly popular tool for analysing data from randomized experiments: It does not require modelling assumptions on the distribution of outcomes or covariates, and hypothesis testing and estimation are respectively valid and unbiased in finite samples. Yet, confidence intervals for the sample average treatment effect (SATE) are still constructed via finite-population central limit theorems and their coverage is only asymptotic. In this work, we explore an alternative approach: We use concentration inequalities to construct confidence intervals for the SATE with non-asymptotic guarantees. We develop this approach for the most common experimental designs (Bernoulli trials and completely randomized experiments) and provide Hoeffding and Bernstein-type confidence intervals. Moreover, we extend these results to matched-pair, cluster and stratified randomized experiments. Our key technical contributions are a novel Bernstein-type concentration inequality for i.i.d. data points as well as a concentration result for Neyman's variance estimator.