Causal inference in two-sided randomization designs: factorial regression, two-way clustering, and covariate adjustment
双侧随机化设计中的因果推断：析因回归、双向聚类与协变量调整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：摘要研究双侧随机实验的处理效应，并明确分析群体互动、局部干扰及溢出效应，支持因果推断和网络与干扰分类。
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…
双侧随机化设计中的因果推断：析因回归、双向聚类与协变量调整
- 研究问题
- 当买方与卖方等两个互动群体分别独立随机化时，如何估计总效应、交互效应和两侧溢出效应，并开展有效且更精确的推断？
- 方法与思路
- 作者在局部干扰假设下分析线性估计对象，用普通最小二乘与双向聚类方差推断，并提出保留两侧依赖的方差估计及协变量调整。
- 材料陈述的贡献
- 摘要称常规双向聚类可提供渐近有效的设计型推断；另给出单一线性效应的较不保守方差估计，并建立协变量调整的效率理论。
- 阅读关注点
- 应核对局部干扰的范围、两侧样本增长要求、不同效应的回归表示，以及更精确方差估计和双向方差分析式调整的适用条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出完整渐近条件，较少保守的结论也不能直接解释为有限样本覆盖改善。
原文摘要
We study randomized experiments involving two interacting populations, such as buyers and sellers in a marketplace. In the two-sided experiments we consider, we randomize the two populations separately and independently. For a pair consisting of one member from each population, the two assignments jointly determine one of four exposure conditions. Under a local interference assumption, we consider a broad class of linear estimands, including total, interaction, and buyer- and seller-side spillover effects. Our first main result establishes that researchers can estimate these effects using ordinary least squares and conduct asymptotically valid design-based inference using the conventional two-way cluster-robust variance estimator, clustered at the buyers' and sellers' levels. Our second main result develops a sharper variance estimator for a single linear estimand that better preserves dependence within the buyer and seller dimensions and is asymptotically less conservative than the two-way clustered estimator and existing alternatives. Our third main result establishes the theory for covariate adjustment and recommends a two-way analysis-of-variance-type covariate representation to ensure efficiency gains.