Inspection-Guided Randomization: A Flexible and Transparent Restricted Randomization Framework for Better Experimental Design
检查引导随机化：灵活透明的受限随机化实验设计框架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：摘要围绕因果实验的随机分配设计，并明确讨论分组实验和存在个体间干扰的实验中的效应估计。
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…
检查引导随机化：灵活透明的受限随机化实验设计框架
- 研究问题
- 当实验目标超出两组平均处理效应和协变量平衡时，如何根据领域需求筛选随机分配，以改善分组实验和干扰实验的效应估计？
- 方法与思路
- 作者提出检查引导随机化，依据研究者预设的领域设计要求筛选分配，并在试验开始前锁定可接受分配集合、写入预注册方案。
- 材料陈述的贡献
- 摘要称该框架拓展了受限随机化的适用目标，并以教育和行为健康情境的模拟展示，相较基准设计可改善分组及干扰实验的估计。
- 阅读关注点
- 应核对设计要求如何转化为筛选标准、可接受集合保留多少随机性，以及效应估计和推断是否正确反映受限分配机制。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明推断条件和改善幅度，示例模拟不足以保证所有设计获益。
原文摘要
Randomized experiments are considered the gold standard for estimating causal effects. However, out of the set of possible randomized assignments, some may be likely to produce poor effect estimates and misleading conclusions. Restricted randomization is an experimental design strategy that filters out undesirable treatment assignments, but its application has primarily been limited to ensuring covariate balance in two-arm studies where the target estimand is the average treatment effect. Other experimental settings with different design desiderata and target effect estimands could also stand to benefit from a restricted randomization approach. We introduce Inspection-Guided Randomization (IGR), a transparent and flexible framework for restricted randomization that filters out undesirable treatment assignments by inspecting assignments against analyst-specified, domain-informed design desiderata. In IGR, the acceptable treatment assignments are locked in ex ante and pre-registered in the trial protocol, thus safeguarding against $p$-hacking and promoting reproducibility. Through illustrative simulation studies motivated by education and behavioral health interventions, we demonstrate how IGR can be used to improve effect estimates compared to benchmark designs in group formation experiments and experiments with interference.