Asymptotic Efficiency Bounds for a Class of Experimental Designs
一类实验设计的渐近效率界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：摘要直接研究随机及自适应实验中的平均处理效应估计和效率界，属于因果推断中的实验设计与推断问题。
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
一类实验设计的渐近效率界
- 研究问题
- 当单位依次抽样且处理分配依赖协变量与历史结果时，平均处理效应估计的渐近效率上限是什么，自适应设计能否突破？
- 方法与思路
- 作者为处理分配可依赖协变量和既往结果的实验推导渐近效率界，涵盖分层、自适应、多处理及带处理约束的情形。
- 材料陈述的贡献
- 摘要称二元处理下，若倾向得分被选为最小化 Hahn 界且估计量达到该界，就不存在进一步的一阶渐近效率改善。
- 阅读关注点
- 应核对允许的抽样与分配规则、效率界适用的估计量类别、最优倾向得分的条件，以及多处理约束如何改变结果。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未给出正则性条件；一阶渐近效率结论不能直接判断有限样本或其他目标的优劣。
原文摘要
We consider an experimental design setting in which units are assigned to treatment after being sampled sequentially from an infinite population. We derive asymptotic efficiency bounds that apply to data from any experiment that assigns treatment as a (possibly randomized) function of covariates and past outcome data, including stratification on covariates and adaptive designs. For estimating the average treatment effect of a binary treatment, our results show that no further first order asymptotic efficiency improvement is possible relative to an estimator that achieves the Hahn (1998) bound in an experimental design where the propensity score is chosen to minimize this bound. Our results also apply to settings with multiple treatments with possible constraints on treatment, as well as covariate based sampling of a single outcome.