Adjustment with Many Regressors Under Covariate-Adaptive Randomizations
协变量自适应随机化下的多回归变量调整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：摘要围绕随机化试验的平均处理效应、回归调整效率与因果检验展开，直接对应因果推断方向。
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…
协变量自适应随机化下的多回归变量调整
- 研究问题
- 在协变量自适应随机化试验中，当回归变量数量与样本量同阶时，如何权衡调整带来的信息收益与估计误差造成的效率损失？
- 方法与思路
- 作者将使用和不使用回归调整的平均处理效应估计量作最优线性组合，并建立覆盖固定与增长协变量维度的统一推断理论。
- 材料陈述的贡献
- 摘要称，新估计量的 Wald 检验具有正确渐近水平，且相对调整和未调整估计量均保证弱效率改进，并处理高维调整误差。
- 阅读关注点
- 应核对允许的随机化机制、维度增长与设计矩阵条件、组合权重估计方式，以及正确检验水平和弱效率改进的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核验。摘要未列出理论条件，渐近水平与效率保证不能直接解释为有限样本保证。
原文摘要
Our paper discovers a new trade-off of using regression adjustments (RAs) in causal inference under covariate-adaptive randomizations (CARs). On one hand, RAs can improve the efficiency of causal estimators by incorporating information from covariates that are not used in the randomization. On the other hand, RAs can degrade estimation efficiency due to their estimation errors, which are not asymptotically negligible when the number of regressors is of the same order as the sample size. Ignoring the estimation errors of RAs may result in serious over-rejection of causal inference under the null hypothesis. To address the issue, we construct a new ATE estimator by optimally linearly combining the estimators with and without RAs. We then develop a unified inference theory for this estimator under CARs. It has two features: (1) the Wald test based on it achieves the exact asymptotic size under the null hypothesis, regardless of whether the number of covariates is fixed or diverges no faster than the sample size; and (2) it guarantees weak efficiency improvement over estimators both with and without RAs.