The Limits of Experimental Design: Covariate Balance Beyond Low Dimension
实验设计的极限：超越低维的协变量平衡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：摘要围绕随机实验设计、协变量平衡和治疗效应估计效率展开，直接属于因果推断。
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
实验设计的极限：超越低维的协变量平衡
- 研究问题
- 实验设计能多快降低未经回归调整的治疗效应估计方差？当协变量维度增加时，接近半参数效率界限受到什么限制？
- 方法与思路
- 作者证明针对平滑结果模型的一致逼近不可能性，再通过差异度最小化设计平衡复杂度受限的函数类，并考虑与匹配结合。
- 材料陈述的贡献
- 摘要称，普遍逼近效率界限要求维度远小于样本量对数；限制函数类可放宽维度要求，十二项实验校准模拟中均降低了方差。
- 阅读关注点
- 应核对不可能性定理的弱条件、一致性涉及的模型范围、受限效率目标与完整效率界限的区别，以及模拟中的比较设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出完整条件及方差降幅，模拟结果不能证明所有实验中均占优。
原文摘要
We study how fast experimental designs can approach the semiparametric efficiency bound in finite samples, as measured by the excess variance of unadjusted treatment effect estimation. We prove an impossibility theorem: under weak conditions, no design can approach the variance bound uniformly over smooth outcome models unless covariate dimension $d \ll \log n$. Even in experiments with thousands of units, this permits only a handful of covariates. Motivated by this, we propose new designs based on discrepancy minimization that instead attempt to control imbalances over restricted-complexity nonparametric function classes. Such designs achieve fast rates to their corresponding restricted efficiency targets, permitting $d \ll n$ covariates in an additive nonparametric specification. They can also be combined with matching to protect against unmodeled outcome variation. In simulations calibrated to 12 published experiments, our designs reduce variance relative to matched pairs randomization in every empirical setting.