Unifying regression-based and design-based causal inference in time-series experiments
统一时间序列实验中的回归式与设计式因果推断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：摘要研究时间序列随机实验的处理效应及自相关稳健推断，涉及因果推断和时间序列。
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
统一时间序列实验中的回归式与设计式因果推断
- 研究问题
- 在切换实验或单人试验中，如何利用简单回归估计处理效应，同时让统计推断依赖随机化设计并允许回归模型误设？
- 方法与思路
- 作者在潜在结果框架下分析适当工作模型与变换解释变量的普通最小二乘估计，并考察其设计式渐近性质及相关稳健方差。
- 材料陈述的贡献
- 摘要称可同时估计数量随样本增长的处理效应，建立一致性和渐近正态性，并证明异方差与自相关稳健方差渐近保守。
- 阅读关注点
- 核对目标效应的定义、工作模型和解释变量变换方式、效应维数的增长限制，以及稳健方差保守性所需的设计与依赖条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实；摘要未说明具体随机化条件、效应维数增长率或有限样本覆盖表现。
原文摘要
Time-series experiments, also called switchback experiments or N-of-1 trials, play increasingly important roles in modern applications in medical and industrial areas. Under the potential outcomes framework, recent research has studied time-series experiments from the design-based perspective, relying solely on the randomness in the design to drive the statistical inference. Focusing on simpler statistical methods, we examine the design-based properties of regression-based methods for estimating treatment effects in time-series experiments. We demonstrate that the treatment effects of interest can be consistently estimated using ordinary least squares with an appropriately specified working model and transformed regressors. Our analysis allows for estimating a diverging number of treatment effects simultaneously, and establishes the consistency and asymptotic normality of the regression-based estimators. Additionally, we show that asymptotically, the heteroskedasticity and autocorrelation consistent variance estimators provide conservative estimates of the true, design-based variances. Importantly, although our approach relies on regression, our design-based framework allows for misspecification of the regression model.