Optimal allocation of sample size for randomization-based inference from $2^K$ factorial designs
二的 K 次方析因设计中随机化推断的最优样本量分配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：摘要直接研究随机化析因实验中的因果估计精度与处理组配置，属于因果推断和实验设计，未涉及其他列出的细分。
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…
二的 K 次方析因设计中随机化推断的最优样本量分配
- 研究问题
- 在有限总体析因实验中，如何分配各处理组样本量，以提高因果估计精度，并兼顾完全随机化、区组随机化及成本约束？
- 方法与思路
- 作者在随机化推断框架下研究 A、D、E 最优准则，推导分配方案，并以贪心优化处理完全及区组设计的整数分配问题。
- 材料陈述的贡献
- 摘要称，给出完全随机化下的精确理论解，扩展至区组和成本约束，并提供整数规划方案及两个社会科学实验的演示。
- 阅读关注点
- 应核对三种最优准则对应的估计目标、最优解依赖哪些总体量，以及贪心整数方案的最优性保证和实际所需先验信息。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列出解的具体条件，也未说明未知总体量与整数约束的处理细节。
原文摘要
Optimizing the allocation of units into treatment groups can help researchers improve the precision of causal estimators and decrease costs when running factorial experiments. However, existing optimal allocation results typically assume a super-population model and that the outcome data comes from a known family of distributions. Instead, we focus on randomization-based causal inference for the finite-population setting, which does not require model specifications for the data or sampling assumptions. We propose exact theoretical solutions for optimal allocation in $2^K$ factorial experiments under complete randomization with A-, D- and E-optimality criteria. We then extend this work to factorial designs with block randomization. We also derive results for optimal allocations when using cost-based constraints. To connect our theory to practice, we provide convenient integer-constrained programming solutions using a greedy optimization approach to find integer optimal allocation solutions for both complete and block randomization. The proposed methods are demonstrated using two real-life factorial experiments conducted by social scientists.