Inference with few treated units
少量处理单位情形下的统计推断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：摘要聚焦少量处理单位的因果推断，并明确覆盖横截面和面板数据方法。
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…
少量处理单位情形下的统计推断
- 研究问题
- 当只有一个或少数单位或簇接受处理时，即使总样本量很大，如何获得可靠的因果推断，并理解不同横截面与面板方法的权衡？
- 方法与思路
- 作者综述并分类适用于少量处理单位的推断方法，讨论方法之间的联系和取舍，同时提出若干小幅修改并分析既有启发式方法。
- 材料陈述的贡献
- 摘要称部分修改能够改善有限样本表现，并为文献中的一些启发式做法提供理论依据；主要贡献还包括对相关推断方法的系统整理。
- 阅读关注点
- 应核对各方法依赖何种随机化或抽样结构、处理单位与处理簇如何计数，以及修改后的有限样本表现和启发式方法的理论适用范围。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未列明具体方法、修改细节和有效性条件，不能据此选择普遍最优的推断方案。
原文摘要
In many causal inference applications, only one or a few units (or clusters of units) are treated. An important challenge in such settings is that standard inference methods relying on asymptotic theory may be unreliable, even with large total sample sizes. This survey reviews and categorizes inference methods designed to accommodate few treated units, considering cross-sectional and panel data methods. We discuss trade-offs and connections between different approaches. In doing so, we propose slight modifications to improve the finite-sample performance of some methods, and we also provide theoretical justifications for existing heuristic approaches that have been proposed in the literature.