A Bayesian Criterion for Rerandomization
再随机化的贝叶斯准则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。
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：摘要直接讨论随机实验、潜在结果、再随机化及因果效应估计。
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…
再随机化的贝叶斯准则
- 研究问题
- 如何在实验再随机化中体现协变量与潜在结果关联强弱的差异，使协变量平衡更有针对性并改善因果效应估计？
- 方法与思路
- 作者提出贝叶斯再随机化准则，用于量化协变量的异质重要性，并通过理论分析与数值研究比较平衡表现。
- 材料陈述的贡献
- 摘要称采用该准则的再随机化程序在协变量平衡方面可能优于已有程序；具体效应估计改善幅度并未说明。
- 阅读关注点
- 应核对先验信息来源、准则及接受规则的定义，以及平衡改进如何转化为估计精度，并检查相应推断是否有效。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未给出理论条件、比较设计或数值幅度，不能认定普遍优越，也不能推断刊本变化。
原文摘要
Rerandomization is a powerful tool for experiment-based causal inference because it can better balance covariates than classic randomized designs, thereby leading to more accurate causal effect estimation. However, basic rerandomization and some of its extensions do not prioritize covariates that believed to be strongly associated with potential outcomes. To address this limitation, and thereby create more efficient rerandomization procedures, the quantification of covariate heterogeneity is appealing. We propose a Bayesian criterion for rerandomization that addresses this issue. Both theoretical analyses and numerical studies suggest that rerandomization procedures using Bayesian criterion can outperform existing procedures for balancing covariates.