A randomization-based perspective on analysis of variance: a test statistic robust to treatment effect heterogeneity
随机化视角下的方差分析：对处理效应异质性稳健的检验统计量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：摘要直接研究随机实验中的平均处理效应检验、处理效应异质性及随机化推断，属于因果推断方向。
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
随机化视角下的方差分析：对处理效应异质性稳健的检验统计量
- 研究问题
- 在多于两种处理的完全随机实验中，使用F统计量进行随机化检验，能否在处理效应异质时正确检验平均效应原假设？
- 方法与思路
- 作者在有限总体框架中分析常规F统计量的随机化检验，提出替代统计量，并研究Fisher与Neyman原假设下的渐近分布。
- 材料陈述的贡献
- 摘要称效应异质时常规F检验可能严重抬高Neyman原假设下的第一类错误，并通过理论和模拟展示替代统计量的优势。
- 阅读关注点
- 应核对两类原假设的区别、替代统计量的构造、有限总体渐近条件，以及随机化校准在异质效应下的有效性范围。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未提供统计量公式和渐近条件，不能据此推断替代检验具有有限样本精确性。
原文摘要
Fisher randomization tests for Neyman’s null hypothesis of no average treatment effect are considered in a finite-population setting associated with completely randomized experiments involving more than two treatments. The consequences of using the |$F$| statistic to conduct such a test are examined, and we argue that under treatment effect heterogeneity, use of the |$F$| statistic in the Fisher randomization test can severely inflate the Type I error under Neyman’s null hypothesis. We propose to use an alternative test statistic, derive its asymptotic distributions under Fisher’s and Neyman’s null hypotheses, and demonstrate its advantages through simulations.