Optimized variance estimation under interference and complex experimental designs
干扰与复杂实验设计下的优化方差估计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：摘要研究设计型处理效应估计的方差与推断，明确将单位间干扰作为关键困难，因此对应因果推断及网络与干扰方向。
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…
干扰与复杂实验设计下的优化方差估计
- 研究问题
- 在存在干扰或复杂实验设计、通常只能使用保守方差估计时，如何结合研究者的信息与偏好，减少处理效应推断的保守程度？
- 方法与思路
- 作者将可估计方差上界的选择写成优化问题，刻画二次型类别中的可接受界，并指出许多自然目标可以通过凸规划求解。
- 材料陈述的贡献
- 摘要称，即使构造界时使用的背景信息不正确，所得估计仍保持保守；信息较准确时可降低保守程度，数值结果支持这种改善。
- 阅读关注点
- 应核对二次型界的范围、实验设计与干扰表示、风险偏好的形式化方式，以及背景信息错误时保守性保证的精确含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出完整设计条件和优化细节，不能断言在所有估计类别中达到最小保守性。
原文摘要
Unbiased and consistent variance estimators generally do not exist for design-based treatment effect estimators because experimenters never observe more than one potential outcome for any unit. The problem is exacerbated by interference and complex experimental designs. Experimenters must accept conservative variance estimators in these settings, but they can strive to minimize the conservativeness. In this paper, we show that the task of constructing a minimally conservative variance estimator can be interpreted as an optimization problem that aims to find the lowest estimable upper bound of the true variance given the experimenter's risk preferences and knowledge of the potential outcomes. We characterize the set of admissible bounds in the class of quadratic forms, and we demonstrate that the optimization problem is a convex program for many natural objectives. The resulting variance estimators are guaranteed to be conservative regardless of whether the background knowledge used to construct the bound is correct, but the estimators are less conservative if the provided information is reasonably accurate. Numerical results show that the resulting variance estimators can be considerably less conservative than existing estimators, allowing experimenters to draw more informative inferences about treatment effects.