Inference of Sample Complier Average Causal Effects in Completely Randomized Experiments
完全随机实验中样本依从者平均因果效应的推断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：摘要直接研究不依从随机实验中的样本依从者平均因果效应。
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…
完全随机实验中样本依从者平均因果效应的推断
- 研究问题
- 随机实验存在不依从且参与者可能不同于目标总体时，如何针对实际实验样本中的依从者平均因果效应构造便于使用的推断？
- 方法与思路
- 作者构造基于 Wald 估计量的有限闭区间，并利用处理前协变量提出回归调整估计及配套置信区间，通过模拟和就业培训应用检验。
- 材料陈述的贡献
- 摘要称，该研究将重点转向样本 CACE，在比既有文献更一般的设置中提供区间推断，并提出新的协变量回归调整方法。
- 阅读关注点
- 应核对样本 CACE 的定义、识别条件和随机化推断依据，以及有限闭区间的覆盖保证、依从程度较低时的表现与调整收益。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明更一般设置的具体范围、区间保证条件及模拟表现，不能外推到总体。
原文摘要
In randomized experiments with non-compliance scholars have argued that the complier average causal effect (CACE) ought to be the main causal estimand. The literature on inference of the complier average treatment effect (CACE) has focused on inference about the population CACE. However, in general individuals in the experiments are volunteers. This means that there is a risk that individuals partaking in a given experiment differ in important ways from a population of interest. It is thus of interest to focus on the sample at hand and have easy to use and correct procedures for inference about the sample CACE. We consider a more general setting than in the previous literature and construct a confidence interval based on the Wald estimator in the form of a finite closed interval that is familiar to practitioners. Furthermore, with the access of pre-treatment covariates, we propose a new regression adjustment estimator and associated methods for constructing confidence intervals. Finite sample performance of the methods is examined through a Monte Carlo simulation and the methods are used in an application to a job training experiment.