Kernel regression analysis of tie-breaker designs
混合随机化与断点设计的核回归分析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：摘要直接比较随机试验与回归断点设计的处理效应估计效率，核回归用于因果设计分析，因此归入因果推断。
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
混合随机化与断点设计的核回归分析
- 研究问题
- 在中等评分区间随机分配、极端评分确定分配的混合设计中，随机化相对断点设计能带来多少非参数效应估计效率收益？
- 方法与思路
- 作者使用核回归，在不依赖参数模型设定的框架下比较混合设计与断点设计，并用理论及课堂规模数据生成的模拟考察随机化半径。
- 材料陈述的贡献
- 摘要称，单点评分处达到相同渐近均方误差时，断点设计约需 2.8 倍样本；还报告扩大随机化半径可提高统计效率。
- 阅读关注点
- 核对约 2.8 倍结论对应的带宽、核函数和设计条件，以及单点效应与平均效应的差异；检查扩大随机区间的适用边界。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或接收未核实；摘要未列完整条件，样本倍数和半径结论不能泛化至所有断点设计。
原文摘要
Tie-breaker experimental designs are hybrids of Randomized Controlled Trials (RCTs) and Regression Discontinuity Designs (RDDs) in which subjects with moderate scores are placed in an RCT while subjects with extreme scores are deterministically assigned to the treatment or control group. In settings where it is unfair or uneconomical to deny the treatment to the more deserving recipients, the tie-breaker design (TBD) trades off the practical advantages of the RDD with the statistical advantages of the RCT. The practical costs of the randomization in TBDs can be hard to quantify in generality, while the statistical benefits conferred by randomization in TBDs have only been studied under linear and quadratic models. In this paper, we discuss and quantify the statistical benefits of TBDs without using parametric modelling assumptions. If the goal is estimation of the average treatment effect or the treatment effect at more than one score value, the statistical benefits of using a TBD over an RDD are apparent. If the goal is nonparametric estimation of the mean treatment effect at merely one score value, we prove that about 2.8 times more subjects are needed for an RDD in order to achieve the same asymptotic mean squared error. We further demonstrate using both theoretical results and simulations from the Angrist and Lavy (1999) classroom size dataset, that larger experimental radii choices for the TBD lead to greater statistical efficiency.