Finely Stratified Rerandomization Designs
精细分层再随机化设计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：摘要明确研究随机实验设计下的一般因果参数及服从者处理效应异质性。
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
精细分层再随机化设计
- 研究问题
- 协变量维度升高导致匹配质量下降时，能否先对少量重要变量精细分层，再平衡其余变量，以提高因果参数估计效率？
- 方法与思路
- 作者研究匹配组内再随机化设计，推导一般因果参数 GMM 估计量的渐近分布，并分析最优线性调整及有限总体方差上界。
- 材料陈述的贡献
- 摘要称设计分别提供对分层变量的非参数控制和其余变量的线性控制，最优调整恢复渐近正态，方差上界支持保守推断。
- 阅读关注点
- 应核对匹配组构造、再随机化接受准则、GMM 参数适用范围，以及非正态分布、最优调整和保守方差估计的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出渐近条件与实施细节，效率收益取决于协变量和设计设置。
原文摘要
Finely stratified randomization makes unadjusted treatment effect estimation efficient when matches are tight. However, match quality deteriorates rapidly as covariate dimension increases, attenuating the gains from stratification. Motivated by this problem, we study designs that finely stratify on a few important covariates, then rerandomize within matched groups to balance the remainder. We derive the asymptotic distribution for GMM estimators of general causal parameters under such designs, showing that they provide nonparametric control over the stratification covariates and linear control over the rerandomization covariates. The resulting distribution is generally non-normal, but optimal linear adjustment restores asymptotic normality. For finite population parameters, we derive upper bounds on the non-identified asymptotic variance, enabling conservative inference that accounts for the efficiency gains from both design stages. An empirical application to estimating treatment effect heterogeneity among compliers illustrates the gains from adding rerandomization to a stratified design.