Leveraging the Fisher Randomization Test using Confidence Distributions: Inference, Combination and Fusion Learning
借助置信分布拓展Fisher随机化检验：推断、组合与融合学习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：摘要明确围绕随机实验中的干预因果效应与随机化推断展开。
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…
借助置信分布拓展Fisher随机化检验：推断、组合与融合学习
- 研究问题
- 如何为随机实验中的Fisher随机化检验建立统一推断框架，构造置信区间并组合多个独立实验的证据？
- 方法与思路
- 作者建立随机化检验与置信分布之间的联系，据此研究检验反演、蒙特卡洛估计的p值曲线及跨实验组合方法。
- 材料陈述的贡献
- 摘要称提供具有覆盖率保证的反演程序、蒙特卡洛样本量作用的新见解，以及具有理论保证的检验组合方法。
- 阅读关注点
- 应核对因果效应与原假设的定义、覆盖率保证的条件、实验独立性要求，以及随机化计算误差如何进入推断。
- 阅读边界
- 仅据所给Crossref摘要；有限样本保证的具体条件、模拟设定及案例结果未说明，不能据此确认一般优势。
原文摘要
Abstract The flexibility and wide applicability of the Fisher randomization test (FRT) make it an attractive tool for assessment of causal effects of interventions from modern-day randomized experiments that are increasing in size and complexity. This paper provides a theoretical inferential framework for FRT by establishing its connection with confidence distributions. Such a connection leads to development’s of (i) an unambiguous procedure for inversion of FRTs to generate confidence intervals with guaranteed coverage, (ii) new insights on the effect of size of the Monte Carlo sample on the estimation of a p-value curve and (iii) generic and specific methods to combine FRTs from multiple independent experiments with theoretical guarantees. Our developments pertain to finite sample settings but have direct extensions to large samples. Simulations and a case example demonstrate the benefit of these new developments.