Placebo inference on treatment effects when the number of clusters is small
聚类数量较少时处理效应的安慰剂推断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。
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：摘要直接研究聚类层面二元处理的效应检验，并明确讨论双重差分等处理效应模型，核心属于因果推断。
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
聚类数量较少时处理效应的安慰剂推断
- 研究问题
- 当二元处理效应依靠聚类之间的差异识别，而可用聚类数量很少、各聚类规模较大时，如何检验处理没有效应？
- 方法与思路
- 作者建立 Fisher 风格的随机化检验框架，通过向未处理聚类分配安慰剂处理构造零假设分布，并研究其渐近有效性。
- 材料陈述的贡献
- 摘要称，在可核验条件下方法适用于广泛模型；模拟显示，即使只有三个处理聚类和三个未处理聚类，也可表现良好。
- 阅读关注点
- 应核对零假设形式、安慰剂分配规则及有效性条件，特别区分有限样本近乎精确的表述与聚类规模增长下的渐近结论。
- 阅读边界
- 仅据所列出版社摘要，所谓简单条件及模拟设计未说明；三个处理和三个对照聚类的表现不能视为无条件的推断保证。
原文摘要
I introduce a general, Fisher-style randomization testing framework to conduct nearly exact inference about the lack of effect of a binary treatment in the presence of very few, large clusters when the treatment effect is identified across clusters. The proposed randomization test formalizes and extends the intuitive notion of generating null distributions by assigning placebo treatments to untreated clusters. I show that under simple and easily verifiable conditions, the placebo test leads to asymptotically valid inference in a very large class of empirically relevant models. Examples discussed explicitly are (i) least squares regression with cluster-level treatment, (ii) difference-in-differences estimation, and (iii) binary choice models with cluster-level treatment. A simulation study and an empirical example are provided. The proposed inference procedure is easy to implement and performs well with as few as three treated and three untreated clusters.