Covariate Adjustment in Randomized Experiments: A Unified Framework for Decision and Practice
随机实验中的协变量调整：决策与实践的统一框架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：摘要直接讨论随机实验处理效应估计中的协变量调整、不平衡修正及精度，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
随机实验中的协变量调整：决策与实践的统一框架
- 研究问题
- 随机实验中是否应调整协变量，应依据结果预测能力、组间不平衡，还是某种与可用信息相关的统一决策标准？
- 方法与思路
- 作者把调整表述为给定信息下修正事后偏差的决策问题，提出以预测事后偏差的能力选择协变量，并发展两种估计途径。
- 材料陈述的贡献
- 摘要称，不平衡修正与精度改善可统一于同一决策问题，其中一种估计途径恢复熟悉的调整估计器并提供新的理论解释。
- 阅读关注点
- 应核对事后偏差的定义、条件化信息集及最优性损失函数，并检查协变量选择和调整步骤如何影响随机化推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未列出两种估计方法与最优性条件，不能直接据此给出通用协变量筛选规则。
原文摘要
Should researchers adjust for covariates in randomized experiments, and if so, how? The literature offers three distinct prescriptions: do not adjust because randomization guarantees unbiasedness; adjust for outcome-prognostic covariates to improve precision; or adjust for covariates imbalanced between treatment arms. These competing prescriptions create confusion and uncertainty. We develop a unified framework for decision and practice. Given available information, we show that the optimal correction is what we call ex-post bias. The only relevant criterion for adjustment is prognosticity for ex-post bias; neither raw covariate imbalance nor outcome prognosticity is sufficient by itself. We also show that correcting imbalance and improving precision are two sides of the same decision problem. We develop two estimation approaches, one of which recovers familiar adjustment estimators and provides a new theoretical justification for them. Simulations compare alternative covariate-selection and adjustment strategies. Overall, our framework provides a unified foundation for covariate adjustment in randomized experiments.