On Nonasymptotic Confidence Intervals for Treatment Effects in Randomized Experiments
随机实验处理效应的非渐近置信区间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：摘要直接研究随机实验处理效应的置信区间和有限样本覆盖问题，具有明确的实验因果推断对象，支持因果推断分类。
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…
随机实验处理效应的非渐近置信区间
- 研究问题
- 随机实验中，能否构造有限样本有效的处理效应置信区间，同时消除其相对中心极限定理区间的有效样本量损失？
- 方法与思路
- 作者系统利用负依赖、方差自适应或二者结合构造非渐近区间，并从信息论角度分析所达到速率能否进一步改善。
- 材料陈述的贡献
- 摘要称，新区间可达到与渐近区间相同的有效样本量，弥合既有方法依赖倾向得分的差距，且所获非渐近速率不可改进。
- 阅读关注点
- 应核对随机分配机制、结果变量的限制、有效样本量的精确定义，以及覆盖保证和信息论下界针对的参数空间。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未提供区间公式和具体假设，相同有效样本量不代表区间长度完全相同。
原文摘要
We study nonasymptotic (finite-sample) confidence intervals for treatment effects in randomized experiments. In the existing literature, the effective sample sizes of nonasymptotic confidence intervals tend to be looser than the corresponding central-limit-theorem-based confidence intervals by a factor depending on the square root of the propensity score. We show that this performance gap can be closed, designing nonasymptotic confidence intervals that have the same effective sample size as their asymptotic counterparts. Our approach involves systematic exploitation of negative dependence or variance adaptivity (or both). We also show that the nonasymptotic rates that we achieve are unimprovable in an information-theoretic sense.