Optimized Variance Estimation under Interference and Complex Experimental Designs
干扰与复杂实验设计下的优化方差估计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。
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：摘要明确研究实验处理效应的设计型方差估计，并把单位间干扰作为主要问题。
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…
干扰与复杂实验设计下的优化方差估计
- 研究问题
- 在干扰和复杂随机化设计下，处理效应方差通常难以无偏估计，如何根据研究者的风险偏好与潜在结果知识构造更少保守的可估计上界？
- 方法与思路
- 作者将最小化方差上界的保守程度写成优化问题，刻画二次型中的可容许上界，并说明许多自然目标对应的优化可通过凸规划求解。
- 材料陈述的贡献
- 摘要称，即便构造上界所用背景知识错误，所得估计仍保证保守；信息较准确时保守程度更低，数值结果显示其可提供更有信息的效应推断。
- 阅读关注点
- 应核对保守保证的精确定义、干扰与随机化设计如何进入可估计性约束，以及风险偏好、背景知识和优化目标如何决定方差上界。
- 阅读边界
- 仅依据所给 OpenAlex 摘要版本。摘要未说明保证是在何种概率或期望意义下成立，也未给出改进幅度；凸规划结论限于所述目标与约束类别。
原文摘要
Unbiased and consistent variance estimators generally do not exist for design-based treatment effect estimators because experimenters never observe more than one potential outcome for any unit. The problem is exacerbated by interference and complex experimental designs. Experimenters must accept conservative variance estimators in these settings, but they can strive to minimize the conservativeness. In this paper, we show that the task of constructing a minimally conservative variance estimator can be interpreted as an optimization problem that aims to find the lowest estimable upper bound of the true variance given the experimenter’s risk preferences and knowledge of the potential outcomes. We characterize the set of admissible bounds in the class of quadratic forms, and we demonstrate that the optimization problem is a convex program for many natural objectives. The resulting variance estimators are guaranteed to be conservative regardless of whether the background knowledge used to construct the bound is correct, but the estimators are less conservative if the provided information is reasonably accurate. Numerical results show that the resulting variance estimators can be considerably less conservative than existing estimators, allowing experimenters to draw more informative inferences about treatment effects.