Rerandomization for quantile treatment effects
分位数处理效应的再随机化设计与推断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。
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中的分位数处理效应及再随机化推断，对应因果推断和分位数与分布效应两个方向。
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
分位数处理效应的再随机化设计与推断
- 研究问题
- 在有限总体实验中，为改善协变量平衡而进行再随机化，会怎样影响分位数处理效应估计的极限分布、精度和区间推断？
- 方法与思路
- 作者在有限总体框架中推导分位数处理效应估计量的渐近性质，以高斯及截断高斯变量组合表示极限，并提出保守方差和区间。
- 材料陈述的贡献
- 摘要称在不规定协变量和结果分布模型的框架下得到非高斯极限，并在一定正则条件下证明再随机化相对完全随机化提高效率。
- 阅读关注点
- 应核对再随机化的接受规则、分位数附近的正则条件、保守方差构造，以及置信区间是否正确利用非高斯极限分布。
- 阅读边界
- 所据为 arXiv 预印本摘要，同行评审及期刊接收未核实；无分布模型假设仍需正则条件，效率改善幅度和适用边界未说明。
原文摘要
Although complete randomization is widely regarded as the gold standard for causal inference, covariate imbalance can still arise by chance in finite samples. Rerandomization has emerged as an effective tool to improve covariate balance across treatment groups and enhance the precision of causal effect estimation. While existing work focuses on average treatment effects, quantile treatment effects (QTEs) provide a richer characterization of treatment heterogeneity by capturing distributional shifts in outcomes, which is crucial for policy evaluation and equity-oriented research. In this article, we establish the asymptotic properties of the QTE estimator under rerandomization within a finite-population framework, without imposing any distributional or modeling assumptions on the covariates or outcomes.The estimator exhibits a non-Gaussian asymptotic distribution, represented as a linear combination of Gaussian and truncated Gaussian random variables. To facilitate inference, we propose a conservative variance estimator and construct corresponding confidence interval. Our theoretical analysis demonstrates that rerandomization improves efficiency over complete randomization under mild regularity conditions. Simulation studies further support the theoretical findings and illustrate the practical advantages of rerandomization for QTE estimation.