Regression-based causal inference with factorial experiments: estimands, model specifications, and design-based properties
析因实验的回归因果推断：目标量、模型设定与设计性质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：摘要明确研究析因随机实验中的潜在结果、因果目标量及设计型推断，因此直接归入因果推断方向。
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…
析因实验的回归因果推断：目标量、模型设定与设计性质
- 研究问题
- 在析因实验中，包含主效应与部分交互项的回归估计究竟对应哪些因果目标量，其标准误和模型简化如何获得设计型依据？
- 方法与思路
- 作者在固定潜在结果、依据分配机制分析的框架下，推导饱和与非饱和回归的抽样性质，比较偏差方差权衡并提出位置平移策略。
- 材料陈述的贡献
- 摘要称论文论证稳健标准误用于 Wald 推断的适当性，建立遗漏干扰效应确为零时的设计型高斯—马尔可夫定理，并统一效应定义。
- 阅读关注点
- 应核对析因效应的权重定义、回归编码与目标量的对应、稳健标准误的适用条件，以及非饱和模型效率增益所需的零效应假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未列出分配及渐近条件，模型简化的效率结论不能脱离零效应限制。
原文摘要
Factorial designs are widely used due to their ability to accommodate multiple factors simultaneously. The factor-based regression with main effects and some interactions is the dominant strategy for downstream data analysis, delivering point estimators and standard errors via one single regression. Justification of these convenient estimators from the design-based perspective requires quantifying their sampling properties under the assignment mechanism conditioning on the potential outcomes. To this end, we derive the sampling properties of the factor-based regression estimators from both saturated and unsaturated models, and demonstrate the appropriateness of the robust standard errors for the Wald-type inference. We then quantify the bias-variance trade-off between the saturated and unsaturated models from the design-based perspective, and establish a novel design-based Gauss--Markov theorem that ensures the latter's gain in efficiency when the nuisance effects omitted indeed do not exist. As a byproduct of the process, we unify the definitions of factorial effects in various literatures and propose a location-shift strategy for their direct estimation from factor-based regressions. Our theory and simulation suggest using factor-based inference for general factorial effects, preferably with parsimonious specifications in accordance with the prior knowledge of zero nuisance effects.