High-dimensional regression adjustments in randomized experiments
随机实验中的高维回归调整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：摘要明确以随机实验中的总体平均处理效应估计及有效推断为研究目标，高维回归调整服务于因果效应分析。
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…
随机实验中的高维回归调整
- 研究问题
- 在具有高维协变量的随机实验中，哪些回归调整能支持平均处理效应的有效推断，并能否同时保持有限样本无偏性？
- 方法与思路
- 作者分析风险一致的回归调整，提出交叉估计方法，并将分析扩展到交叉验证选模及随机森林、神经网络等非参数调整。
- 材料陈述的贡献
- 摘要称，风险一致的回归调整可用于高效估计平均处理效应；交叉估计可获得有限样本无偏估计，并容纳多类学习方法。
- 阅读关注点
- 应核对风险一致性的定义与速率要求、随机化机制和目标总体，以及交叉估计如何实现无偏性并处理交叉验证选模。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出效率与无偏性结论的完整条件，不能推广到任意调整。
原文摘要
We study the problem of treatment effect estimation in randomized experiments with high-dimensional covariate information, and show that essentially any risk-consistent regression adjustment can be used to obtain efficient estimates of the average treatment effect. Our results considerably extend the range of settings where high-dimensional regression adjustments are guaranteed to provide valid inference about the population average treatment effect. We then propose cross-estimation, a simple method for obtaining finite-sample-unbiased treatment effect estimates that leverages high-dimensional regression adjustments. Our method can be used when the regression model is estimated using the lasso, the elastic net, subset selection, etc. Finally, we extend our analysis to allow for adaptive specification search via cross-validation, and flexible non-parametric regression adjustments with machine learning methods such as random forests or neural networks.