Model-assisted complier average treatment effect estimates in randomized experiments with non-compliance and a binary outcome
不依从随机实验中二元结局的模型辅助依从者平均处理效应估计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。
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：摘要研究随机实验、不依从及依从者平均处理效应，其方法和推断目标直接属于因果推断。
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
不依从随机实验中二元结局的模型辅助依从者平均处理效应估计
- 研究问题
- 当随机分配与实际接受的处理不一致、结局为二元变量时，如何提高依从者平均处理效应的估计效率并进行有效推断？
- 方法与思路
- 作者提出三种模型辅助估计量，以随机化为分析基础，研究渐近性质，并构造奈曼型保守方差估计。
- 材料陈述的贡献
- 摘要称比较了所提方法与Wald估计量的效率，允许工作模型误设，并将方法与理论扩展到乘法型依从者效应。
- 阅读关注点
- 应核对依从者效应可识别的假设、三种估计量的差异、效率比较条件，以及保守方差与乘法效应的定义。
- 阅读边界
- 这是预印本，同行评审未核验；摘要未列明识别假设、效率优势的适用条件或模拟和教育实验的具体结果。
原文摘要
In randomized experiments, the actual treatments received by some experimental units may differ from their treatment assignments. This non-compliance issue often occurs in clinical trials, social experiments, and the applications of randomized experiments in many other fields. Under certain assumptions, the average treatment effect for the compliers is identifiable and equal to the ratio of the intention-to-treat effects of the potential outcomes to that of the potential treatment received. To improve the estimation efficiency, we propose three model-assisted estimators for the complier average treatment effect in randomized experiments with a binary outcome. We study their asymptotic properties, compare their efficiencies with that of the Wald estimator, and propose the Neyman-type conservative variance estimators to facilitate valid inferences. Moreover, we extend our methods and theory to estimate the multiplicative complier average treatment effect. Our analysis is randomization-based, allowing the working models to be misspecified. Finally, we conduct simulation studies to illustrate the advantages of the model-assisted methods and apply these analysis methods in a randomized experiment to evaluate the effect of academic services or incentives on academic performance.