PCA Rerandomization
基于主成分分析的再随机化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：摘要通过随机试验中的再随机化改善协变量平衡与平均处理效应估计，直接对应因果推断中的实验设计。
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…
基于主成分分析的再随机化
- 研究问题
- 高维协变量下，对所有正交化方向同等要求平衡可能不理想，能否选择主要主成分子空间实施再随机化，从而改善平均处理效应估计？
- 方法与思路
- 作者先用主成分分析选择适当子空间，再在该空间计算处理组与对照组协变量均值的马氏距离，以此作为再随机化的平衡准则。
- 材料陈述的贡献
- 摘要称，方法在保留多数协变量信息的同时降低维度和计算复杂度，并具有协变量平衡及平均处理效应估计方面的理论性质，获数值例支持。
- 阅读关注点
- 应核对主成分数量和接受阈值如何选择、未纳入方向的平衡情况，以及处理效应改善依赖的条件和再随机化设计下的推断方法。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列具体理论条件或改善幅度，协变量方差较大的方向未必最能预测结局。
原文摘要
Mahalanobis distance between treatment group and control group covariate means is often adopted as a balance criterion when implementing a rerandomization strategy. However, this criterion may not work well for high-dimensional cases because it balances all orthogonalized covariates equally. Here, we propose leveraging principal component analysis (PCA) to identify proper subspaces in which Mahalanobis distance should be calculated. Not only can PCA effectively reduce the dimensionality for high-dimensional cases while capturing most of the information in the covariates, but it also provides computational simplicity by focusing on the top orthogonal components. We show that our PCA rerandomization scheme has desirable theoretical properties on balancing covariates and thereby on improving the estimation of average treatment effects. We also show that this conclusion is supported by numerical studies using both simulated and real examples.