On Efficient Estimation of Distributional Treatment Effects under Covariate-Adaptive Randomization
协变量自适应随机化下分布治疗效应的有效估计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：摘要同时研究随机试验中的治疗效应识别与分布层面的效应估计和效率。
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…
协变量自适应随机化下分布治疗效应的有效估计
- 研究问题
- 在协变量自适应随机试验中，如何利用分层指标之外的基线协变量，提高分布治疗效应估计的精度并实现有效推断？
- 方法与思路
- 作者提出可结合现成机器学习工具的分布回归调整框架，建立估计量的渐近分布与推断程序，并推导该设计下的半参数效率界。
- 材料陈述的贡献
- 摘要称，所提回归调整估计量达到分布治疗效应的半参数效率界，模拟和小额信贷项目分析展示了方法的实际优势。
- 阅读关注点
- 应核对涵盖的随机化设计、分布效应的具体定义，以及机器学习估计的收敛要求、效率界成立条件和推断覆盖范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明完整正则条件和数值结果，效率结论不能直接推广至任意随机化设计。
原文摘要
This paper focuses on the estimation of distributional treatment effects in randomized experiments that use covariate-adaptive randomization (CAR). These include designs such as Efron's biased-coin design and stratified block randomization, where participants are first grouped into strata based on baseline covariates and assigned treatments within each stratum to ensure balance across groups. In practice, datasets often contain additional covariates beyond the strata indicators. We propose a flexible distribution regression framework that leverages off-the-shelf machine learning methods to incorporate these additional covariates, enhancing the precision of distributional treatment effect estimates. We establish the asymptotic distribution of the proposed estimator and introduce a valid inference procedure. Furthermore, we derive the semiparametric efficiency bound for distributional treatment effects under CAR and demonstrate that our regression-adjusted estimator attains this bound. Simulation studies and empirical analyses of microcredit programs highlight the practical advantages of our method.