Neymanian inference in randomized experiments
随机实验中的 Neyman 式推断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：摘要围绕随机实验、平均处理效应和潜在结果框架中的方差估计展开，因此最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…
随机实验中的 Neyman 式推断
- 研究问题
- 如何将完全随机实验中的 Neyman 方差估计推广到更复杂的随机化设计，并保留非负性、保守性及适当的无偏性质？
- 方法与思路
- 作者从缺失潜在结果插补和潜在结果对比替换两条路径重新推导方差估计；两者在一般设计下产生不同估计量。
- 材料陈述的贡献
- 摘要称，两种方法在完全随机化下恢复 Neyman 估计量，并在一大类设计中具有非负、保守及同质效应下无偏的性质。
- 阅读关注点
- 应核对两种方法各自适用的随机化设计、插补与对比规则，以及保守性证明和有限样本、渐近无偏的具体区别。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列设计类别与完整条件，不能认为结果适用于所有随机实验。
原文摘要
In his seminal 1923 work, Neyman studied the variance estimation problem for the difference-in-means estimator of the average treatment effect in completely randomized experiments. He proposed a variance estimator that is conservative in general and unbiased under homogeneous treatment effects. While widely used under complete randomization, there is no unique or natural way to extend this estimator to more complex designs. To this end, we show that Neyman's estimator can be alternatively derived in two ways, leading to two novel variance estimation approaches: the imputation approach and the contrast approach. While both approaches recover Neyman's estimator under complete randomization, they yield fundamentally different variance estimators for more general designs. In the imputation approach, the variance is expressed in terms of observed and missing potential outcomes and then estimated by imputing the missing potential outcomes, akin to Fisherian inference. In the contrast approach, the variance is expressed in terms of unobservable contrasts of potential outcomes and then estimated by exchanging each unobservable contrast with an observable contrast. We examine the properties of both approaches, showing that for a large class of designs, each produces non-negative, conservative variance estimators that are unbiased in finite samples or asymptotically under homogeneous treatment effects.