Fast Algorithms for Exact Confidence Intervals in Randomized Experiments with Binary Outcomes
二元结局随机实验中精确置信区间的快速算法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：摘要针对随机实验中的平均处理效应构造有限样本精确置信区间，因果推断是直接方向，二元结局本身不等于离散选择。
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
二元结局随机实验中精确置信区间的快速算法
- 研究问题
- 对于二元结局随机实验，如何在不依赖大样本近似的情况下构造平均处理效应精确置信区间，并减少所需随机化检验次数？
- 方法与思路
- 作者通过一系列随机化检验构造区间，分别处理平衡 Bernoulli、配对及一般 Bernoulli 设计，并用信息论下界分析检验次数。
- 材料陈述的贡献
- 摘要称平衡 Bernoulli 与配对设计仅需 O(log n) 次检验且次数最优；一般 Bernoulli 设计扩展为 O(n²) 次，并对比完全随机化。
- 阅读关注点
- 应核对精确覆盖的概率定义、检验反演与搜索依据、各设计的平衡含义，以及检验次数最优性和整体计算成本的区别。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未说明单次检验成本和区间形态，次数最优不直接意味着总运行时间最优。
原文摘要
We construct exact confidence intervals for the average treatment effect in randomized experiments with binary outcomes using sequences of randomization tests. Our approach does not rely on large-sample approximations and is valid for all sample sizes. Under a balanced Bernoulli design or a matched-pairs design, we show that exact confidence intervals can be computed using only $O(\log n)$ randomization tests, yielding an exponential reduction in the number of tests compared to brute-force. We further prove an information-theoretic lower bound showing that this rate is optimal. In contrast, under balanced complete randomization, the most efficient known procedures require $O(n\log n)$ randomization tests (Aronow et al., 2023), establishing a sharp separation between these designs. In addition, we extend our algorithm to general Bernoulli designs using $O(n^2)$ randomization tests.