Testing Monotonicity in a Finite Population
有限总体中的单调性检验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：摘要直接研究随机实验中个体处理效应及其同号限制的可检验性。
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
有限总体中的单调性检验
- 研究问题
- 完全随机实验能在多大程度上判断所有个体的处理效应是否弱同号，形式上的识别又能否转化为实际学习能力？
- 方法与思路
- 作者固定有限总体潜在结果、仅令处理分配随机，从设计视角分析效应分布识别、频率检验、贝叶斯更新与极小极大风险。
- 材料陈述的贡献
- 摘要称效应分布在设计视角下形式上可识别，但单调性检验通常功效很差，某些非退化先验不更新，违反程度估计也受限。
- 阅读关注点
- 应核对随机化分布意义下的识别如何区别于单次实验的信息，并查看低功效、先验不更新及均方误差下界的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核验；此处单调性指个体效应同号，摘要未给出各项不可能性结果的边界。
原文摘要
We consider the extent to which we can learn from a completely randomized experiment whether all individuals have treatment effects that are weakly of the same sign, a condition we call monotonicity. From a classical sampling perspective, it is well-known that monotonicity is not falsifiable. We show that from the design-based perspective---in which the potential outcomes are fixed and only treatment assignment is stochastic---that the distribution of treatment effects in the finite population (and hence whether monotonicity holds) is formally identified. Nevertheless, we show that the scope for learning about violations of monotonicity is severely limited. Frequentist tests of monotonicity have generically poor power, and there exist (non-degenerate) Bayesian priors that never update about whether monotonicity holds. Estimators of the magnitude of the violation of monotonicity are likewise shown to have poor minimax mean-squared error.