Robust and Efficient Estimation of Potential Outcome Means Under Random Assignment
随机分配下潜在结果均值的稳健与有效估计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。
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：摘要明确涉及多处理水平随机实验、潜在结果均值及回归调整，直接属于因果推断。
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
随机分配下潜在结果均值的稳健与有效估计
- 研究问题
- 在超过两个处理水平的随机实验中，怎样通过回归调整提高潜在结果均值向量的估计效率，并保持对均值函数误设的稳健性？
- 方法与思路
- 作者比较各处理水平分别估计斜率的线性调整、合并调整和组内均值，并刻画误设下仍保持一致性的非线性调整方法。
- 材料陈述的贡献
- 摘要称，分别调整渐近上不劣于组内均值，且除各组线性投影斜率相同外优于合并调整，并给出稳健非线性方法的刻画。
- 阅读关注点
- 应核对效率比较针对的协方差标准、非线性调整保持一致性的条件，以及支付意愿均值下界应用的构造。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能将渐近比较直接视为有限样本保证；非线性方法的具体范围及版本变化未说明。
原文摘要
We study efficiency improvements in randomized experiments for estimating a vector of potential outcome means using regression adjustment (RA) when there are more than two treatment levels. We show that linear RA which estimates separate slopes for each assignment level is never worse, asymptotically, than using the subsample averages. We also show that separate RA improves over pooled RA except in the obvious case where slope parameters in the linear projections are identical across the different assignment levels. We further characterize the class of nonlinear RA methods that preserve consistency of the potential outcome means despite arbitrary misspecification of the conditional mean functions. Finally, we apply these regression adjustment techniques to efficiently estimate the lower bound mean willingness to pay for an oil spill prevention program in California.